简介eemd_EEMD 是一份基于 MATLAB 的集成经验模态分解EEMD算法实现面向信号处理、机械故障诊断、生物医学与金融时序分析等需要处理非线性非平稳信号的工程和科研场景。压缩包为 RAR 格式仅含 2 个 m 文件eemd.m 与 extrema.m大小约 2KB其中 eemd.m 实现添加白噪声、多次 EMD 分解与集合平均的核心逻辑extrema.m 则用于定位信号局部极值以构造包络线是执行 EEMD 的基础辅助函数。已有 233 人学习浏览适合具备 MATLAB 基础并对固有模态分解原理有所了解的读者直接调用或二次开发。通过该代码可快速将一维信号分解为具有明确物理意义的 IMF 分量有效抑制 EMD 的模态混叠现象为后续时频分析、特征提取和故障诊断提供清晰的数据基础。1. EEMD 要解决的问题模式混叠与噪声辅助思路拿到一段振动信号用 EMD 分解后同一个振动频率被劈到两三个 IMF 里相邻模态的边缘像锯齿一样互相咬合。这不是代码写错了而是 EMD 在遇到间歇性高频成分时天然会出现模式混叠。EEMDEnsemble Empirical Mode Decomposition集成经验模态分解正是为这种场景出现的向原始序列多次加入白噪声分别做 EMD再对同阶 IMF 做集总平均把间歇扰动从连续模态里“逼”出来。如果你处理过脑电、风速、轴承振动或金融波动序列并且发现 EMD 的模态不稳定、对端点敏感下面会把 EEMD 的原理、参数、实现和验证一次讲透。许多代码仓库会把核心函数命名为eemd_EEMD封装方式各有不同但算法内核都是同一件事集成经验模态分解。2. EEMD 的原理加噪分解再集总平均为什么有效2.1 EMD 的模式混叠从哪来EMD 把一个信号筛成本征模态函数IMF每个 IMF 都要求极值点数量和过零点数量最多差 1且上下包络均值为 0。筛分依赖极大值、极小值包络当信号不是平稳单分量时极值点分布会被局部尺度破坏。比如一个低频正弦波叠加了一段短脉冲脉冲覆盖的区间里极值密集包络会在这段被抬高相邻的连续振荡被错误地拆到两个不同尺度中。IMF 之间出现频率重叠和锯齿形交叉就是用户看到的模式混叠。2.2 EEMD 的三步循环加噪声、分解、平均EEMD 的做法可以归结为三个步骤给原始信号加上几组高斯白噪声对每个加噪信号分别做 EMD把全部结果中序号相同的 IMF 逐个平均最后残差也做同样平均。因为白噪声在不同次实验中是不相关的平均后噪声趋向于抵消真实信号保留下来。可以用下面的 Python 循环来描述这个过程注意这不是成品代码而是展示算法骨架import numpy as np def simple_eemd(signal, trials100, noise_width0.1): rng np.random.default_rng(42) all_imfs [] for _ in range(trials): noise rng.normal(0, noise_width * np.std(signal), len(signal)) imfs, residue emd(signal noise) # emd 为单次 EMD 分解 all_imfs.append(np.vstack([imfs, residue])) # 取所有 trial 同阶分量的均值按最小阶数截断 min_len min(arr.shape[0] for arr in all_imfs) return np.mean(np.stack([arr[:min_len] for arr in all_imfs]), axis0)这段代码里emd是一个抽象接口实际项目会用 PyEMD 的EMD类代替。注意三个地方噪声幅值用noise_width * np.std(signal)控制而不是直接写绝对值每次 trial 独立产生噪声而不是复用同一组所有 trial 分解出的 IMF 数量可能不同所以取最小阶数对齐再做均值。维度EMDEEMD输入单一信号信号 多组白噪声确定性相同输入结果确定需要固定随机种子否则结果有波动模式混叠间歇性干扰下易混叠加入噪声后尺度被填满混叠显著减少完备性严格完备经过平均后接近完备但保留微小噪声残留计算量单次分解至少 50~200 次 EMD开销成倍增加2.3 平均操作的数学直觉把第 i 次实验写为s n_iEMD 分解出的某阶成分为c_i c_true e_i其中e_i包含噪声引起的扰动。对M次实验取平均真实分量c_true不变而扰动项的标准差按照1/M的平方根衰减。这就是为什么 trial 次数越多结果越稳定但副作用是高频模态中仍然会留下微小的噪声尾这个尾无法通过无限平均彻底消除因为 EMD 本身不是线性算子。2.4 完备性和正交性的边界EEMD 保留了 EMD 的完备性因为每次 EMD 都满足signal sum(imfs) residue平均后等号仍然成立只是右侧多了一个由有限次平均带来的极小误差。