基于经验模态分解成多个模态和一个残余量，再利用长短神经网络预测分别训练每一个模态和残余量，最后重构结果，得到预测结果

风电机组轴承处于早期故障阶段时，特征信号往往比较微弱，并且受环境噪声及信号衰减的影响严重，因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用，但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题，考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲，非常适用于轴承早期故障信号的降噪处理，因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪，然后对降噪后的信号进行EMD，选取敏感本征模态函数(IMF)并计算其包络谱，通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。

这个程序是用来显示经过经验模态分解后所得的各个固有模态函数和残余信号，以及由它们重建的信号。

Emd分解，通过峭度和相关系数选择IMF，进行信号重构，小波分解，小波包分解。

一种基于EMD分解后对imf分量利用小波分解进行去噪的方法，给出了相应的例子，有注释

运用matlab求解hilbert谱，以及边际谱。

包含VMD、EMD、EEMD工具箱，可用于变分模态分解、EMD以及EEMD谐波检测对对比分析

利用镜像拓延方法对EMD方法进行端点消除效应，能够较好的改善分解精度。

Matlab仿真长度和速率自适应MET QC-LDPC码的构造 该项目包含Matlab平台（工具链），用于构建文章U. Vasiliy，E。Sergey和G. Svistunov的“长度和速率自适应MET QC-LDPC代码通过循环组分解构建”长度和速率自适应MET QC-LDPC代码”，《 2019 IEEE东西方设计与测试研讨会（EWDTS）》，佐治亚州巴统，2019年，第1-5页。 它允许通过长度和速率自适应提升来进行几个步骤的筛分，该自适应提升基于以下条件不受原型约束的未定义约束： 图形属性（周长，EMD）； 代码属性； 模拟下的性能 VN等的可恢复性 它支持多胎面，浮点和定点仿真。 对于低级别的误码率（块误码率），我们建议不要使用仿真，而应使用重要性采样（）。 长度适应性提升（循环分解，多户楼层提升）方法也可以通过任何其他类型进行更改（例如，地面规模的模块化提升）。 筛选的其他参数：基于频谱的最小伪重量和代码权重下的Tanner-Vontobel-Koetter下限（），EMD频谱形状（），擦除恢复能力（）可以用作代码筛选的另一阶段。

信号分解领域常用算法，经验模式分解算法，亲测好用