2.2 自适应噪声完全集成经验模态分解

经验模态分解（EMD）是一种自适应正交基的时频信号处理方法，依赖数据自身的时间尺度特性来执行信号分解，适用于处理未知的非线性、非平稳信号序列，具有很高的信噪比。

EMD可将原始信号分解为各层本征模态函数imf(intrinsic mode function)分量，且各分量在不同时间尺度上彼此独立。然而，实际信号中一旦出现间歇性信号，采用EMD方法将会导致模态混叠的问题，于是提出了采用噪声辅助处理方法：集合经验模态分解(EEMD)，通过将白噪声加入原始信号改变信号的极值点分布，使得该信号在不同尺度上都连续，进而避免了EMD中的模态混叠现象。但是，随着集成平均次数的增加，尽管EEMD方法可以减少重构误差，但是却大幅增加了计算时间。因此，自适应噪声完全集成经验模态分解（CEEMDAN）方法通过在每个阶段添加有限次的自适应白噪声，克服了EEMD方法在较少的实验平均次数下重构误差较大的缺点，提高了分解效率。