Machine learningTime-frequency analysis
经验模态分解 (EMD)
经验模态分解 (EMD) 是一种完全由数据驱动的自适应方法，用于将非线性非平稳时间序列分解为有限数量的振荡分量（称为固有模态函数，IMFs）以及一个单调残差。EMD 由 Norden E. Huang 及其同事于 1998 年在 NASA 提出，无需预定义的基函数，所有分量均直接从信号本身导出，这使其与傅里叶变换或小波变换存在根本性区别。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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. DOI: 10.1098/rspa.1998.0193 ↗
如何引用本页
ScholarGate. (2026, June 2). Empirical Mode Decomposition (EMD). ScholarGate. https://scholargate.app/zh/signal-processing/empirical-mode-decomposition
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
并排比较 →