位置: IT常识 - 正文
经验模态分解和各种进化及变种 EMD，EEMD，CEEMD，CEEMDAN，ESMD等简要介绍(经验模态分解和变分模态分解)
编辑：rootadmin推荐整理分享经验模态分解和各种进化及变种 EMD，EEMD，CEEMD，CEEMDAN，ESMD等简要介绍(经验模态分解和变分模态分解)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:经验模态分解和分解,经验模态分解和小波分解,经验模态分解和PCA,经验模态分解和小波变换哪个好些,经验模态分解和变分模态分解,经验模态分解和小波变换哪个好些,经验模态分解和小波变换,经验模态分解和小波分解,内容如对您有帮助，希望把文章链接给更多的朋友！
EMD是时频分析常用的一种信号处理方式，EMD经过发展到现在也有很多不同的发展，本文总结了已知的各种优化和变种。
分类：EMD(经验模态分解)：基本模态分解 EEMD(集合经验模态分解)：EMD+白噪声 CEEMD(互补集合经验模态分解)：加正负成对的辅助白噪声 CEEMDAN(完全自适应噪声集合经验模态分解)：分解过程加白噪声经EMD分解得到的各阶IMF分量 ESMD(极点对称模态分解)：外部包络线插值改内部极点对称插值 VMD(变分模态分解): 可将时间序列数据分解为一系列具有有限带宽的本征模态函数（IMF），可自适应更新各IMF的最优中心频率和带宽。 LMD(局域均值分解):PF 分量分解，采用平滑处理的方法形成局部均值函数和局域包络函数，因此可以避免 EMD 方法中采用三次样条函数形成上下包络线时产生的过包络、欠包络现象。 RLMD(鲁棒性局部均值分解)：可以处理LMD中的边界条件、包络估计和筛选停止准则
EMD(经验模态分解)：
EMD在非线性非平稳信号分析中具有显著优势。与传统时频分析技术相比，EMD无需选择基函数，其分解基于信号本身极值点的分布。 例如：
EMD方法适用信号范围广泛，无需设定基函数，克服了小波变换中基函数无自适应性的问题。但是利用EMD方法有两个缺陷：
1 . 模态混叠现象 用EMD分解得到的IMF存在模态混叠，有下列情况之一可以称为模态混叠： ①在同一个IMF分量中，存在尺度分布范围很宽却又各不相同的信号 ②在不同的IMF分量中，存在着尺度相近的信号
2．端点效应 端点效应由两种情形造成的： ①在三次样条拟合中产生 ②在Hilbert变换中产生，导致信号开始之前和结尾之后没有样本被考虑
EEMD(集合经验模态分解)：利用EMD滤波器组行为及白噪声频谱均匀分布的统计特性，使Sifting过程信号极值点分布更趋匀称，有效抑制由间歇性高频分量等因素造成的模态混叠。
EEMD方法的本质是一种叠加高斯白噪声的多次经验模态分解（EMD），利用了高斯白噪声具有频率均匀分布的统计特性，通过每次加入同等幅值的不同白噪声来改变信号的极值点特性，之后对多次EMD得到的相应IMF进行总体平均来抵消加入的白噪声，从而有效抑制模态混叠的产生。
CEEMD(互补集合经验模态分解)：向原始信号中加入正负成对的辅助白噪声，在集合平均时相消，能有效提高分解效率，克服EEMD重构误差大、分解完备性差的问题。 优点有：
集总平均次数会减少，从百量级减小到几十的量级。重建后的信号噪上一篇：前端JS也可以连点成线（Vue中运用 AntVG6）(前端可以用jsp写吗)
下一篇：YOLOv5-7.0实例分割训练自己的数据，切分mask图并摆正(yolov3实例)
