Pyhon在振动信号处理中的高级应用（三）：希尔伯特-黄变换（HHT）的改进（EEMD\CEEMD）

一、概述

  在上一篇文章中，我们虽然对模拟振动信号进行了HHT分析，但是从结果中大家可以看到，处理后得到的不管是瞬时频率还是瞬时幅值均有震荡，这种震荡也叫模态混叠，具体的表现为一个IMF分量中存在多个尺度成分，或者是一个尺度成分在多个IMF分量中存在。
  为了解决这个问题，人们提出了采用噪声辅助处理方法，EEMD（总体经验模态分解）以及CEEMD（补充总体经验模态分解）。EEMD是在原始信号中加入白噪声从而改变信号的极值点分布，而CEEMD则是在原始信号中加入一组噪声信号来改变信号的极值点分布。

二、算法原理

2.1 EEMD

  EMD进行信号分解时首先得到最高频的分量，然后是次高频的，最终得到一个频率接近为0的残余分量。而针对不断进行分解的信号而言，能量大的高频分量总是代表了原信号的主要特性，是最主要的组成分量，所以EMD方法是一种将信号的主要分量先提取出来，然后再提取其他低频部分分量的一种新的主成分分析方法。但是这种从高频到低频不是严格的高频到低频，高频信号容易出现到低频信号中，也就是会出现模态混叠的现象，eemd的出现就是为了抑制模态混叠。