emd分解，镜像延拓，有效抑制端点效应，减少虚假分量的产生

EMD相关算法的实现以及原理，以及相关应用

Matlab emd工具箱安装包，方便使用经验模态分解和希尔伯特-黄变换的实现

针对强干扰背景下的微震信号提取，提出一种基于经验模态分解（Empirical Mode Decomposition，EMD）和互信息熵的自适应提取算法。通过EMD对微震信号进行分解，得到高频和低频两部分信号，并对分解得到的各阶固有模态分量求出能量和能量熵值。根据互信息准则，通过依次计算相邻分量能量熵之间的互信息值来区分高频和低频信号。将经过自适应阈值滤波后的高频信号和低频信号一起进行信号重构，得到新的微震信号。仿真结果表明，在对微震信号去噪时，该方法可以有效地去除噪声信号，信噪比均提升了10 dB以上。工程上的微震信号通过该方法处理后，也取得了较好的效果。

提出一种新的获取人体生理参数的方法，用摄像头采集人脸的彩色视频，对人脸区域进行颜色通道分离和独立成分分析（ICA），获取有用信号。使用经验模态分解（EMD）的方法，把信号分解成可以反映出生命信息的固有模态函数（IMF），再根据所设计的提取准则，分别提取出较为准确的心跳和呼吸信号。用Bland-Altman法进行对比实验分析，结果表明，此方法具有一定的准确性和实用性。

2007年ITD原文 和 1998年EMD原文，ITD原文里没有对瞬时频率定义这一块进行讲解，在EMD中有。追溯到最开始的定义有助于理解二者的分解原理及意义。

希尔伯特黄变换的EMD分解MATLAB程序 把程序看懂 对希尔伯特黄变换的原理就理解了

六、小波函数的选择 小波变换不象傅里叶变换是由正弦函数唯一决定的，小波基可以有很多种，不同的小波适合不同的信号去噪，对于确定的信号，如果小波选择不当，去噪结果可能相差很远，还有可能丢失有用的信息。 面对各种小波，到底选择哪一种来处理心电信号才能满足医疗上的需要，必须经过大量的仿真研究结果来进行筛选 。 根据大量文献记录B样条函数适合心电去噪： 样条函数是一种非紧支撑正交的对称小波，有较高的光滑性，频率特性好，分频能力强，频带相干小的特性。

提出了一种基于小波降噪与改进的符号内频域平均(ISFA)联合的相干光正交频分复用(CO-OFDM)系统信道估计方法。该方法利用最小二乘(LS)方法进行信道估计，并对估计后的结果进行小波去噪处理，最后采用Kaiser窗函数改进ISFA 算法对小波处理结果进行ISFA，完成联合去噪。仿真结果表明，该方法可以有效地提高信道估计精度。当光信噪比(OSNR)为17 dB时，该算法的误码性能(BER)比ISFA 算法的误码性能提高将近一个量级。

mat lab 小波 去噪 load sinsin colormap(pink(64)) image(X) axis('square') init=231434; randn('seed',init); x=X+18*randn(size(X)); image(x) axis('square')