1 基本概念
1.1 定义与提出背景
经验模态分解是一种面向非线性、非平稳信号的自适应分解方法。它由信号本身的局部特征驱动，不需要预先设定固定的基函数或模板，因此在处理复杂波形时具有较强的灵活性。该方法最初用于从实际观测数据中提取具有不同时间尺度的成分，以便进一步分析信号的瞬时变化规律。
1.2 适用对象
经验模态分解主要适用于传统线性时不变分析方法难以直接刻画的信号，尤其是时变明显、局部结构丰富、频率成分随时间变化较快的数据。
1.2.1 非线性信号
对于存在幅值调制、频率调制或多种动态机制耦合的非线性信号，经验模态分解能够通过局部极值和包络线自适应地提取不同层次的振荡成分。
1.2.2 非平稳信号
对于统计特性随时间变化的非平稳信号，该方法可以较好地保留局部时变信息，避免将全局固定频率假设强加于数据之上。
1.3 与传统分解方法的区别
经验模态分解与传统谱分析方法的核心差异在于，其分解过程并非由预设数学基底控制，而是由数据局部形态决定。
1.3.1 与傅里叶分析的比较
傅里叶分析以正弦和余弦函数为基底，更适合平稳或近似平稳信号；经验模态分解则强调局部时变特征，能够把复杂信号拆分为若干时间尺度不同的模态分量，更便于观察瞬时变化。
1.3.2 与小波分析的比较
小波分析同样具有多尺度特征，但其分析结果受母小波选择影响较大。经验模态分解通常不依赖固定母函数，而是通过数据自适应生成模态，因而在处理未知形态信号时往往更具针对性。
2 数学与方法基础
2.1 本征模态函数（IMF）的定义
本征模态函数是经验模态分解的基本输出单元，通常指满足一定局部振荡条件的分量。
2.1.1 局部极值条件
一个分量若在整个区间内具有清晰的局部极大值与局部极小值结构，且其上下包络可较好描述，则可作为候选IMF。
2.1.2 零交叉与极值点数量关系
IMF通常要求零交叉点数与极值点数相差不超过1。该条件用于保证分量具有较规则的局部振荡特征，避免将趋势项误判为模态。
2.2 包络线与局部均值
包络线和局部均值是筛分过程中的关键中间量，用于刻画信号在局部范围内的上、下边界及其中心走势。
2.2.1 上包络线
上包络线由各局部极大值点插值得到，反映信号在上方的局部边界。
2.2.2 下包络线
下包络线由各局部极小值点插值得到，表示信号在下方的局部边界。
2.2.3 局部均值的构造
局部均值通常定义为上包络线与下包络线的平均值。它表征信号在当前尺度下的局部趋势，筛分时通过不断消除该均值来逼近IMF。
2.3 停止准则
筛分过程需要合适的停止条件，以避免过度分解或不足分解。
2.3.1 标准差准则
标准差准则通过比较相邻两次筛分结果的变化幅度来判断是否停止。当变化足够小，说明当前分量已接近IMF。
2.3.2 S-number准则
S-number准则要求连续若干次迭代中，零交叉点数和极值点数的关系保持稳定，满足一定次数后停止筛分。
2.3.3 能量或阈值准则
部分实现会以能量变化、幅值阈值或相对误差作为停止条件，以提高算法在不同数据上的适应性。
3 分解流程
3.1 极值点搜索
首先在原始信号中寻找局部极大值与局部极小值，这是构造包络线的基础步骤。极值点分布直接影响后续分解的稳定性。
3.2 样条插值构建包络
对极值点进行样条插值，可分别得到上包络线和下包络线。样条插值常用于保证包络的平滑性，从而便于计算局部均值。
3.3 筛分（sifting）过程
筛分是经验模态分解的核心步骤，其目标是从原始信号中逐步分离出满足IMF条件的成分。
3.3.1 首次筛分
在第一次筛分中，原始信号减去局部均值后得到一个初步振荡分量。该结果通常仍可能包含幅值偏斜或局部不对称，需要继续迭代。
3.3.2 多次迭代筛分
对前一次结果重复构造包络、求均值并相减，直到满足停止准则。多次迭代可逐步消除低频趋势和局部偏置。
3.3.3 IMF判定
当筛分后的分量同时满足零交叉与极值点数量关系，并且上下包络均值接近于零时，可判定其为一个IMF。
3.4 残余项提取
将原信号减去已提取的IMF后得到残余项。残余项通常表示信号的趋势、背景变化或更低频的缓慢成分。
