经验模态分解法简析 （转）

经验模态分解法（Empirical Mode Decomposition, EMD）是一种基于数据自身的信号分解方法，可以将一个复杂信号分解成多个本征模态函数（Intrinsic Mode Function, IMF），每个本征模态函数都代表了信号中的一种振动模式。EMD方法可以应用于信号处理、图像处理、模式识别等领域，被广泛应用于语音信号分析、图像分析、生物信号分析等方面。

EMD方法的基本思想是将信号分解成多个本征模态函数，每个本征模态函数都满足以下两个条件：

1.在任意时刻上，本征模态函数的上下波动次数相等或相差不超过1次；

2.本征模态函数内部没有固定的周期或尺度。

EMD方法的具体实现步骤如下：

1.将原始信号进行极值点的提取，得到信号的局部极值点；

2.通过连接局部极值点得到信号的上包络线和下包络线；

3.计算信号与其上下包络线的平均值，得到一条平均线；

4.将信号减去平均线，得到一条局部平稳信号，若该信号满足本征模态函数的条件，则它就是一个本征模态函数；

5.将得到的本征模态函数从原始信号中减去，得到一条新的局部平稳信号；

6.重复步骤4和步骤5，直到剩余的信号不再满足本征模态函数的条件为止。

EMD方法的优点是可以分解非线性、非平稳、非高斯的信号，而且没有预设的基函数和调整参数，具有完全自适应性。但是EMD方法也存在一些问题，如分解结果的唯一性和稳定性等方面需要进一步研究。