1. EEMD（集合经验模态分解）的概念

EEMD（Ensemble Empirical Mode Decomposition）是最常见的一种EMD改进方法。他的优势主要是解决EMD方法中的模态混叠现象。

说到模态混叠，顾名思义就是不同模态的信号混叠在一起，一般有两种情况：一是不同特征尺度的信号在一个IMF分量中出现，另一种是同一个特征尺度的信号被分散到不同的IMF分量中。

EEMD是怎样解决这个问题的呢:

EEMD主要的改进思路是：利用白噪声均值为0的特性，通过在分解的过程中多次引入均匀分布的白噪声，将信号本身的噪声通过多次人为添加的噪声掩盖过去，从而得到更加精准的上下包络线。同时对分解结果进行平均处理，平均处理次数越多，噪声给分解带来的影响就越小。[2,3]

下图展示的很明白了，EEMD分解主要分为4步：

（1）设定原始信号的处理次数m

（2）给这m个原始信号分别添加随机白噪声，组成一系列新的信号

（3）对这一系列的新信号分别进行EMD分解，得到一系列的IMF分量

（4）对相应模态的IMF分量分别求均值，得到EEMD分解结果

相较于EMD的（几乎）无参数傻瓜式自适应分解&#