经验模态分解

经验模态分解 （Empirical Mode Decomposition，缩写EMD）是由黄锷（N. E. Huang）与其他人在美国国家宇航局于1998年创造性地提出的一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理。

简介

经验模态分解（Empirical Mode Decomposition，简称EMD）方法被认为是自2000年来，以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破[1]，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点，EMD 方法在理论上可以应用于任何类型的信号的分解，因而在处理非平稳及非线性数据上具有非常明显的优势，适合于分析非线性、非平稳信号序列，具有很高的信噪比。

所以，EMD方法一经提出后，就在不同的工程领域得到了迅速有效的应用，例如在海洋、大气、天体观测资料与地震记录分析、机械故障诊断、密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别方面。

该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF份量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，再进行希尔伯特变换获得时频谱图，得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的，因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。

基本原理

对数据信号进行EMD分解就是为了获得本征模函数，因此，在介绍EMD分析方法的具体过程之前可先介绍EMD分解过程中所涉及的基本概念的定义：本征模函数，这是掌握EMD方法的基础。在物理上，如果瞬时频率有意义，那么函数必须是对称的，局部均值为零，并且具有相同的过零点和极值点数目。在此基础上，有人提出了本征模函数（Intrinsic Mode Function，简称IMF）的概念。本征模函数任意一点的瞬时频率都是有意义的。任何信号都是由若干本征模函数组成，在任何时候，一个信号都可以包含若干个本征模函数，如果本征模函数之间相互重叠，便形成复合信号。EMD分解的目的就是为了获取本征模函数，再对各个本征模函数进行希尔伯特变换，得到希尔伯特谱。

一个本征模函数必须满足以下两个条件：

⑴l函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个；

⑵在任意时刻点，局部最大值的包络（上包络线）和局部最小值的包络（下包络线） 平均必须为零。

第一个条件是很明显的，它与传统的平稳高斯信号的窄带要求类似。对于第二个条件，是一个新的概念，它把经典的全局性要求修改为局部性要求，使瞬时频率不再受不对称波形所形成的不必要的波动所影响。实际上，这个条件应为“数据的局部均值是零”。但是对于非平稳数据来说，计算局部均值涉及到“局部时间尺度”的概念，而这是很难定义的。因此，在第二个条件中使用了局部极大值包络和局部极小值包络的平均为零来代替，使信号的波形局部对称。研究表明，在一般情况下，使用这种代替，瞬时频率还是符合所研究系统的物理意义。本征模函数表征了数据的内在的振动模式。由本征模函数的定义可知，由过零点所定义的本征模函数的每一个振动周期，只有一个振动模式，没有其他复杂的奇波；一个本征模函数没有约束为是一个窄带信号，并且可以是频率和幅值的调制，还可以是非稳态的；单由频率或单由幅值调制的信号也可成为本征模函数。

分解过程

由于大多数所有要分析的数据都不是本征模函数，在任意时间点上，数据可能包含多个波动模式，这就是简单的希尔伯特变换不能完全表征一般数据的频率特性的原因。于是需要对原数据进行EMD分解来获得本征模函数。

EMD分解方法是基于以下假设条件：

⑴ 数据至少有两个极值，一个最大值和一个最小值；

⑵ 数据的局部时域特性是由极值点间的时间尺度唯一确定；

⑶ 如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果。这种方法的本质是通过数据的特征时间尺度来获得本征波动模式，然后分解数据。这种分解过程可以形象地称之为“筛选（sifting）”过程。

分解过程为：找出原数据序列 X(t) 所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线；同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线，上包络线和下包络线的均值记作 ml，将原数据序列 X(t) 减去该平均包络 ml，得到一个新的数据序列 h：

X(t)-ml=hl

由原数据减去包络平均后的新数据，若还存在负的局部极大值和正的局部极小值，说明这还不是一个本征模函数，需要继续进行“筛选”。

相关条目

• 希尔伯特转换
• 包络线
• 样条
• 时频分析

参考文献

• Norden E. Huang, et al. "The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis." Proc. R. Soc. Lond. A (1998) 454, 903–995 (Link)

• 陈韦佑, "以希尔伯特-黄转换法为GPS接收机抑制调频干扰", 国立台湾大学电机工程研究所硕士论文, 2007.
• Jian-Jiun Ding, Time frequency analysis and wavelet transform class ppt,the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2017.
• Jian-Jiun Ding,"时频分析与小波转换",available in http://djj.ee.ntu.edu.tw/TFW.htm （页面存档备份，存于互联网档案馆）
• Zhaohua Wu and Norden E. Huang, "Ensemble Empirical Mode Decomposition:A Noise-Assisted Data Analysis Method", Advances in Adaptive Data Analysis 2009, Vol. 1, 1–41
• Ryan Deering and James F. Kaiser, "The Use Of a Masking Signal To Improve Empirical Mode Decomposition",Proc. IEEE Conf. Acoust. Speech and Sig. Processing (ICASSP), 2005,Vol. 4, 485–488.
• G. Rilling, P. Flandrin and P. Gonçalvés, “On Empirical Mode Decomposition and Its Algorithms”, IEEE-EURASIP Work- shop on Nonlinear Signal and Image Processing NSIP-03, Grado, Italy, 8-11 Jun. 2003.
• J. Cheng, D. Yu and Y. Yang, “Research on the Intrinsic Mode Function (IMF) Criterion in EMD Method”, Mechanical Systems and Signal Processing, vol. 20, 2006, pp. 817-824.
• J. Zhao and D. Huang, “Mirror Extending and Circular Spline Function for Empirical Mode Decomposition Method”, Journal of Zhejiang University, Science, vol. 2, no.3, July-Sep. 2001, pp. 247-252.
• Z. Zhao and Y. Wang, “A New Method for Processing End Effect in Empirical Mode Decomposition”, IEEE Inter- national Conference on Circuits and Systems for Communications ICCSC 2007, 2007, pp. 841-845.
• J. Wang, Y. Peng and X. Peng, ”Similarity Searching Based Boundary Effect Processing Method for Empirical Mode Decomposition”, Electronics Letters, vol. 43, no. 1, 4 Jan. 2007, pp. 58-59.