抑制经验模态分解端点效应的常用方法性能比较研究的综述报告

抑制经验模态分解端点效应的常用方法性能比较研究的综述报告经验模态分解（Empirical mode decomposition, EMD）作为一种非线性时频分析方法，被广泛应用于信号分解和特征提取。在

抑制经验模态分解端点效应的常用方法性能比较研究 的综述报告 Empirical mode decomposition, EMD 经验模态分解（）作为一种非 EMD 线性时频分析方法，被广泛应用于信号分解和特征提取。在使用进 end-point effect 行分解时，端点效应（）是一个常见的问题，即由于信 号边界的突变和趋势影响，会导致分解结果的误差增大。为了解决这一 问题，已经提出了多种方法来抑制端点效应，本文将综述其中的几种常 用方法并进行比较分析。 1. EMD 引入辅助函数扩展 EMDExtended EMD with auxiliary functions, 引入辅助函数扩展（ EEMDEMD ）是一种改进的方法，通过添加白噪声来平衡模态函数的能 EEMD 量分布和减小端点效应。的核心思想是将原始信号与多个不同的白 EMD 噪声序列相加，然后对每个信号进行分解。由于不同的噪声序列具 有不同的频带范围，将它们加到原始信号中可以增加信号能量的均匀 EEMD 度，从而减小端点效应。然而，的缺点是增加了计算量，并且对参 数设置敏感。 2. Envelope EMD EnvelopeEnvelope EMD 信号的上下包络（）是它的一种基本特征。 EEMDEMD （）是基于的方法，通过在分解过程中计算信号上下包络， 然后将包络和信号一起分解，并且在模态函数重构时只采用包络函数， Envelope EMD 来抑制信号的端点效应。可以在不添加噪声的情况下减小 , 端点效应因此具有更低的计算量，并且不受参数的影响。该方法在处理 高噪声的信号时表现较好。 3. EMD 一阶微分 EMDDifferential EMD, DEMD 一阶微分（）是一种基于一阶微分的方 DEMDEMD 法。通过求取信号的一阶微分，然后对微分信号进行分解，