企业官网建设流程全解析

简介：CEEMDAN（自适应噪声完备集合经验模态分解）是EMD与EEMD的进一步改进算法，面向从事非线性、非平稳信号处理的研究生、工程师与科研人员，用于解决传统EMD易出现的模态混合问题，提升分解精度与稳定性。资源包共5个文件，以4个m脚本文件和1个mat数据文件为主，脚本涵盖emd、eemd、ceemdan及示例程序，mat文件提供心电信号等实测数据，压缩包约32KB，轻量便于直接运行与二次开发。目前已有5933人学习下载，热度较高。通过阅读与运行这些代码，读者可理解自适应噪声的引入方式、迭代分解与集合平均流程，掌握从EMD到EEMD再到CEEMDAN的演进思路，并可将方法迁移至地震波解析、心电脑电分析、金融时序与机械故障诊断等场景，快速搭建自己的模态分解实验。

1. CEEMDAN 到底改进了什么：从模态混叠到重构误差

如果你处理过轴承振动、心电、地震波或者风速这类非平稳信号，大概率被 EMD 的模态混叠折磨过。原始 EMD 靠极值点插值构造上下包络，一旦信号里出现间歇性高频成分，极值点分布就会跳变，一个 IMF 里混进两个时间尺度完全不同的分量，后面做包络谱、做时频分析全部失真。EEMD 的思路是往信号里加白噪声，靠多次加噪的统计平均把混叠压下去，代价是计算量翻十几倍，而且加噪次数和幅值两个参数全靠经验拍。CEEMDAN（Complete Ensemble EMD with Adaptive Noise）在 EEMD 基础上做了两处关键改动：一是噪声分阶段加入，每一阶 IMF 提取时只对当前残差加噪，二是引入自适应噪声系数，让噪声幅值随残差能量自动缩放。结果是重构误差从 EEMD 的百分之几降到千分之几量级，同时 IMF 的正交性明显改善。这篇笔记面向已经用过 EMD/EEMD、想换到 CEEMDAN 但不确定参数怎么设、代码怎么落地的工程师，把选型理由、最小可复现代码、参数边界和踩坑记录一次讲清。

2. EMD、EEMD、CEEMDAN 的递进关系与选型判断

2.1 从筛分过程看 EMD 为什么会混叠

EMD 的核心是筛分：找出信号所有局部极大值和极小值，用三次样条插值分别拟合上包络和下包络，取均值得到 m(t)，用 x(t) - m(t) 反复迭代直到满足 IMF 判据。问题出在插值这一步——当信号里存在间断高频扰动，比如轴承早期故障的冲击成分，极值点会突然密集，样条在局部剧烈震荡，包络均值把高频能量泄漏到低频 IMF 里。这就是模态混叠的物理来源，不是实现 bug，是算法结构决定的。

判断是否发生混叠有个实用方法：对每个 IMF 做 Hilbert 变换看瞬时频率，正常 IMF 的瞬时频率应该围绕一个中心值窄带波动，如果某个 IMF 的瞬时频率出现跨倍频程的跳变，基本可以确认混叠。另一个指标是相邻 IMF 的相关系数，正常情况相邻分量相关性很低，混叠时会出现异常高相关。

2.2 EEMD 用噪声平均换稳定性，代价在哪

EEMD 的做法是：原始信号叠加一组高斯白噪声，做 EMD 分解，重复 N 次，对每次得到的同阶 IMF 取平均。白噪声的频谱均匀分布，给信号提供了一个均匀的极值点参考网格，缓解了间歇成分导致的极值跳变。噪声在平均过程中相互抵消，理论上 N 越大残留越小。

代价有三个。第一是计算量，N 通常取 100 到 500，等于把 EMD 跑几百遍。第二是参数敏感，噪声幅值一般取信号标准差的 0.2 倍，但这个经验值对冲击型信号偏小、对平稳信号偏大。第三是重构不完整，EEMD 分解后把所有 IMF 加回去不等于原信号，残留噪声和筛分误差会累积，重构误差通常在 1% 到 5% 之间。做精密测量时这个误差不可接受。

