เปรียบเทียบวิธี

	การแปลงเวฟเลตเชิงประจักษ์	การสลายตัวเชิงประจักษ์ (Empirical Mode Decomposition: EMD)
สาขาวิชา	อนุกรมเวลา	การประมวลผลสัญญาณ
ตระกูล	Process / pipeline	Machine learning
ปีกำเนิด	2013	1998
ผู้ริเริ่ม	Jérémie Gilles	Norden Huang et al.
ประเภท	Non-stationary signal decomposition	Adaptive data-driven decomposition algorithm
แหล่งต้นตำรับ	Gilles, J. (2013). Empirical wavelet transform. IEEE Transactions on Signal Processing, 61(16), 3999–4010.	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.
ชื่อเรียกอื่น	EWT, Empirical wavelets	EMD, Intrinsic Mode Decomposition, Adaptive Signal Decomposition, Ampirik Mod Ayrıştırma
ที่เกี่ยวข้อง	3	3
สรุป	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.	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.