ICEEMDAN/CEEMDAN：改进的/完全自适应噪声集合经验模态分解（matlab）

在预测领域中对原始数据进行分解，可以提高预测精度。分解算法在故障诊断领域也有重要作用。

---

CEEMDAN

CEEMDAN 算法是由 Torres M E.等人于2011 年提出的一种新型信号分解算法，较好地解决了经验模态分解（EEMD）存在的模态混叠现象。其具体分解过程如下描述：

步骤 1：将待分解信号 x(t) 添加 K 次均值为 0的高斯白噪声，构造共 K 次实验的待分解序列xi(t),其中i=1,2,3....，k.。

 式中：为高斯白噪声权值系数； it 为第 i 次处理时产生的高斯白噪声。

步骤 2：对上述序列 xi(t) 进行 EMD 分解，分解得到第 1 个模态分量(IMF)并取其均值作为CEEMDAN 分解得到的第 1 个 IMF。 

       

式中：IMF1(t) 表示 CEEMDAN 分解得到的第 1 个模态分量； r1(t) 表示第 1 次分解后的余量信号。 

步骤 3：将分解后得到的第 j 阶段余量信号添加特定噪声后，继续进行 EMD 分解。 

  

式中： IMFj (t)表示 CEEMDAN 分解得到的第 j 模态分量；Ej-1(.) 表示对序列进行 EMD 分解后的第 j -1个 IMF 分量；j-1表示 CEEMDAN 对第 j -1阶段余量信号加入噪声的权值系数； r j(t) 表示第 j阶段余量信号。

 步骤 4：迭代停止，如果满足 EMD 停止条件，第 n 次分解的余量信号 rn(t) 为单调信号，则迭代停止，CEEMDAN 算法分解结束。

原理图如下所示：

---

ICEEMDAN（改进的CEEMDAN）

Colominas等人提出的ICEEMDAN信号处理方法，是由自适应噪声完全集合经验模态分解（CEEMDAN）的基础上发展而来。改进的方法不同于CEEMDAN在分解过程中直接添加高斯白噪声，而是选取白噪声被EMD分解后的第K个IMF分量。以分解风速序列为例，具体步骤如下：

 

MATLAB程序

load ('wind_7.mat');%输入你的分解数据

Nstd = 0.2;
NR = 500;
MaxIter = 5000;%Nstd/NR/MaxIter;可根据你的输入数据类型，查找相关文献参考
SNRFlag = 1;%当数值为1时，为ICEEMDAN分解当数值为2时，为CEEMDAN分解。


[modes,its]=fenjie(wind_7,0.2,500,5000,1);%提取子程序分解
t=1:length(wind_7);

[a b]=size(modes);

figure;
subplot(a+1,1,1);
plot(t,wind_7);% 注意最后展示的图像处理，包含原始序列。
ylabel('wind_7')
set(gca,'xtick',[])
axis tight;

for i=2:a
    subplot(a+1,1,i);
    plot(t,modes(i-1,:));
    ylabel (['IMF ' num2str(i-1)]);
    set(gca,'xtick',[])
    xlim([1 length(wind_7)])
end;

subplot(a+1,1,a+1)
plot(t,modes(a,:))
ylabel(['IMF ' num2str(a)])
xlim([1 length(wind_7)])

CEEMDAN分解

                            ICEEMDAN分解                             

 这里，输入数据用的是.mat文件，读者也可以自行通过EXCEL读入。通过两种分解的图像分析可看出，ICEEMDAN的分解可以更彻底，当然数据类型不同，具体结果要看具体分析。

文件资料中包含EMD文件，具体分解过程中要用到EMD分解。两种分解都是通过EMD分解的基础上发展而来的。

参考文献

[1]魏炘、石强、符文熹、陈良. 考虑CEEMDAN样本熵和SVR的短期风速预测[J]. 水电能源科学, 2020, v.38;No.243(11):213-216.