about EMD ........
BAIDU快照里找到了这么一篇文章,备用吧1. c1 c2 ... cn 的确是严格按照频率从高到低产生的，不过这里有一个误区，其意思并不是说c1的频率一定比c2的高，正确的理解是c1中的某个局部的频率比c2中相同局部的频率要高，这也正好反映了EMD算法局部性强的本质所在，也跟黄的说法“相邻的分量可能包含相同时间尺度的振荡，但是相同时间尺度的振荡绝对不会出现在两个不同的IMF分量的同一个位置”一致。至于分解过程造成的误差(主要是包络方式的选取、边界效应的处理和滤波停止条件的设计)，会不断累积到下一层分解中，并不一定是最后一个余量(趋势项)。
2.
a) 黄的源程序其实我们都没有得到(这个不是免费的，因为黄已经在NASA中申请了专利)，一般大多数人使用的都是Flandrin提供的源代码，也就是LS提到的G.Rilling的方法(之所以有两种不同说法是因为网站提供的源代码是Flandrin的，但是emd.m提到的文章是G.Rilling作为第一作者的，也许外国人不像我们那样通过次序来区分贡献，呵呵)。程序基本上可靠，可以用来分析各种数据，但是效果如何，就要看是否满足你的需要了。至于适合什么样的数据，现在还没有定论，其一，EMD算法还没有建立一个合适的数学模型，也就缺乏严格的数学基础，很多诸如收敛性、唯一性、正交性等数学问题根本无法进行，甚至连“什么信号能进行EMD分析”目前也无法解释。其二，算法本身是操作性的，到目前为止也是经验的(正如算法的名称一样)，在没有找到其理论支撑之前，无从考究。其三，一种算法，不可能对任何信号都有效，所以不要指望EMD可以处理任何信号。
b) 从IMF的定义看的确要求IMF是对称的，但是这不意味着要求信号本身具有这样的特性，也并不要求信号是正弦、余弦等的合成，我想，之所以EMD能引起那么多人关注，除了所谓的“传销”得当以外，更重要的是它在实际中的表现，如果只能处理规则的信号，那么它的影响(包括好的和也许坏的)远不可能如此成功。
c) EMD从高到低产生各IMF的特性就意味着它可以用来去噪，而并非在使用EMD之前用其他方法进行噪声处理。举个例子吧，我这段时间做的脑功能激活区检测，本质上就是去除信号的噪声，把原始的刺激恢复出来的这么一个过程。实现结果是很不错的，无论对于加性的服从规则分布(例如高斯分布、均匀分布等)的随机信号，还是对于乘性的服从规则分布(我只测试了poisson分布)的随机信号。当然了，后者的结果当然比不上前者，不过足以超过用于检测的传统方法。个人认为EMD之所以在实际中那么有效，是因为它能处理非平稳、非线性的时间序列。
3. 目前对EMD方法的改进分为两个方面，一个是实验层面的，另一个是理论层面的，相对来说，后者少之又少。
a) 前者主要包括是两个部分。实际上，这是大家在利用EMD进行信号分解时采取的一些主观规则。其一是根据对零均值条件的主观理解，使用了不同的方法作为IMF滤波停止条件;其二是利用三次样条计算信号的上、下包络时，根据信号两端的走势，使用了特定的端点延拓方法。当使用EMD进行非平稳和非线性信号分解时，在上述两点上使用不同的规则将导致不同的EMD分解结果。2003年G. Rilling等人对Huang的EMD算法进行的改进就属于第一种，个人认为该条件比Huang原来的条件合理。而国内学者诸如2001年邓拥军等提出的神经网络方法、2003年黄大吉等提出的镜像闭合法和极值点延拓法以及2004年刘慧婷等提出的多项式拟合算法等，是属于第二种。至于这两年的研究成果，我还没有整理，呵呵。
b) 后者主要是2004年谌球辉等人提出利用“滑动平均”的方法代替传统的“包络平均”的方法来求出信号的低频。他们试图借助B样条函数已有的良好性质来为建立EMD的数学基础作进一步推进。另外，2006年初黄对EMD算法得到的IMF提出了一个后处理算法(本质上是对IMF进行规范化)，其目的是为了更加准确的得到瞬时频率和振幅(个人认为这才是真正的包络和瞬时频率，来京之前我试图从局部意义上来证明这个算法的收敛性，但只得到阶段性结果，最近听说我的一个师弟已经从全局意义上基本上证明出来了，待我回去以后再看看具体成果吧，呵呵)，算法的思想是把两者尽量分开，把调幅的影响从调频中脱离出来。该处理方法完全抛弃了Hilbert变换，使得瞬时频率和瞬时振幅更加准确、更有意义
总的来说，EMD乃至HHT虽然有很多缺点，但是也并非一无所用，在理论上的证明和进一步完善需要更多的关注，而在实验中的用处就看你的需要和如何发挥它的潜力了。
转自：http://blog.sina.com.cn/s/blog_475651ad01000cio.html
页:
[1]