EMD、EEMD、FEEMD、CEEMDAN分解的对比(其中CEEMDAN分解可以有效消除模态分解)

理论部分

EMD (Empirical Mode Decomposition)、EEMD (Ensemble EMD)、FEEMD (Fast Ensemble EMD) 和 CEEMDAN (Complete Ensemble EMD with Adaptive Noise) 是一些常用的信号分解方法,它们在信号分解的效果和特性上有所区别。

  1. EMD:
  • EMD是最基础的信号分解方法,它通过将信号分解为一系列本征模态函数 (IMF) 来表示信号的本地频率。

  • EMD对信号的振幅和频率变化适应性很强,但对噪声和模态混叠问题的处理能力较弱,容易受到信号噪声的影响。

  1. EEMD:
  • EEMD在EMD的基础上引入随机扰动,通过多次对原始信号添加不同的噪声进行分解,从而改善了EMD的噪声抑制能力和分解稳定性。

  • EEMD能够有效降低噪声对分解结果的干扰,但仍可能存在模态混叠的问题。

  1. FEEMD:
  • FEEMD是对EEMD的改进,主要通过优化算法加速了分解过程和参数选择。FEEMD能够更快地分解信号,并且对噪声抑制效果更好,从而实现更准确的模态分解。

  • FEEMD在处理大数据量时具有一定的优势,但仍然可能面临模态混叠的挑战。

  1. CEEMDAN:
  • CEEMDAN是进一步改进的方法,通过将自适应噪声算法应用于EEMD来消除模态分解中的模态混叠问题。

  • CEEMDAN通过自适应地调整噪声水平,可以更好地抑制噪声对信号分解的影响,并提高分解的准确性和稳定性。

  • CEEMDAN在去噪和模态分解的任务中表现出较好的性能,能够有效消除模态混叠问题。

总的来说,CEEMDAN在处理信号分解时相对于传统的EMD、EEMD和FEEMD具有更好的去噪和模态分解效果。它通过自适应调整噪声水平,能够有效地消除模态混叠问题,提供更准确和稳定的分解结果。然而,对于不同的信号和应用场景,选择合适的分解方法还需要根据具体情况进行评估和比较。

代码效果图

获取代码请关注MATLAB科研小白的个人公众号(即文章下方二维码),并回复信号分解的对比

本公众号致力于解决找代码难,写代码怵。各位有什么急需的代码,欢迎后台留言~不定时更新科研技巧类推文,可以一起探讨科研,写作,文献,代码等诸多学术问题,我们一起进步。

相关推荐
浊酒南街1 分钟前
吴恩达深度学习笔记:卷积神经网络(Foundations of Convolutional Neural Networks)4.9-4.10
人工智能·深度学习·神经网络·cnn
Tony聊跨境17 分钟前
独立站SEO类型及优化:来检查这些方面你有没有落下
网络·人工智能·tcp/ip·ip
懒惰才能让科技进步23 分钟前
从零学习大模型(十二)-----基于梯度的重要性剪枝(Gradient-based Pruning)
人工智能·深度学习·学习·算法·chatgpt·transformer·剪枝
Qspace丨轻空间33 分钟前
气膜场馆:推动体育文化旅游创新发展的关键力量—轻空间
大数据·人工智能·安全·生活·娱乐
没有不重的名么34 分钟前
门控循环单元GRU
人工智能·深度学习·gru
love_and_hope38 分钟前
Pytorch学习--神经网络--搭建小实战(手撕CIFAR 10 model structure)和 Sequential 的使用
人工智能·pytorch·python·深度学习·学习
2403_875736871 小时前
道品科技智慧农业中的自动气象检测站
网络·人工智能·智慧城市
学术头条1 小时前
AI 的「phone use」竟是这样练成的,清华、智谱团队发布 AutoGLM 技术报告
人工智能·科技·深度学习·语言模型
准橙考典1 小时前
怎么能更好的通过驾考呢?
人工智能·笔记·自动驾驶·汽车·学习方法
ai_xiaogui1 小时前
AIStarter教程:快速学会卸载AI项目【AI项目管理平台】
人工智能·ai作画·语音识别·ai写作·ai软件