2.3 CEEMDAN 的自适应噪声机制

CEEMDAN 的改进逻辑是：不再一次性加噪，而是逐阶处理。提取第一阶 IMF 时，对信号加噪做 EMD，取第一阶 IMF 平均；然后计算残差 r1 = x - IMF1，对 r1 加噪继续提取第二阶 IMF，以此类推。每一阶的噪声幅值根据当前残差的能量自适应调整，残差能量大时噪声小，残差能量小时噪声适当放大以维持极值点分布。

这个机制带来两个直接好处。一是重构误差显著降低，因为每阶只处理当前残差，噪声不会跨阶累积。二是 IMF 的物理意义更清晰，第一阶对应最高频成分，后续阶依次对应更低频，不会出现 EEMD 里同一阶 IMF 在不同加噪次数下对应不同频带的情况。

选型判断可以按这个标准：如果只是做粗略趋势提取，EMD 够用；如果信号非平稳性强但精度要求一般，EEMD 可以接受；如果要做定量分析、重构误差要求低于 1%、或者后续要接深度学习做分类，直接上 CEEMDAN。计算量方面，CEEMDAN 比 EEMD 略高，因为每阶都要做多次 EMD，但比 EEMD 跑 500 次加噪还是省不少。

2.4 用 Python 跑通 CEEMDAN 的最小代码

目前 Python 生态里 EMD 系列算法主要靠 PyEMD 库，CEEMDAN 在 PyEMD 里有现成实现。安装命令：

pip install EMD-signal

最小可复现脚本，用合成信号验证分解效果：

import numpy as np from PyEMD import EMD, EEMD, CEEMDAN import matplotlib.pyplot as plt # 构造合成信号：两个不同频率分量 + 间歇冲击 t = np.linspace(0, 1, 1000) # 低频分量 sig_low = np.sin(2 * np.pi * 5 * t) # 高频分量 sig_high = 0.5 * np.sin(2 * np.pi * 50 * t) # 间歇冲击：在 0.3-0.4 秒区间加入 sig_burst = np.zeros_like(t) burst_idx = (t > 0.3) & (t < 0.4) sig_burst[burst_idx] = 0.8 * np.sin(2 * np.pi * 120 * t[burst_idx]) signal = sig_low + sig_high + sig_burst # CEEMDAN 分解 ceemdan = CEEMDAN() # 关键参数：trials 控制加噪次数，epsilon 控制噪声幅值 ceemdan.trials = 100 ceemdan.epsilon = 0.005 IMFs = ceemdan(signal) # 重构验证 reconstructed = np.sum(IMFs, axis=0) recon_error = np.linalg.norm(signal - reconstructed) / np.linalg.norm(signal) print(f"重构相对误差: {recon_error:.6f}") print(f"IMF 数量: {IMFs.shape[0]}") # 绘制前四阶 IMF fig, axes = plt.subplots(4, 1, figsize=(10, 8)) for i in range(min(4, IMFs.shape[0])): axes[i].plot(t, IMFs[i]) axes[i].set_ylabel(f'IMF {i+1}') plt.tight_layout() plt.show()

这段代码的逻辑说明：合成信号故意包含一个 0.3 到 0.4 秒的间歇高频冲击，这是最容易触发模态混叠的场景。ceemdan.trials = 100表示每阶 IMF 提取时做 100 次加噪 EMD，这个值越大结果越稳定但计算越慢。ceemdan.epsilon = 0.005是噪声幅值系数，相对于信号标准差的倍数，设太小压不住混叠，设太大残留噪声明显。重构误差用相对 L2 范数衡量，正常应该在 0.001 到 0.01 之间。如果跑出来误差超过 0.05，检查 trials 是否太小或者信号是否包含 NaN。

参数调整建议：对于采样率 1000 Hz 以上的振动信号，trials 取 100 到 200 足够；对于低频生理信号，trials 可以降到 50 因为信号本身极值点少。epsilon 的取值和信号的信噪比有关，信噪比高时取 0.002 到 0.005，信噪比低时取 0.01 到 0.02。PyEMD 的 CEEMDAN 默认参数是 trials=100、epsilon=0.005，大多数场景可以直接用。