3.5 完整分解结果表示
最终结果一般可表示为原始信号等于若干IMF之和再加上残余项。各模态对应不同时间尺度，便于后续单独分析。
4 关键性质
4.1 自适应性
经验模态分解无需事先给定固定基底，分解尺度由数据本身决定，因此适合结构复杂、先验信息不足的场景。
4.2 局部性
该方法强调局部极值、局部均值和局部振荡特征，对短时突变和瞬态事件较为敏感。
4.3 多尺度分解特征
分解结果通常从高频细节到低频趋势逐层展开，形成多尺度序列，便于观察不同时间尺度下的信号演化。
4.4 正交性与能量分配
理想情况下，各IMF之间应尽量减少相关性，以降低能量交叉与信息重叠。但在实际应用中，正交性并非严格保证，能量分配也可能受模态混叠影响。
4.5 瞬时频率分析基础
经验模态分解常与希尔伯特变换配合使用，以构造瞬时频率与瞬时幅值分析框架，从而刻画时变振荡过程。
5 常见问题与局限
5.1 模态混叠
模态混叠是经验模态分解中最常见的问题之一，指不同尺度成分被分配到同一模态，或同一尺度成分被拆散到多个模态中。
5.1.1 原因分析
模态混叠往往与信号局部结构复杂、采样不均匀、噪声干扰以及极值点分布不稳定有关。筛分过程对局部形态较敏感，因此容易受到这些因素影响。
5.1.2 典型表现
常见表现包括相邻IMF频率范围重叠、某一模态同时含有快慢两种振荡，以及不同试验条件下分解结果不一致。
5.2 端点效应
端点效应是指在信号两端构造包络时，由于缺少足够的边界信息而导致插值偏差。
5.2.1 边界外推问题
极值点不足时，包络线需要依赖外推或延拓方式处理。若处理不当，末端局部趋势可能被错误放大或削弱。
5.2.2 包络失真问题
端点附近的包络线形状容易偏离真实走势，进而影响局部均值计算，使得首尾部分的IMF质量下降。
5.3 噪声敏感性
经验模态分解对噪声较敏感。微小扰动可能改变极值点位置和数量，导致筛分路径变化，从而影响最终模态划分。
5.4 理论完备性不足
该方法虽然经验效果较好，但严格的数学基础尚不如经典线性分析方法完备，因此在理论证明、稳定性分析和唯一性论证方面仍存在一定局限。
5.5 分解结果不唯一
同一信号在不同插值方式、停止条件或参数设置下，可能得到不同的分解结果。这意味着经验模态分解在一定程度上具有实现依赖性。
6 改进方法
6.1 集合经验模态分解（EEMD）
集合经验模态分解通过引入噪声集合平均来缓解模态混叠，是经验模态分解的重要改进方案之一。
6.1.1 噪声辅助思想
在原始信号中加入多组白噪声后分别分解，可利用噪声在多次试验中的统计抵消特性，增强模态划分的稳定性。
6.1.2 集成平均策略
对多次分解得到的对应模态进行平均，能够减弱随机噪声的影响，同时保留原始信号的主要结构。
6.2 完全集合经验模态分解（CEEMDAN）
完全集合经验模态分解进一步改进了集合方法，使各模态提取过程更连贯，残差处理也更有序。
6.2.1 分解一致性改进
该方法在逐层分解时保持更高的一致性，减少不同层之间的偏移，使模态序列更稳定。
6.2.2 残差处理机制
CEEMDAN对残差的更新方式更为精细，可降低前一层误差向后续层传播的风险，从而提升重构质量。
6.3 其他变体方法
围绕经验模态分解，还发展出多种面向不同数据结构的变体方法。
6.3.1 多元经验模态分解
多元经验模态分解用于处理多个相关通道的同步分解问题，适合多变量观测数据。
6.3.2 自适应噪声相关分解
这类方法借助噪声相关机制增强模态分离能力，以减轻传统方法中的尺度交叉现象。
6.3.3 局部均值分解相关方法
局部均值分解与经验模态分解在思想上相近，都强调通过局部均值和包络结构逐步提取分量，但具体定义和实现路径有所不同。
7 数学分析与评价指标
7.1 能量熵指标
能量熵用于衡量分解后能量在各模态上的分布均匀性。若能量集中于少数模态，熵值通常较低；若分布较分散，则熵值较高。
7.2 相关系数指标
相关系数可用于衡量IMF与原信号、残差或不同模态之间的线性关联程度，是评价分解效果的常用辅助指标。
7.3 重构误差
