ICEEMDAN（改进的自适应噪声完备集合经验模态分解） ICEEMDAN的主要目的是解决CEEMDAN中残留噪声和伪模态的问题。本篇是继EEMD、CEEMD、CEEMDAN后的信号分解方法。，ICEEMDAN（改进的自适应噪声完备集合经验模态分解） ICEEMDAN的主要目的是解决CEEMDAN中残留噪声和伪模态的问题。本篇是继EEMD、CEEMD、CEEMDAN后的信号分解方法。

适用于Matlab2020b及以上版本，因为用到matlab自带经验模态分解（EMD）程序，附有例子以及绘图函数

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。

在研究脑电信号特性的基础上，提出了一种基于CEEMD-PE对脑电信号进行降噪的方法。完全集合经验模态分解（CEEMD）能够克服模态混叠的问题，因此，对脑电信号进行CEEMD分解，得到一组固有模态函数（IMF）分量，计算各个IMF分量的排列熵（PE）值，依据PE的值剔除基本为噪声的IMF分量，将降噪后的分量与保留的分量进行重构，得到降噪后的脑电信号。实验结果表明，用CEEMD-PE对脑电信号进行降噪，在抑制噪声的同时，还有效地保留了脑电信号的细节特性，去噪性能更好。

提出了基于集合经验模态分解(EEMD)和奇异值(SVD)相结合的微弱信号提取方法和高低频部分的判别准则:采用EEMD把信号分解成几部分,将IMF分为高频段与低频段2部分,对2部分分别进行奇异值处理,叠加得到降噪信号,做出其频谱图,得到所需要的有用信号。此方法可以在未知原信号的情况下提取,并且可以提取信噪比为-15 dB的信号。仿真结果和对比分析表明,此方法能更好地提取微弱特征信号。

EEMD-LSTM-DO-prediction EEMD(集合经验模态分解)、LSTM(长短时记忆网络)、time series prediction(时间序列预测)、DO（dissolved oxygen,溶解氧） 本文提出了一种改进后的 LSTM 模型，即 EEMD-LSTM 模型。该方法在获取原始 溶解氧时间序列后并预处理后，经过 EEMD 分解为若干子序列，并对其分别建立 LSTM 预测模型，叠加个各个模型的预测结果即可获取最终的预测结果。在获取江苏无锡长江 水质实时监测站溶解氧数据后展开实验，选取原始 LSTM 模型、改进后的 BP 模型、原 始 BP 模型作为对比，实验表明，EEMD-LSTM 模型具有最小的预测误差，更好的模拟 溶解氧时间序列的走势，具有最好的预测效果。 This paper presents an improved LSTM model, the EEMD-

经验模态分解、集合经验模态分解、集合互补经验模态分解合集适合初学者学习

基于集合经验模态分解与Elman神经网络的线椒株高预测

EEMD是Ensemble Empirical Mode Decomposition的缩写，中文是集合经验模态分解，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分解原理是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。MATLAB版本