3. 参数怎么设：trials、epsilon 与筛分停止准则

3.1 trials 的收敛性判断方法

trials 不是越大越好，存在一个收益递减点。判断方法：固定 epsilon，让 trials 从 20 开始按 20 递增到 200，每次计算重构误差和 IMF 正交性指标，画收敛曲线。正交性指标用这个公式：

def orthogonality_index(IMFs): """计算 IMF 正交性指标，越接近 0 越好""" n = IMFs.shape[0] total_energy = np.sum(IMFs ** 2) cross_energy = 0 for i in range(n): for j in range(i + 1, n): cross_energy += np.abs(np.sum(IMFs[i] * IMFs[j])) return cross_energy / total_energy # 测试不同 trials 下的表现 for trials in [20, 40, 60, 80, 100, 150, 200]: ceemdan = CEEMDAN() ceemdan.trials = trials ceemdan.epsilon = 0.005 IMFs = ceemdan(signal) recon = np.sum(IMFs, axis=0) err = np.linalg.norm(signal - recon) / np.linalg.norm(signal) oi = orthogonality_index(IMFs) print(f"trials={trials:3d} 重构误差={err:.6f} 正交性={oi:.6f}")

典型结果：trials 从 20 增到 80 时重构误差快速下降，80 到 150 之间变化很小，超过 150 基本持平。所以工程上 trials 取 100 是性价比最高的点。如果信号特别短（少于 500 个采样点），trials 可以降到 50，因为极值点本来就少，加噪次数多了反而引入冗余计算。

3.2 epsilon 与信号幅值的关系

epsilon 是噪声幅值相对于信号标准差的系数。PyEMD 内部实现是：噪声标准差 = epsilon × 信号标准差。所以 epsilon 的物理含义是噪声能量占比的平方根。设 epsilon = 0.005，意味着噪声标准差是信号标准差的 0.5%，噪声能量占比约 0.0025%。

这个值不能拍脑袋。如果信号本身信噪比很低，比如实测振动信号里故障特征被背景噪声淹没，epsilon 要适当放大到 0.01 到 0.02，让白噪声提供的极值点网格能盖过背景噪声的干扰。如果信号很干净，比如实验室台架信号，epsilon 取 0.002 到 0.005 就够，取大了反而在 IMF 里留下可见的噪声残留。

一个实用的自适应策略：先算信号的标准差 σ，再算信号的高频段能量占比。如果高频能量占比超过 30%，epsilon 取 0.01；否则取 0.005。这个规则不是理论最优，但在我处理过的轴承和齿轮箱信号上比固定值稳定。

3.3 筛分停止准则对 IMF 数量的影响

EMD 系列算法在筛分时需要一个停止条件，常用的是标准差准则：当连续两次筛分结果的相对标准差小于阈值时停止。PyEMD 里 EMD 的默认阈值是 0.2，CEEMDAN 继承了这个设置。这个值直接影响 IMF 数量和分解粒度。

阈值设小，比如 0.05，筛分迭代次数增加，每个 IMF 更“纯”，但计算量上升，而且可能把同一物理过程拆成两个 IMF。阈值设大，比如 0.3，筛分不充分，IMF 里残留趋势项。工程上 0.2 到 0.3 是常用区间，对于要接包络谱分析的场景建议用 0.2，对于只做趋势提取的场景 0.3 可以接受。

修改方法：

from PyEMD import CEEMDAN ceemdan = CEEMDAN() # 设置筛分停止阈值 ceemdan.EMD.FIXE_H = 0 # 关闭固定迭代次数模式 ceemdan.EMD.std_thr = 0.2 # 标准差阈值

注意 PyEMD 的 CEEMDAN 内部嵌套了一个 EMD 实例，参数要通过ceemdan.EMD访问。这个设计容易踩坑，很多人直接改ceemdan.std_thr发现不生效，原因就在这里。

3.4 分解层数怎么定：从残差单调性判断

CEEMDAN 不需要预先指定分解层数，它会自动分解到残差满足停止条件（通常是残差极值点少于 2 个或者残差变成单调函数）。但实际使用中经常需要限制最大层数，因为最后几阶 IMF 可能已经是无意义的趋势项。

