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,