1、python程序 2、利用CEEMDAN计算了多尺度熵MSE 3、有数据集可直接运行

EEMD算法通过加入噪声来减小EMD的模态效应，CEEMDAN算法通过加入自适应的噪声来进一步减小模态效应，而且具有更好的收敛性。

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)拉曼光谱去噪方法。利用排列熵(PE)作为代表噪声的内在模式分量(IMF)的判据，并对其进行阈值滤波以消除噪声，得到消除噪声的拉曼光谱重构信号。采用该方法对乙醇水溶液的拉曼光谱数据进行去噪研究。结果表明，该方法有效地消除了拉曼光谱中的噪声；与经验模态分解法(EMD)和总体平均经验模态分解法(EEMD)的对比表明，CEEMDAN 去噪法不但在高信噪比的拉曼光谱信号去噪中取得良好的去噪效果，而且在低信噪比的拉曼光谱信号去噪中依然优势明显。

为了提高风电场短期风速预测的精度，提出了一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵(PE)和量子遗传算法(QGA)优化BP神经网络的短期风速预测模型。首先采用CEEMDAN对原始风速时间序列进行分解，降低不同特征尺度序列间的相互影响；其次，为了减少计算规模，对分解得到的各个分量序列分别计算排列熵，将熵值相近的分量进行叠加形成新的序列；最后，针对BP神经网络在初始化权值和阈值的选取上存在随机性的问题，采用QGA对BP参数进行优化，分别对每个新的序列进行预测并将预测结果进行叠加得到最终的预测值。实例仿真结果表明，该组合模型提高了预测的精度，减小了误差，具有实际意义和工程应用价值。

写论文用得到的经验分解的各种算法，可以话上述四种分解的模态图，以及信号恢复，信号恢复误差

为提高短期负荷预测精度，提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵 (SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为 多个特征互异的子序列，计算各子序列的样本熵，将熵值相近的子序列重组得到新序列，降低了原始非平稳序列对预测精度造成的影响并减小计算规模；随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN 预测模型，利用DBN 克服了浅层神经网络特征提取不充分及初始参数难确定的问题；最后将预测结果叠加得到最终预测值。仿真结果表明，该组合预测模型的平均绝对百分比误差和均方根误差分别为1.18%和87.91 MW，相比于BP、DBN、EMD-DBN 负荷预测模型具有更高的预测精度。

里面包含了EMD、EEMD、CEEMDAN、CEEMD，端点分析、包络、频谱分析等等，还有部分应用实例，适合研究信号处理分析，故障诊断方向的人使用，东西比较全。

CEEMDAN的matlab程序 经验模态分解

内部包含EMD/EEMD/CEEMDAN/VMD的matlab程序代码，可以用于进行信号的经验模态分解