改进两种经验模态分解去噪，基于EMD去噪算法和基于LMD去噪算法。

Bearing Performance Degradation Assessment Based on Ensemble Empirical Mode Decomposition and Affinity Propagation Clustering

提出一种基于二维经验模态分解(BEMD)的合成孔径雷达(SAR)目标识别方法。BEMD可以从原始SAR图像提取多层次的二维固态模函数(BIMF),它们可以更好地描述目标的细节信息,因此联合原始SAR图像及其多层次BIMF,可以为后续的分类决策提供更多有益信息。采用支持向量机(SVM)对原始SAR图像以及各个层次的BIMF进行决策,然后基于Bayesian理论对各个SVM输出的结果进行有效融合,从而获得更为稳健的识别结果。基于MSTAR数据集设置几种典型的实验条件,对本文方法进行性能测试,结果验证本文方法相比几类现有SAR目标识别方法更具有性能优势。

另类交易策略系列之十四：经验模态分解下的日内趋势交易策略.pdf

针对低信噪比信号的去噪问题，提出了一种基于经验模态分解的小波阈值去噪方法，并与小波变换去噪法的效果相比较。试验结果证明，当信号的信噪比较小时，基于经验模态分解的小波阈值去噪效果是相当有效和稳定的，为研究环境脉动下结构的输出信号去噪处理提供了新的手段。

1、下载后解压放在matlab的toolbox工作路径下package_emd文件夹。 2、打开matlab，选择File- Set Path- Add with Subfolders-你刚才下载的工具箱（package_emd）点进去- Save- Close。 3、此时选择work下package_emd文件夹作为工作路径，即是C:\Program Files\MATLAB\R2010a\toolbox\package_emd。 4、在Command Window里面输入mex -setup回车，问是否选择已有的编译器你选y回车，再问选择哪个编译器，你可以选择C++的那个选择相应的编号（如 2）回车，然后让你核对是否选择对了编译器等等，你输入y回车。就安装成功了。

该工具箱为MATLAB的EMD经验模态分解的工具箱，使用简单，可以基于此求希尔伯特黄变换和边际谱，详细帮助可以参考word文档。

这个工具包有两个主要目的。 1. Hermite-Gaussian 和 Laguerre-Gaussian 基中近轴光束的分解和可视化。 （这些函数位于子目录“transverse”中。） 2.通过包括两镜法布里-珀罗腔的光学系统传播此类光束。 （这些函数位于子目录“axis”中。） 还有一些其他的东西，包括根据渐近膨胀（给出艾里图案）表示的切趾（剪裁）高斯光束。 所有的函数都有注释和标题，应该能让感兴趣的人使用它们。 还有一组示例演示了基本功能。

EEMD是针对EMD方法的不足，提出了一种噪声辅助数据分析方法。EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。当然，每个独立的测试都可能会产生非常嘈杂的结果，这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的，当使用足够测试的全体均值时，噪声将会被消除。全体的均值最后将会被认为是真正的结果，随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身。

iceemdan分解