เปรียบเทียบวิธี

	การสลายตัวเชิงประจักษ์ (Empirical Mode Decomposition: EMD)	การแปลงเวฟเลตเชิงประจักษ์
สาขาวิชา	การประมวลผลสัญญาณ	อนุกรมเวลา
ตระกูล	Machine learning	Process / pipeline
ปีกำเนิด	1998	2013
ผู้ริเริ่ม	Norden Huang et al.	Jérémie Gilles
ประเภท	Adaptive data-driven decomposition algorithm	Non-stationary signal decomposition
แหล่งต้นตำรับ	Huang, N. E., et al. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society A, 454(1971), 903–995.	Gilles, J. (2013). Empirical wavelet transform. IEEE Transactions on Signal Processing, 61(16), 3999–4010.
ชื่อเรียกอื่น	EMD, Intrinsic Mode Decomposition, Adaptive Signal Decomposition, Ampirik Mod Ayrıştırma	EWT, Empirical wavelets
ที่เกี่ยวข้อง	3	3
สรุป	Empirical Mode Decomposition (EMD) is a fully data-driven, adaptive method for decomposing nonlinear and non-stationary time series into a finite set of oscillatory components called Intrinsic Mode Functions (IMFs), plus a monotonic residue. Introduced by Norden E. Huang and colleagues at NASA in 1998, EMD requires no predefined basis functions and derives all components directly from the signal itself, making it fundamentally different from Fourier or wavelet transforms.	The empirical wavelet transform (EWT) is a data-driven wavelet decomposition method that automatically defines wavelet bases adapted to the frequency content of the signal. Introduced by Jérémie Gilles (2013), it overcomes a key limitation of classical wavelets—which use fixed, predefined bases—by constructing custom wavelets from the signal's own spectrum. This adaptive approach is particularly effective for analyzing non-stationary signals with complex, multi-component structures.