正交性方面EMD 的 IMF 之间并不严格正交EEMD 更不保证实际使用时不要拿相关系数直接判断 IMF 是否“干净”。正确做法是看瞬时频率曲线是否存在大规模重叠这一点后面验证章节会专门处理。3. 用 PyEMD 跑通 EEMD 的最小流程与参数说明3.1 安装包名和导入名的坑PyEMD 的安装名是EMD-signal导入名却是PyEMD。很多人在第一步就卡住写成pip install pyemd或pip install PyEMD。正确命令如下pip install EMD-signal装完之后在 Python 里调用from PyEMD import EEMD。安装包本身还会带 NumPy 和 SciPy 依赖但如果你的环境是精简镜像最好显式确认python -c import numpy, scipy, matplotlib; print(ok)这告诉我们包名和导入名不同报错 ModuleNotFoundError 时先检查这一步。3.2 生成测试信号并完成第一次分解接下来用一个混合信号演示。信号由 50Hz 正弦、120Hz 正弦和一段 300Hz 短脉冲组成后者是制造模式混叠的关键部分。代码如下import numpy as np from PyEMD import EEMD fs 1000 t np.arange(0, 1, 1.0 / fs) x np.sin(2 * np.pi * 50 * t) 0.5 * np.sin(2 * np.pi * 120 * t) pulse np.zeros_like(t) pulse[300:320] np.cos(2 * np.pi * 300 * t[300:320]) signal x pulse np.random.seed(42) eemd EEMD(trials200, noise_width0.1) imfs, residue eemd(signal) print(IMF 数量:, imfs.shape[0]) print(时间点数:, imfs.shape[1]) print(残差长度:, residue.shape[0])trials是集总平均次数这里取 200 是为了让噪声残留降到肉眼不可见noise_width是噪声幅值相对于信号标准差的倍数0.1 是调参的常用起点。如果信号本身的信噪比很高这个值可以降到 0.05如果间歇成分很强可以先试 0.2。np.random.seed(42)让每次运行产生相同的随机噪声序列保证结果可复现。3.3 重建误差检查EEMD 是否完整分解之后立刻验证一次完备性。对任何 EEMD 实现imfs按行排列、residue是一维数组所以重建公式是sum(imfs, axis0) residuerecon np.sum(imfs, axis0) residue err np.max(np.abs(recon - signal)) print(最大重建误差:, err)如果这个误差在1e-8以内说明分解过程没有丢数据。如果误差达到1e-3甚至更大优先检查imfs是否被裁剪过或signal是否在分解前被去均值导致偏移。有些信号处理流程为了计算方便会先减去均值这时重建结果也包含均值要在比较时补回来。参数作用经验值太小的后果太大的后果trials平均次数100~500模态不稳定、噪声残留计算时间线性增加noise_width噪声幅值比例0.05~0.2模式混叠改善不明显破坏低频模态引入寄生振荡max_imf最大 IMF 数量默认 -1不限制可能提前截断分解出过多噪声模态注意max_imf设为 -1 表示不限制分解层数。如果数据很短限制max_imf可以避免过度分解但如果限制得太小低频趋势会被截断重建误差也会变大。3.4 可视化 IMF 和残差的快速方法PyEMD 提供绘图工具但最省事的还是直接 matplotlib。一个通用模板是逐行绘制每行显示一个 IMF最后显示残差。简单代码import matplotlib.pyplot as plt fig, axes plt.subplots(imfs.shape[0] 1, 1, figsize(8, 9)) for i, imf in enumerate(imfs): axes[i].plot(t, imf) axes[i].set_ylabel(fIMF{i1}) axes[-1].plot(t, residue) axes[-1].set_ylabel(residue) axes[-1].set_xlabel(time/s) plt.tight_layout() plt.show()查看这张图时重点关注相邻 IMF 的频率是否分离。理想状态下越靠前的 IMF 频率越高后面的 IMF 越来越平滑。如果某个 IMF 里出现一段明显的高频毛刺而它前后的 IMF 又同时包含同频分量说明 noise_width 可能太小或 trials 不够。4. EEMD 参数怎么设trials、noise_width 与停止准则4.1 trials 决定稳定性但收敛速度不是线性的trial 次数直接决定随机噪声的平均效果。