• 全称:

Complementary Ensemble Empirical Mode Decomposition

互补集合经验模态分解

• WHY? 对比先前的进步:

CEEMD优化的是EEMD的“残余辅助噪声”

为什么会有残余辅助噪声呢？

因为EEMD的前提是认为“多组白噪声的叠加近似等于0”。然而当处理的次数不够多的时候，白噪声往往不能被降低到忽略不计的程度。

反过来讲，如果使用EEMD方法时想要获得残余噪声较小的结果，就需要增加平均处理的次数，这样无疑会增加计算量。

• HOW? CEEMD 解决的思路

将一对互为相反数的正负白噪声作为辅助噪声加入源信号当中，以消除原来 EEMD 方法分解后重构信号当中残留的多余的辅助白噪声，同时减少分解时所需的迭代次数，降低计算成本。

直观上来说:

与EEMD相比，CEEMD的区别仅仅在于添加白噪声的方式上。

• EEMD添加的是相互独立的白噪声；
• CEEMD添加的是成对的、互为相反数的白噪声序列。

实例

为了对比残余噪声，我们分别计算使用EEMD和CEEMD方法对信号分解再重构之后的残余量

• CEEMD方法的残余辅助噪声比EEMD要低十几个数量级

实验说明

• 在某段信号下两种方法处理后的白噪声残余随叠加次数M的变化趋势（下图），EEMD方法要在将近10000次累加之后才能将残余量降到CEEMD方法的水平，而CEEMD则在个位数的处理次数下就能达到这个水平

参看: 类EMD的“信号分解方法”CEEMD

需要调试的参数

两个

• 分别是用于平均处理的次数M
• 添加的白噪声的幅值（白噪声的幅值通常用“白噪声幅值的标准差与原始信号幅值标准差之比”来表征）。

优势

1.相同的累加次数下，$CEEMD$的白噪声残余更小。

2.$CEEMD$使用更少的计算资源（即更小的累加次数）即可得到理想的分解结果。