一维信号的 HHT 变换。 包含经验模式分解 (EMD) 程序。 主要功能是HHT_Ver02.m。 例子clc; 清除; 关闭所有 Ts = 0.0005； Fs = 1 / Ts; N = 600； k = 0：N-1； t = k .* Ts; t = t'; sig(1:300,1) = 6 * sin(100 .* pi .* t(1:300))+0.1; sig(301:600,1) = 6 * sin(100 .* pi .* t(301:600)) + 1.5 * sin(300 .* pi .* t(301:600))+0.1； HHT_Ver02(t, sig, Fs);

本文采用经验模式分解（EMD）和BP_AdaBoost神经网络对油价进行建模。 基于这两种方法的优势，我们通过使用它们来预测油价。 在一定程度上有效地提高了短期价格预测的准确性。 将该模型的预测结果与ARIMA模型，BP神经网络和EMD-BP组合模型的结果进行比较。 实验结果表明，EMD和BP_AdaBoost模型的均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和Theil不等式（U）均低于其他模型，并且组合模型具有更好的预测精度。

利用经验模式分解（EMD）将信号分解成多个本征模式函数（IMF），每个IMF代表一定频率尺度的信号分量。

PyEMD 链接 HTML文档： ： 问题追踪器： : 源代码存储库： : 介绍 这是经验模式分解（EMD）的另一个Python实现。 该软件包包含许多EMD变体，并打算及时交付。 EMD变体： 集成EMD（EEMD）， “完整的EMD组合”（CEEMDAN） 香草EMD的不同设置和配置。 图像分解（EMD2D和BEMD）（实验性，不支持） PyEMD允许将不同的样条曲线用于包络，停止准则和极值插值。 可用花键： 自然立方[默认] 点向立方 秋间 线性的 可用的停止标准： 柯西收敛[默认] 固定迭代次数 连续原型IMF的数量 极端检测： 离散极值[默认] 抛物线插值 安装 受到推崇的 只需直接从GitHub或使用命令行下载此目录： $ git clone 然后进入下载的项目并从命令行运行： $ python setup.py安装 皮皮 从PyPi