按照噪声抵消的平方根规律从 50 次提升到 200 次扰动下降到原来的 0.5 倍从 200 次提升到 800 次又下降一半。所以超过 500 次后再增加收益会变得很不明显。我一般先把 trials 固定在 200调其他参数等所有模态形态稳定后再决定是否用更多 trial 做最终分解。如果计算资源紧张还可以对信号切片后并行或者缩小 trials 到 100 并调大 noise_width 到 0.15 来弥补稳定性。4.2 noise_width 需要匹配目标信号的尺度noise_width 表示加入噪声的标准差占原始信号标准差的比例。假设信号标准差是 2.0noise_width0.1意味着每次加入标准差为 0.2 的白噪声。实际经验是高频间歇信号突出时选 0.1~0.2低频平稳信号选 0.02~0.05 就够。噪声太小时EMD 仍然会因为间歇成分出现模式混叠噪声太大时低幅低频的 IMF 可能被噪声“吃掉”出现本不存在的振荡。信号类型noise_width 建议说明平稳正弦叠加0.02~0.05小噪声即可改善对称性含间歇脉冲的混合信号0.1~0.2需要足够噪声填充间歇区间高噪声实测信号0.2~0.5注意检查模态是否失真低频趋势明显的数据0.05 左右过大噪声会把趋势打碎有一个快速的校验方法在同一个信号上同时跑noise_width0.05和0.2对比前 3 个 IMF 的瞬时频率范围。如果两条曲线的差异很小说明噪声幅值没有过度破坏信号如果差异明显需要取中间值重试。4.3 停止准则影响每个 IMF 的筛选次数EMD 的层内筛选由停止准则控制常见的是通过包络均值和信号幅度之比SD设阈值。EEMD 每次分解都会用到相同的停止准则因此它也间接影响最终平均结果。阈值太松IMF 可能还包含两次振荡的叠加阈值太紧筛选次数增加计算时间成倍上升且低频 IMF 会变得很平。对一个 1000 点信号阈值从 0.05 改成 0.01单次 EMD 耗时可能上升 3~5 倍。实用做法是保持默认阈值只调 trials 和 noise_width。如果发现相邻 IMF 之间频率重叠优先加 noise_width不要追着停止准则调。4.4 用参数扫描代替手动尝试下面这个函数把 trials、noise_width 和重建误差、模态数一起输出方便在本地快速扫描组合。注意在循环外设置np.random.seed让所有组合使用同一随机序列保证比较公平import numpy as np from PyEMD import EEMD def scan_eemd(signal, candidates): for trials, noise_width in candidates: np.random.seed(42) eemd EEMD(trialstrials, noise_widthnoise_width) imfs, residue eemd(signal) recon np.sum(imfs, axis0) residue err np.max(np.abs(recon - signal)) print(ftrials{trials:3d} noise_width{noise_width:.2f} fimfs{imfs.shape[0]:2d} max_error{err:.2e}) candidates [(50, 0.05), (100, 0.1), (200, 0.1), (500, 0.2)] scan_eemd(signal, candidates)执行时观察两点。第一max_error应该稳定在一个很小的量级如果随 trials 波动说明实现或信号截断有问题。第二imfs数量在不同组合下最好一致如果从 7 跳到 10说明停止准则或噪声幅值已经改变了分解结构这时候要检查 IMF 是否出现过分解。4.5 三个质量判据避免只看图模态数稳定性同一条信号重复分解IMF 数量相同。重建误差应该达到机器精度即相对误差1e-10以下。频谱隔离度相邻 IMF 的瞬时频率重叠部分越小越好。至少两个判据同时满足才认为参数合理。5. EEMD 的端点效应、残留噪声与 CEEMDAN 选型5.1 端点破坏包络时怎么处理EMD 在信号两端没有完整的极值序列包络容易在边界处上翘或下坠导致首个和末个 IMF 出现幅度放大。EEMD 因为多次分解这种端点效应会被平均掉一部分但不会消失。一个实用做法是分解前对信号两端做镜像延拓分解后只取中间区间作为有效结果。代码骨架如下def pad_signal(signal, pad_len32): left np.flip(signal[:pad_len]) right np.flip(signal[-pad_len:]) return np.concatenate([left, signal, right]) # eemd 沿用前面生成好的实例 padded pad_signal(signal, 32) imfs_padded, residue_padded eemd(padded) imfs imfs_padded[:, 32:-32] residue residue_padded[32:-32]这里用简单镜像延拓。