EMD算法

EMD（经验模态分解）算法三

EMD（经验模态分解）算法三

经验模态分解（EMD）算法是一种用于信号和数据分解的信号处理方法，用于提取信号中的本征模态函数（IMFs）。其主要思想是将信号分解为一系列本征模态函数，每个本征模态函数代表一个具有特定频率和幅值的本征振动模式。该算法已被广泛应用于信号处理、图像处理、数据分析等领域。

EMD算法的基本步骤如下：

1.将待分解的信号表示为一个局部极值点的峰谷序列。

2.通过连接相邻局部极值点，构建一系列包络线。

3.将原始信号与包络线之差作为细节信号，重复步骤1和步骤2，直到细节信号达到其中一种停止条件。

4.将分解出的所有细节信号相加得到分解后的信号。

具体来说，EMD算法的主要步骤如下：

1.初始化。将原始信号记为x(t)，并设置初始模态函数集合为空。令h(t)=x(t)。

2.局部极值点提取。在h(t)中寻找所有局部极大值点和局部极小值点，记为m(t)和n(t)。

3.插值。通过对局部极大值点和局部极小值点之间的过零点进行三次样条插值，得到包络线e(t)。 4.分离。将原始信号x(t)减去包络线e(t)，得到细节信号d(t)。令h(t)=d(t)。

5.判断停止条件。判断细节信号d(t)是否满足其中一种停止条件，如果满足则停止分解，否则返回步骤2

6.更新模态函数集合。将e(t)添加到模态函数集合中。

7.分解。将细节信号d(t)作为新的原始信号，重复步骤2至步骤6

EMD算法的优点是不依赖于模型假设，能够适应多种类型的信号和数据。它能够在时域和频域上对信号进行分解，提取信号中的局部特征，具有较好的局部适应性和高精度。

然而，EMD算法也存在一些问题。首先，EMD算法对噪声非常敏感，在存在较高噪声的情况下，容易产生过分分解和模态混叠的问题。其次，EMD算法的计算复杂度较高，随着信号长度的增加，计算时间也会增加。

为了解决EMD算法存在的问题，研究者提出了许多改进算法，如快速EMD算法（FEMD）、改进的EMD算法（CEEMD）等。这些算法通过引入新的分解步骤、优化计算方法等手段，对传统的EMD算法进行了改进，提高了算法的效率和鲁棒性。

- 1 - emd 算法原理

EMD算法，即经验模态分解算法，是一种能够将任意信号分解为一组固有振动模态的非平稳信号分解方法。该算法的基本思想是将待分解信号视为一组固有振动模态的叠加，每个模态都是具有不同频率和振幅的信号。通过不断迭代，可以逐步将信号分解为多个固有振动模态。

EMD算法的核心是求解局部极值点，从而确定每个固有振动模态的上下包络线。具体而言，EMD算法分为以下几个步骤：

1. 将信号拟合为一条直线，并计算信号与该直线的差值。

2. 找到信号的所有局部极值点，包括极大值和极小值。

3. 将所有局部极值点连接成一组上下包络线，形成一个固有振动模态。

4. 将信号减去该固有振动模态，得到一个新的信号，并重复步骤1-3，直到该信号可以被分解为一组固有振动模态。

EMD算法的优点在于可以适应非线性和非平稳信号，但其缺点在于计算量较大，计算时间较长。因此，在实际应用中需要谨慎选择算法参数，并注意算法的稳定性和可靠性。

包络性延拓法

在上下包络边界估值法的基础上，增加了端点处是否作为极值点的判断，提出包络线性延拓法。

仅仅根据信号中极值点估计边界处的极值点还是不够完善的，其原因是没有考虑端点可能超过了上包络或者下包络的情况。未增加判断条件的上下包络和局部均值如图 1 所示。

图1 未增加判断条件的情况(注：横坐标 时间/s 纵坐标 幅值)

如图1 所示，考虑一个简单波形，这段信号包含 3 个极大值点和3 个极小值点。如果只是采用上下包络边界估值法，而没有考虑端点是否是极值点就直接添加在终止端的极大值和极小值的估计值，那么会使得下包络出现严重失真。

因此，在添加极值点之前增设了一个判断端点是否为极

1endxUM 终止段极大值为endx，极小值为1VN

11endVNxUM 起始端极大值为1UM，极小值为1VN

1endxVN 终止段极大值为1UM，极小值为endx

值点的条件( 设信号起始端点为ox，终止端点为endx) ：

0oxU 起始端极大值为ox，极小值为0V

00endVxU 起始端极大值为0U，极小值为0V 0oxV 终止端极大值为0U，极小值为ox

增设了判断条件后的上下包络和局部均值如图 2 所示。

图2 增加判断条件的情况(注：横坐标 时间/s 纵坐标 幅值)

EMD信号分解方法是1998年Huang提出来的。目的是通过对非线性非平稳信号的分解获得一系列表征信号特征时间尺度的IMF ,使得各个IMF是窄带信号,可以进行 HS分析。IMF要满足两个条件: (1)整个数据集的极大极小值数目与过 零点数目相等或最多相差一个; (2) 数据集的任意点上,由极大值确定的包络与由极小值确定的包络 的均值始终为零。这两个条件实际上使得分解得到得IMF是窄带信号。而且EMD分解基于下面的假设: (1) 信号至少有两个极值, 一个极大值和一个极小值; (2)信号特征时间尺度是由极值间的时间间隔确定的; (3)如果数据中缺乏极值点, 但存在缺陷点,可通过微分、分解、再积分的方法获得 IMF 。

emd分解 算法 python

一、emd分解算法原理

emd分解算法的核心思想是将两个概率分布逐步分解为一组基本分布，然后比较这组基本分布之间的差异。它的基本步骤如下：

1. 输入两个概率分布P和Q，其中P的总质量等于Q的总质量；

2. 根据P和Q的质量分布，将P和Q分解为一组基本分布；

3. 计算每对基本分布之间的距离，得到一个距离矩阵；

4. 使用线性规划方法优化距离矩阵，得到最优的基本分布匹配；

5. 根据最优的匹配，计算P和Q之间的emd距离。

二、Python实现emd分解算法

下面我们将使用Python实现emd分解算法。首先，我们需要导入相关的库：

```python

import numpy as np

from scipy.optimize import linprog

```

然后，我们定义一个函数来计算emd距离：

```python

def emd_distance(p, q): n = len(p)

m = len(q)

c = np.zeros((n, m))

for i in range(n):

for j in range(m):

c[i, j] = abs(p[i] - q[j])

f = c.flatten()

A_eq = np.zeros((n + m, n * m))

b_eq = np.zeros(n + m)

for i in range(n):

for j in range(m):

A_eq[i, i * m + j] = 1

for j in range(m):

for i in range(n):

A_eq[n + j, i * m + j] = 1

for i in range(n):