CEEMDAN
Complete Ensemble Empirical Mode Decomposition with Adaptive Noise · Ayrıca şöyle bilinir: CEEMDAN, Ensemble EMD with noise
CEEMDAN (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise), ampirik mod ayrıştırmanın (EMD) iyileştirilmiş bir varyantıdır ve uyarlanabilir gürültü ile topluluk ortalaması alarak mod karışımı artefaktlarını ele alır. Torres ve arkadaşları (2011) tarafından tanıtılan CEEMDAN, farklı ölçeklerdeki salınımları temsil eden içsel mod fonksiyonlarına (IMF'ler) sinyalleri ayrıştırır. Yöntem, birden çok tekrara kontrollü gürültü ekler ve sonuçları ortalayarak standart EMD'den daha kararlı, fiziksel olarak anlamlı bileşenler üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Durağan olmayan sinyallerin sağlam bir ayrıştırmasına ihtiyaç duyduğunuzda ve mod karışımı artefaktlarından kaçınmak istediğinizde CEEMDAN uygulayın. Özellikle makine arıza teşhisi, biyomedikal sinyal analizi, finansal zaman serileri ve içsel salınımların net bir şekilde ayrılması gereken herhangi bir alanda kullanışlıdır. CEEMDAN, karmaşık, çok bileşenli sinyallerle uğraşırken standart EMD'den üstündür.
Güçlü yönler & sınırlılıklar
- Standart EMD'ye kıyasla mod karışımını önemli ölçüde azaltır, daha kararlı ve yorumlanabilir IMF'ler üretir
- Topluluk ortalaması, gürültüye ve geçici bozulmalara karşı sağlamlığı artırır
- Bileşenlerin fiziksel anlamını korur, onları özellik çıkarma için uygun hale getirir
- Frekans bantlarının veya temel fonksiyonların önceden belirtilmesine gerek kalmadan çalışır
- Hesaplama açısından pahalıdır — EMD'yi yüzlerce kez çalıştırmayı gerektirir, bu da onu dalgacık tabanlı yöntemlerden daha yavaş hale getirir
- Gürültü seviyesinin ve topluluk boyutunun ayarlanmasını gerektirir; uygun olmayan seçimler ayrıştırma kalitesini düşürür
- Tüm EMD varyantları gibi, ekstremumların (yerel maksimumlar ve minimumlar) tanımı sinyal sınırlarında belirsiz olabilir
- IMF'lerde kalan gürültünün varlığı yorumlamayı karmaşıklaştırabilir
SSS
CEEMDAN ve EEMD arasındaki fark nedir?
EEMD, orijinal sinyale gürültü ekler ve IMF'leri ortalar. CEEMDAN, her ayrıştırma aşamasında gürültü ekler ve mod bazında kalanları ortalar. CEEMDAN'daki bu adaptif yaklaşım, EEMD'den daha iyi mod ayrımı ve daha az mod karışımı üretir.
CEEMDAN için gürültü seviyesini nasıl seçerim?
Gürültü seviyesi tipik olarak sinyalin standart sapmasının bir kesri (0.1 ila 0.5) olarak ifade edilir. 0.2 ile başlayın ve ampirik olarak ayarlayın: daha yüksek gürültü seviyeleri mod karışımını azaltır ancak bileşenleri bulanıklaştırabilir; daha düşük seviyeler mod karışımı riski taşır ancak sınırları keskinleştirir.
Kaç topluluk üyesine ihtiyacım var?
Makul bir kararlılık için en az 100; araştırmalarda 200–500 yaygındır. Daha fazla üye hesaplama maliyetini artırır ancak tutarlılığı iyileştirir. Seçiminizi gerekçelendirmek için çapraz doğrulama veya kararlılık analizi kullanın.
CEEMDAN eğilimlere sahip durağan olmayan sinyalleri işleyebilir mi?
Evet, CEEMDAN eğilimi son kalan olarak çıkarır. Ancak, güçlü bir polinom eğilim baskınsa, IMF çıkarma kalitesini iyileştirmek için sinyali önce detrending yapmak (örneğin, türev alma veya detrending spline'ları kullanarak) faydalı olabilir.
CEEMDAN IMF'leri her zaman tersine çevrilebilir mi?
Evet, tasarıma göre. Tüm IMF'lerin toplamı artı son kalan, orijinal sinyali tam olarak yeniden yapılandırır. Bu tersine çevrilebilirlik, filtrelenmiş sinyalleri yeniden yapılandırmak veya sentez uygulamaları için değerlidir.
Kaynaklar
- Torres, M. E., Colominas, M. A., Schlotthauer, G., & Flandrin, P. (2011). A complete ensemble empirical mode decomposition with adaptive noise. In 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4144–4147). DOI: 10.1109/ICASSP.2011.5947265 ↗
- Colominas, M. A., Schlotthauer, G., & Torres, M. E. (2014). Improved complete ensemble empirical mode decomposition with adaptive noise. IEEE Transactions on Signal Processing, 63(6), 1408–1413. link ↗
- 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 of London A, 454(1971), 903–995. DOI: 10.1098/rspa.1998.0193 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Complete Ensemble Empirical Mode Decomposition with Adaptive Noise. ScholarGate. https://scholargate.app/tr/time-series/ceemdan
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ampirik Mod Ayrıştırması (EMD)Sinyal işleme↔ karşılaştır
- Ampirik Dalgacık DönüşümüZaman serileri↔ karşılaştır
- Variational Mode Decomposition (VMD)Sinyal işleme↔ karşılaştır