EEMD是针对EMD方法的不足，提出了一种噪声辅助数据分析方法。EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。当然，每个独立的测试都可能会产生非常嘈杂的结果，这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的，当使用足够测试的全体均值时，噪声将会被消除。全体的均值最后将会被认为是真正的结果，随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身。

通过电动机与滚动轴承之间建立的函数关系将振动信号转变成谐波分量,进而对谐波分量分析。对这种非平稳信号首先进行经验模态分析(EMD),然后通过改进LMS算法自适应滤波器分离噪音,最后再运用希尔伯特变换得到故障轴承频谱图。通过仿真实验证明该方法可以消除大部分的噪音和低频干扰,且易于实现,最终获得符合故障诊断要求的振动信号。

完整的经验模态分解算法，emd，非常全，速度保存 ，希尔伯特黄变换

matlab经验模态分解举例，EMD经验模态分析是目前比较常用的数据分析方法，不同于之前的傅立叶分析和小波分析，它直接从数据中分析特征。

该文用于时间序列的经验模态分解仿真，将时间序列分解为若干个子序列，分别仿真，再将结果结合，可供参考

在研究脑电信号特性的基础上，提出了一种基于CEEMD-PE对脑电信号进行降噪的方法。完全集合经验模态分解（CEEMD）能够克服模态混叠的问题，因此，对脑电信号进行CEEMD分解，得到一组固有模态函数（IMF）分量，计算各个IMF分量的排列熵（PE）值，依据PE的值剔除基本为噪声的IMF分量，将降噪后的分量与保留的分量进行重构，得到降噪后的脑电信号。实验结果表明，用CEEMD-PE对脑电信号进行降噪，在抑制噪声的同时，还有效地保留了脑电信号的细节特性，去噪性能更好。

经验模态分解 MATLAB 程序

经验模态分解（EMD）---Matlab工具箱安装-附件资源

使用正弦函数叠加多个信号，得到一个数据系列，然后用emd程序对这个序列进行模态分解，实时正明，可以分解出原始信号的各个模态

已经尝试过能适用所有数据，能够运行 经验模态分解（Empirical Mode Decomposition,EMD）法是黄锷（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。