emd_visu函数_学习笔记：EMD方法

经验模态分解(Empirical Mode Decomposition, EMD)

优点：能够对非线性、非平稳过程的数据进行线性化和平稳化处理，且经分解后的函数彼此正交，理论上互不相关，从而尽可能多的保留原始数据基本特征。

计算步骤：通过计算原序列 Y(t) 的上下包络线的“瞬时平衡位置”，提取内在模函数(IMF)。原序列减去该内在模函数后得到的序列作为新的原序列重复计算，如此依次提取出N个内在模函数，直至剩余值序列成为单调序列 r(t)，无法提取出内在模函数为止[1]。

Y(t) = ∑ IMF + r(t)

经EMD分解后得到n个频率由高到低的本征模函数IMF和一个残差项。

由于每一个 IMF 分量是代表一组特征尺度(频率)的数据序列，因此 EMD 分解实际上就把原始数据序列分解为各种不同特征波动的叠加，每一个 IMF 分量既可以是线性的也可以是非线性的，且每个 IMF 分量都有实际的物理背景相对应[4]。

内在模函数的特点：

其中 1)极值点的数目和跨零点的数目相等或至多只差一个，并且 2)各个瞬时平均值 m(t)都等于零(关于时间轴对称),则它就是内在模函数。

在实际应用中，有时难以满足条件2，采用限制标准差的值作为替换：

，delta 通常取 0.2 - 0.3 之间

提取内在模函数步骤：

1)找出原始序列 Y(t) 的局部极大值和局部极小值(例如，局部极大值定义为时间序列中的某个时刻的值，其前一时刻的值不比它大，后一时刻的值也不比它大)

2)使用三阶样条函数插入法进行插值，