首先有關於IMF的分解結果。
我個人是採用EEMD的結果，再使用EMD做post-processing
這個在黃鍔09年的文獻中有提到。
Wu, Z., and N. E Huang (2009), Ensemble Empirical Mode Decomposition: a noise-assisted data analysis method. Advances in Adaptive Data Analysis. Vol.1, No.1. 1-41.
我認為經由post-processing的IMF分量，本身的正確性應該有一定水準了。
我本人的除噪法比較特別，有興趣的人可以私下問問。
但大體來說是結合"Empirical Mode Decomposition as a filter bank"中的方法
以及小波的threshold。
不過，這也只能針對white noise而已
如果是要對特定頻率的分量做除噪
還是回頭用wavelet或FFT比較快。
我对EMD降噪也做过些尝试
写了点心得在博客
希望得到您的指点
http://blog.sina.com.cn/s/blog_5def5a660100n66p.html 回复 16 # shawnbon 的帖子
那个post-processing步骤是不是对EEMD分解后的各个IMF分量再做一次EMD分解啊？对各个IMF做完EMD保留所有的IMF？ 回复 17 # hahaer 的帖子
基本上…
由於高斯白雜訊在IMF分量中的分佈情形是
在高頻成份的IMF中，擁有的雜訊成份越多
越往低頻成譜的IMF中，擁有的雜訊成份越少
*A. O. Boudraa and J. C. Cexus, "EMD-Based Signal Filtering," Instrumentation and Measurement, IEEE Transactions on, vol. 56, pp. 2196-2202, 2007.
因此，利用這個特性，我們可以捨去一些IMF的分量。
最常見的就是CMSE
求出每個IMF分量中的能量大小
找出最小的IMF，將比它上層的IMF群全部捨棄
當然，捨棄掉的IMF群中，也會有相當程度的信號成份
因此可以再對捨棄的IMF使用小波的threshold濾波
再與原本的IMF群相加後還原信號。
我個人模擬測試的結果是在低SNR的情況下，可以比小波的情況好一些。 本帖最后由 shawnbon 于 2010-11-14 20:28 编辑
回覆 18 # Cena馬 的帖子
沒錯，就是對EEMD得到的IMF份量，再做一次EMD分解。
不過，詳細的過程還是要看黃老的那篇文章。
看這篇~
Wu, Z., and N. E Huang (2009), Ensemble Empirical Mode Decomposition: a noise-assisted data analysis method. Advances in Adaptive Data Analysis. Vol.1, No.1. 1-41.
回复 20 # shawnbon 的帖子
哦，那篇文章的题目可否告知一下？还有就是EEMD分解时间是个问题啊，数据量要是比较大的话，集成100次相当花时间啊！
页:
1
[2]