什麼是EMD（經驗模態分解）的端點效應？

小白鞋測評2022-11-05 20:25:14

1998 年，Huang等人提出了一種新的訊號處理方法：經驗模態分解方法（Empirical Mode Decomposition，EMD）。它用不同特徵尺度的資料序列本徵模函式（Intrinsic Mode FunctionIMF）分量來逐級分解訊號。

該方法可以對一個非平穩訊號進行平穩化處理

在EMD分解中，每個IMF需要多次“篩選”過程，而每一次篩選過程，需要根據上、下包絡計算出訊號的區域性平均值。上（下）包絡是由訊號的區域性極大（小）值透過3次樣條插值得到的。但訊號的端點不可能同時處於極大值或極

小值，因此上，下包絡在資料序列兩端會發散，且這種發散

會隨著運算的進行而逐漸向內，從而使得整個資料序列受到影響，這就是所謂的EMD方法的端點效應

國內外很多研究者對改進EMD 端點效應問題進行了

研究。目前，常用的EMD端點效應處理方法有映象法、極值延拓法、神經網路預測、多項式外延方法、平行延拓法、邊界區域性特徵尺度延拓法。神經網路延拓演算法的運算速度慢，在工程應用中實時性差。所以本文只對映象法、極值延拓法、多項式法、平行延拓法和邊界區域性特徵尺度延拓法進行比較，從而得到對工程應用有指導意義的結果