判断方法：看残差的极值点数量。当残差极值点少于 3 个时，后续 IMF 基本是趋势项，可以停止。代码里可以这样控制：

def ceemdan_with_limit(signal, max_imf=8): """限制最大 IMF 数量，避免过度分解""" ceemdan = CEEMDAN() ceemdan.trials = 100 ceemdan.epsilon = 0.005 IMFs = ceemdan(signal) # 如果分解出的 IMF 超过 max_imf，只保留前 max_imf 阶 # 剩余部分归入残差 if IMFs.shape[0] > max_imf: kept = IMFs[:max_imf] residual = signal - np.sum(kept, axis=0) return kept, residual return IMFs, np.zeros_like(signal) IMFs, residual = ceemdan_with_limit(signal, max_imf=6) print(f"保留 IMF 数: {IMFs.shape[0]}, 残差能量占比: {np.sum(residual**2)/np.sum(signal**2):.4f}")

残差能量占比是个有用指标。如果残差能量占比超过 10%，说明限制层数太狠，丢掉了有意义的低频成分；如果低于 1%，说明后面几阶本来就是噪声或趋势，限制是合理的。

4. 避坑与排查：CEEMDAN 落地时最容易翻车的五个地方

4.1 现象：分解结果每次运行都不一样

原因：CEEMDAN 内部有随机加噪过程，如果没有固定随机种子，每次调用产生的噪声序列不同，导致 IMF 有微小差异。这在调试阶段很让人抓狂，明明参数没变结果却变了。

解决：在调用前固定 numpy 随机种子。

import numpy as np np.random.seed(42) IMFs = ceemdan(signal)

注意 PyEMD 内部可能使用自己的随机数生成器，如果固定 numpy 种子后结果仍然波动，检查 PyEMD 版本是否支持ceemdan.noise_seed参数。部分版本需要显式设置ceemdan.noise_seed = 42。

4.2 现象：IMF 数量异常多，超过 15 阶

原因：信号里包含大量高频噪声或者采样率过高，导致极值点极其密集，筛分过程不断提取出高频 IMF。另一个可能是信号存在直流偏置，极值点分布被扭曲。

解决：先做去均值处理，再根据采样率做适当降采样。对于振动信号，如果采样率是 20 kHz 但关注频带在 2 kHz 以下，先降采样到 5 kHz 再分解。去均值的代码：

signal = signal - np.mean(signal) # 可选：带通滤波限制频带 from scipy.signal import butter, filtfilt b, a = butter(4, [10, 2000], btype='band', fs=5000) signal_filtered = filtfilt(b, a, signal)

4.3 现象：重构误差大于 5%

原因：trials 太小、epsilon 太大、或者信号包含 NaN/Inf。还有一种容易被忽略的情况：信号长度不是 2 的幂次，PyEMD 内部做 FFT 时补零导致边界效应。

解决：按顺序排查。先检查np.isnan(signal).any()和np.isinf(signal).any()。然后增大 trials 到 200 看误差是否下降。如果还不行，把信号截断到 2 的幂次长度再试。边界效应明显的信号可以在两端加镜像延拓：

def mirror_extend(signal, extend_len): """镜像延拓减少边界效应""" left = signal[:extend_len][::-1] right = signal[-extend_len:][::-1] return np.concatenate([left, signal, right]) signal_ext = mirror_extend(signal, 100) IMFs_ext = ceemdan(signal_ext) # 去掉延拓部分 IMFs = IMFs_ext[:, 100:-100]

4.4 现象：某个 IMF 的瞬时频率出现负值

原因：Hilbert 变换对非窄带信号会产生负瞬时频率，这通常意味着该 IMF 仍然包含多个时间尺度，筛分不充分。也可能是该 IMF 幅值接近零，数值噪声导致相位跳变。

解决：先检查该 IMF 的幅值范围，如果幅值比相邻 IMF 小两个数量级，说明它基本是数值噪声，可以直接丢弃。如果幅值正常但瞬时频率有负值，降低筛分停止阈值重新分解：

ceemdan.EMD.std_thr = 0.1 # 更严格的筛分

4.5 现象：CEEMDAN 比 EEMD 慢很多

原因：CEEMDAN 每提取一阶 IMF 都要做 trials 次 EMD，总计算量是 trials × IMF 阶数。如果信号长、IMF 多，耗时会显著增加。

解决：三个方向。一是降低 trials 到 50，对大多数信号精度损失可接受。二是对信号做降采样，只要关注频带满足奈奎斯特条件。三是用并行加速，PyEMD 本身不支持多进程，但可以把不同 trials 拆到多进程里手动实现。最简单的加速是限制最大 IMF 层数，因为后面几阶的计算量占比很大但信息量很低。