注意eemd实例重新生成时也要固定随机种子否则裁剪后的结果不可复现。如果 pad_len 相对于数据长度太小增益不明显相对太大延拓的包络会污染正常段。我一般先做 5% 的 padding再检查端点区域是否还有明显凹坑。5.2 残留噪声为什么重建误差很小IMF 却还有噪声很多人误以为重建误差接近机器精度就代表每个 IMF 都干净。实际上 EEMD 中噪声被平均进各个尺度trial 有限时残留会留在 IMF 里。检查方式是对同一信号重复分解多次取相同 IMF 的标准差np.random.seed(42) imfs_list [] for _ in range(5): eemd EEMD(trials200, noise_width0.1) imfs_, _ eemd(signal) imfs_list.append(imfs_) n_min min(im.shape[0] for im in imfs_list) imfs_stack np.stack([im[:n_min] for im in imfs_list]) std_of_imfs imfs_stack.std(axis0) print(每个 IMF 的标准差:, std_of_imfs.mean(axis1))如果某个 IMF 的标准差均值与信号本身幅度同一量级说明 trial 太少或 noise_width 太大。增加 trials 通常会降低这个标准差但要注意所需时间。5.3 CEEMDAN 和 VMD 什么时候代替 EEMD方法添加噪声方式主要特点适用场景EEMD每次对完整信号加独立白噪声实现简单模态稳定性好一般信号分析快速验证CEEMDAN每阶加入自适应噪声残留噪声更小IMF 更干净需要高精度模态或低频趋势VMD无噪声变分约束优化需要预设模态个数分解较稳定已知模态数量、需要强分离的场景如果 EEMD 不同 trial 的 IMF 数量波动很大或者残留噪声干扰了后续特征提取优先换 CEEMDAN。如果已经知道目标信号大概有几个频带且各频带中心频率分得比较开VMD 是更好的选择。5.4 不要把前几个 IMF 全部当作有效信号EEMD 的前几个 IMF 很容易包含白噪声本身。判断有效模态的常见做法是看该 IMF 的频谱是否与噪声底有显著分离或计算 IMF 与原始信号的相关系数。相关系数太低又没有明确频段的模态直接丢弃不要进预测模型。6. 验证 EEMD 结果的技巧白噪声稳定性与 Hilbert 边际谱6.1 重建误差要收敛到机器精度无论调多少次参数第一步都跑同一个检查。recon np.sum(imfs, axis0) residue print(np.max(np.abs(recon - signal)))误差如果超过1e-8增加 trials 而不是 noise_width如果仍然不下降检查信号里是否有 NaN 或者极值点过少。6.2 用分段稳定性检查 trial 是否充足把信号切成前后两段分别做 EEMD比较重叠区间的 IMF。如果两段结果在同位置出现相位或幅度突变说明该区间的极值点受随机噪声影响过大。也可以直接重复分解整个信号 5 次比较同一 IMF 的波动范围理想情况下相邻尺度的 IMF 波动不应超过其自身幅度的 10%~20%。6.3 用 Hilbert 变换验证模态分离度对每个 IMF 做 Hilbert 变换得到瞬时频率画出瞬时频率随时间变化曲线。相邻两条曲线如果重叠区域很大说明分解没有彻底分开。此时先提高 noise_width不行再换 CEEMDAN。下面是一个基于 SciPy 的最小示例import matplotlib.pyplot as plt from scipy.signal import hilbert def instantaneous_frequency(imf, fs): analytic hilbert(imf) phase np.unwrap(np.angle(analytic)) return np.diff(phase) * fs / (2.0 * np.pi) for i in range(min(3, imfs.shape[0])): inst_freq instantaneous_frequency(imfs[i], fs) plt.plot(t[1:], inst_freq, labelfIMF{i1}) plt.legend() plt.ylim(0, fs / 2) plt.show()观测图时不要只看单点频率要看整条曲线是否出现宽幅震荡。若瞬时频率曲线在某个时间段突然飙升到接近奈奎斯特频率说明残留噪声还占主导需要回到第 4 节的参数扫描把 noise_width 提高一档后重跑。本文还有配套的精品资源点击获取