重构误差反映分解结果重新合成原信号时的偏差。误差越小，说明分解与重构的一致性越好。
7.4 模态混叠评价
模态混叠评价通常关注相邻IMF之间的频带重叠、相关性增强或同一尺度成分分散情况，用于检验分解是否清晰。
7.5 平稳性与稀疏性评价
平稳性评价用于考察各模态是否更接近窄带特征；稀疏性评价则关注有效信息是否集中在较少的分量中。二者常用于综合判断分解质量。
8 应用领域
8.1 机械故障诊断
经验模态分解常用于提取机械振动信号中的冲击、周期性调制和早期故障特征，辅助识别设备异常。
8.1.1 轴承信号分析
在轴承状态监测中，该方法可分离出由局部损伤引起的高频冲击分量，有助于捕捉早期故障迹象。
8.1.2 齿轮箱状态监测
对于齿轮箱振动信号，经验模态分解可帮助识别啮合频率附近的调制成分，以及由磨损、偏心或啮合不良引起的局部异常。
8.2 生物医学信号处理
生物医学信号通常具有噪声多、非平稳性强、瞬态变化明显等特点，适合采用经验模态分解进行预处理和特征提取。
8.2.1 脑电信号分析
在脑电分析中，该方法可用于分离不同节律成分，并辅助识别短时事件相关变化。
8.2.2 心电与心音分析
心电和心音信号中常包含周期性主导结构与局部异常波形，经验模态分解可用于去噪、特征增强及异常片段检测。
8.3 地球物理与气象数据分析
在地球物理和气象场景中，该方法可用于分解具有多时间尺度波动的数据，例如周期变化、季节变化和局地扰动。
8.4 通信与雷达信号处理
在通信与雷达应用中，经验模态分解可用于瞬态干扰抑制、回波特征提取以及非平稳调制信号分析。
8.5 金融时间序列分析
金融数据往往包含趋势、周期波动与短期扰动。经验模态分解可将其拆分为多个尺度层次，辅助观察价格或波动率的局部变化。
9 相关扩展与组合方法
9.1 希尔伯特-黄变换（HHT）
希尔伯特-黄变换通常由经验模态分解与希尔伯特变换组合而成，用于构建更精细的时频分析框架。
9.1.1 边际谱
边际谱用于统计各瞬时频率成分在整个时间区间上的累积分布，便于观察主要能量对应的频率范围。
9.1.2 时频谱分析
时频谱能够展示信号能量在时间与频率双维空间中的变化情况，适合分析非平稳过程中的局部频率漂移。
9.2 与机器学习结合
经验模态分解常作为机器学习流程中的前置特征工程工具。
9.2.1 特征提取
各IMF的幅值、能量、频率统计量和熵指标可作为输入特征，用于刻画原始信号的结构信息。
9.2.2 分类与预测
分解后的特征可用于状态分类、故障识别和时间序列预测，提升模型对非平稳数据的适应能力。
9.3 与深度学习结合
在深度学习场景中，经验模态分解可作为数据预处理或多尺度构造手段。
9.3.1 预处理模块
分解结果可用于降噪、去趋势或增强局部模式，使网络更容易捕捉关键变化。
9.3.2 多尺度输入构建
将不同IMF分别输入模型，或将其重组为多通道输入，有助于提供更丰富的尺度信息。
10 软件实现与工具
10.1 常用算法实现思路
常见实现通常包括极值搜索、包络插值、局部均值计算、筛分迭代与残差更新等步骤。工程实现中需注意边界处理、插值稳定性和停止条件的一致性。
10.2 MATLAB实现
MATLAB因其插值与信号处理函数较为完善，常被用于经验模态分解的原型开发与算法验证。许多实现会调用样条插值、绘图和统计分析工具完成完整流程。
10.3 Python实现
Python中可借助科学计算库和信号处理库实现经验模态分解，便于与数据分析、机器学习流程衔接。其优势在于生态丰富，适合批量处理和自动化实验。
10.4 参数设置与调试
经验模态分解的效果对参数较为敏感，实际使用中通常需要结合数据特征反复调整。
10.4.1 筛分次数选择
筛分次数过少可能导致IMF不够纯净，过多则可能使局部结构被过度剥离，因此需在分解精度与稳定性之间权衡。
10.4.2 插值方法选择
样条插值较常见，但在极值稀疏或边界复杂时，也可考虑其他插值方式，以减轻包络失真。
10.4.3 停止条件设置
停止条件直接影响分解深度与结果一致性。实际应用中通常结合数据噪声水平、目标任务和计算成本进行设置。