经验模态分解（EMD）

一、介绍

经验模态分解（Empirical Mode Decomposition，EMD）是一种信号分解与分析方法，用于将一个复杂的非线性信号分解成多个本质模态函数（Intrinsic Mode Functions，IMFs）。

EMD的基本思想是将一个信号分解成若干个本质模态函数，每个本质模态函数代表一个具有不同尺度的振动模式。本质模态函数的求解过程是通过信号自身的局部极值点和零交叉点来实现的，具体步骤如下：

1. 对信号进行包络线拟合，得到信号的上包络线和下包络线；
2. 求出信号与其上下包络线的平均值，得到一次分量；
3. 将一次分量从原信号中减去，得到残差；
4. 对残差重复1~3步骤，直到满足一定的停止条件为止；
5. 将求得的本质模态函数相加得到原信号。

EMD方法可以应用于信号处理、图像处理、时间序列分析等领域，具有良好的局部适应性和自适应性，对信号的局部特征具有很好的分辨率。

二、具体原理

EMD原理篇

三、Python版本代码

from PyEMD import EMD
import numpy as np
 
s = np.random.random(100)
emd = EMD()
IMFs = emd(s)