可下载资源

以采样频率加载非平稳信号数据fs，并可视化混合正弦信号。

load（'sinusoidalSignalExampleData.mat'，'X'，'fs'）; 
 
xlabel（'Time（s）'）;

[imf，residual，info] = emd（X，'Interpolation'，'pchip'）;

目前的IMF | #Sift Iter | 相对Tol | 停止标准命中   
      1 | 2 | 0.026352 | SiftMaxRelativeTolerance 
      2 | 2 | 0.0039573 | SiftMaxRelativeTolerance 
      3 | 1 | 0.024838 | SiftMaxRelativeTolerance 
      4 | 2 | 0.05929 | SiftMaxRelativeTolerance 
      5 | 2 | 0.11317 | SiftMaxRelativeTolerance 
      6 | 2 | 0.12599 | SiftMaxRelativeTolerance 
      7 | 2 | 0.13802 | SiftMaxRelativeTolerance 
      8 | 3 | 0.15937 | SiftMaxRelativeTolerance 
      9 | 2 | 0.15923 | SiftMaxRelativeTolerance
分解停止是因为残留信号的极值数小于'MaxNumExtrema'。

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

在命令窗口中生成的表指示每个生成的IMF的筛选迭代次数，相对容差和筛选停止标准。此信息也包含在info。您可以通过指定Display为隐藏表0。

HHT（IMF，FS）;

可视化信号的残差和内在模式功能

对于这个例子，考虑由具有明显频率变化的正弦波组成的非平稳连续信号。手提钻的振动或烟花声是非平稳连续信号的例子。

执行经验模式分解以绘制固有模式函数和信号残差。由于信号不平滑，请指定’ pchip‘作为Interpolation方法。

emd（X，'Interpolation'，'pchip'）;

目前的IMF | #Sift Iter | 相对Tol | 停止标准命中   
      1 | 2 | 0.026352 | SiftMaxRelativeTolerance 
      2 | 2 | 0.0039573 | SiftMaxRelativeTolerance 
      3 | 1 | 0.024838 | SiftMaxRelativeTolerance 
      4 | 2 | 0.05929 | SiftMaxRelativeTolerance 
      5 | 2 | 0.11317 | SiftMaxRelativeTolerance 
      6 | 2 | 0.12599 | SiftMaxRelativeTolerance 
      7 | 2 | 0.13802 | SiftMaxRelativeTolerance 
      8 | 3 | 0.15937 | SiftMaxRelativeTolerance 
      9 | 2 | 0.15923 | SiftMaxRelativeTolerance
分解停止是因为残留信号的极值数小于'MaxNumExtrema'。

​

生成具有原始信号，前3个IMF和残差的交互式图。在命令窗口中生成的表指示每个生成的IMF的筛选迭代次数，相对容差和筛选停止标准。

右键单击图中的空白区域以打开IMF选择器窗口。使用IMF选择器有选择地查看生成的IMF，原始信号和残差。

选定的IMF现在显示在图上。

使用该图可视化从原始信号中分解的各个组件以及残差。请注意，残差是根据IMF总数计算的，并且不会根据IMF选择器窗口中选择的IMF进行更改。