# 限制层数的加速版本 ceemdan = CEEMDAN() ceemdan.trials = 50 ceemdan.epsilon = 0.005 # 通过 max_imf 参数限制（部分版本支持） IMFs = ceemdan(signal, max_imf=6)

5. 用正交性指标验证分解质量：一个可复用的评估脚本

分解做完不是终点，得有个量化标准判断这次分解到底靠不靠谱。我一般用三个指标：重构误差、正交性指标、IMF 能量分布。重构误差前面讲过了，这里重点说正交性和能量分布怎么用来做验证。

正交性指标衡量的是不同 IMF 之间是否“干净”分离。理论上 IMF 之间应该正交，实际因为筛分误差和噪声残留，正交性指标在 0.01 到 0.1 之间都算正常，超过 0.2 说明混叠严重。能量分布看的是各阶 IMF 的能量占比，正常分解应该呈现从高频到低频的递减趋势，如果中间某阶能量异常突出，可能是该频带存在强干扰或者分解层数不对。

下面是一个完整的评估脚本，可以直接套用到你的信号上：

import numpy as np from PyEMD import CEEMDAN def evaluate_ceemdan(signal, trials=100, epsilon=0.005): """CEEMDAN 分解质量评估""" np.random.seed(42) ceemdan = CEEMDAN() ceemdan.trials = trials ceemdan.epsilon = epsilon IMFs = ceemdan(signal) n_imf = IMFs.shape[0] # 指标1：重构误差 recon = np.sum(IMFs, axis=0) recon_err = np.linalg.norm(signal - recon) / np.linalg.norm(signal) # 指标2：正交性指标 total_energy = np.sum(IMFs ** 2) cross_energy = 0 for i in range(n_imf): for j in range(i + 1, n_imf): cross_energy += np.abs(np.sum(IMFs[i] * IMFs[j])) ortho_idx = cross_energy / total_energy # 指标3：各阶能量占比 energy_ratio = np.sum(IMFs ** 2, axis=1) / total_energy # 指标4：相邻 IMF 相关系数 adj_corr = [] for i in range(n_imf - 1): c = np.corrcoef(IMFs[i], IMFs[i+1])[0, 1] adj_corr.append(c) print(f"IMF 阶数: {n_imf}") print(f"重构误差: {recon_err:.6f}") print(f"正交性指标: {ortho_idx:.6f}") print(f"能量占比: {np.round(energy_ratio, 4)}") print(f"相邻相关系数: {np.round(adj_corr, 4)}") # 判定 if recon_err > 0.01: print("[警告] 重构误差偏大，建议增大 trials 或减小 epsilon") if ortho_idx > 0.2: print("[警告] 正交性差，可能存在模态混叠") if max(adj_corr) > 0.5: print("[警告] 相邻 IMF 高度相关，分解不充分") return IMFs, recon_err, ortho_idx # 使用示例 IMFs, err, oi = evaluate_ceemdan(signal, trials=100, epsilon=0.005)

这个脚本的判定逻辑来自我处理几十组振动信号后的经验阈值。重构误差 0.01 是分界线，低于它说明分解基本无损；正交性 0.2 是警戒线，超过它说明 IMF 之间有明显的能量泄漏；相邻相关系数 0.5 是异常线，正常分解相邻 IMF 的相关系数应该在 0.1 以下，因为相邻阶对应不同时间尺度。

有一个容易忽略的点：正交性指标对 IMF 数量敏感。IMF 越多，交叉项越多，指标天然偏大。所以比较不同分解结果时，要确保 IMF 数量相近，或者用归一化后的指标。我一般会在评估前先限制最大 IMF 层数，让不同参数下的分解结果可比。

最后说一个实际使用中的习惯：每次换新信号类型时，先跑一遍评估脚本，把 trials 从 50 到 200 扫一遍，看三个指标的变化曲线，找到拐点再定参数。不要直接套用上一个项目的参数，信号特性变了，最优参数也会变。这个习惯帮我省了很多返工时间，希望帮到你。

本文还有配套的精品资源，点击获取