文章目录
一、简介
经验模态分解（Empirical Mode Decomposition，缩写EMD）是由黄锷（N. E. Huang）在美国国家宇航局与其他人于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。
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分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，然后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。
通俗的说，用EMD有什么好处呢？对于一段未知信号，不需要做预先分析与研究，就可以直接开始分解。这个方法会自动按照一些固模式按层次分好，而不需要人为设置和干预。
再通俗一点，EMD就像一台机器，把一堆混在一起的硬币扔进去，他会自动按照1元、5毛、1毛、5分、1分地分成几份。
二、内涵模态分量
内涵模态分量（Intrinsic Mode Functions, IMF）就是原始信号被EMD分解之后得到的各层信号分量。EMD的提出人黄锷认为，任何信号都可以拆分成若干个内涵模态分量之和。
内涵模态分量有两个约束条件：
- 在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个。
- 在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。
用不严谨的语言和灵魂画师来解释一下：
1）图线要反复跨越x轴，像这样：
在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个
而不能像这样某次穿过零点后出现多个极点：
极点数目偏多
2）包络线要对称，像这样：
包络线对称
而不能像这样：
包络线不对称
三、EMD分解分解过程
EMD的分解过程是简单直观的：
1）根据原始信号上下极值点，分别画出上、下包络线。
上、下包络线
2）求上、下包络线的均值，画出均值包络线。
均值包络线
3）原始信号减均值包络线，得到中间信号。
原始信号减均值包络线
4）判断该中间信号是否满足IMF的两个条件，如果满足，该信号就是一个IMF分量；如果不是，以该信号为基础，重新做1）~4）的分析。IMF分量的获取通常需要若干次的迭代。
不满足约束2，需要继续迭代
使用上述方法得到第一个IMF后，用原始信号减IMF1，作为新的原始信号，再通过1）~4）的分析，可以得到IMF2，以此类推，完成EMD分解。
迭代分解结果
上述例子中的图来自http://perso.ens-lyon.fr/patrick.flandrin/emd.ppt
这个ppt中用了几十页的图片完整地展示了EMD分解的过程，看一下该文档相信你会对该过程有一个更清楚的了解。