“类EMD”分解7合1画图工具（MATLAB）

最后更新于：2025-01-03 21:02:35

该代码合成了EMD，EEMD，CEEMD，CEEMDAN，ICEEMDAN，EWT，VMD这7种模态分解方法。

代码提供了不同模态分解方法的演示案例。

同学们需要做的基本只需要替换掉需要分解的数据即可，非常简单易用。

视频备用地址

一、代码运行环境

MATLAB2020b及更新版本。

二、程序介绍

注：图标代表该m文件为脚本文件，可以直接运行；图标代表函数文件，在没有输入变量的情况下无法直接运行。更详细的解释可以看这里。

1.demoEMDs.m文件

用于测试”类EMD”分解功能的脚本文件，可以直接运行，其中调用了pEMDs和pEMDsandFFT。其中演示了使用EMD、EEMD、CEEMD、CEEMDAN、ICEEMDAN、EWT和VMD等7种”类EMD”方法对输入信号进行分解，并绘制分解图（包括二维和三维）、重构误差图和分解结果及其频谱图。

运行该文件，将绘制以下图片（以VMD分解为例，实际每种分解方法都会绘制图片）：

另外在命令行窗口将会打印各种算法的运行时间：

2.kEMDs.m文件

整合版”类EMD”分解函数，调用该函数会执行分解，不画图。该文件为函数文件，可以调用，不可以直接运行。该函数文件在pEMDs和pEMDsandFFT.m文件中调用。这个文件中实现了7种”类EMD”信号分解方法(EMD、EEMD、CEEMD、CEEMDAN、ICEEMDAN、EWT、VMD)的封装，属于偏底层的函数。

function [imf,CenFs,elapsedTime,reconError]  = kEMDs(data,FsOrT,methodSel, options)
% 整合版"类EMD"分解函数，调用该函数会执行分解，不画图
% 目前可以实现的分解方法包括：
% EMD，EEMD，CEEMD，CEEMDAN，ICEEMDAN，EWT，VMD共7种
% 输入：
% data：待分解的数据(一维)
% FsOrT：采样频率或采样时间向量，如果为采样频率，该变量输入单个值；如果为时间向量，该变量为与y相同长度的一维向量。如果未知采样频率，可设置为1
% methodSel：选择分解方法，可以设置的选项包括：
%            -'EMD'
%            -'EEMD'
%            -'CEEMD'
%            -'CEEMDAN'
%            -'ICEEMDAN'
%            -'EWT'
%            -'VMD'
% options：其他可设置的参数，使用结构体形式幅值，对于不同分解方法，需要设置的参数有所不同
%         - options.Nstd  为附加噪声标准差与Y标准差之比，默认为0.2
%         - options.NE    为对信号的平均次数，默认为100
%         - options.MaxIter：最大迭代次数，默认为1000
%         - options.MaxNumIMFs 最大的IMF数量，在EMD和EWT中可选设置，默认为缺省
%         - options.alpha 惩罚因子，在VMD中设置，默认值为2000
%         - options.K     指定分解模态数，仅在VMD中可设置
%         - options.tol   收敛容差，在VMD中设置，是优化的停止准则之一，可以取 1e-6~5e-6
% 输出：
% imf：内涵模态分量，统一为n*m格式，其中n为模态数，m为数据点数。例如 imf(1,:)即IMF1，imf(end,:)即为残差
% 注意，调用该函数得到的imf，其排列均是从高频向低频排列，这也是为了方便大家研究使用而保持了统一
% CenFs：即CentralFrequencies，各imf分量的中心频率，仅VMD分解可以输出，使用其他分解方法，该变量输出0
% elapsedTime：程序运行时间，单位为秒
% reconError：重构误差，即原始信号与重构信号之间的均方根误差

% 注意：在使用该代码之前，请务必安装工具箱：https://khsci.com/docs/index.php/2020/04/09/1/
% 代码说明：https://khsci.com/docs/index.php/2024/06/27/emds/
% 更多说明：https://zhuanlan.zhihu.com/p/704773627/

3.pEMDs.m文件

整合版”类EMD”分解函数,调用该函数将会分解并画图(模态分解图，无频谱)，会绘制重构误差图。该文件为函数文件，可以调用，不能直接运行。

function [imf,CenFs,elapsedTime,reconError] = pEMDs(data,FsOrT,methodSel, options)
% 整合版"类EMD"分解函数,调用该函数将会分解并画图(模态分解图,无频谱)，会绘制重构误差图
% 目前可以实现的分解方法包括:
% EMD,EEMD,CEEMD,CEEMDAN,ICEEMDAN,EWT,VMD共7种
% 输入:
% data:待分解的数据(一维)
% FsOrT:采样频率或采样时间向量,如果为采样频率,该变量输入单个值;如果为时间向量,该变量为与y相同长度的一维向量。如果未知采样频率,可设置为1
% methodSel:选择分解方法,可以设置的选项包括:
%            -'EMD'
%            -'EEMD'
%            -'CEEMD'  
%            -'CEEMDAN'
%            -'ICEEMDAN'
%            -'EWT'
%            -'VMD'
% options:其他可设置的参数,使用结构体形式幅值,对于不同分解方法,需要设置的参数有所不同
%         - options.Nstd  为附加噪声标准差与Y标准差之比,默认为0.2 
%         - options.NE    为对信号的平均次数,默认为100
%         - options.MaxIter:最大迭代次数,默认为1000
%         - options.MaxNumIMFs 最大的IMF数量,在EMD和EWT中可选设置,默认为缺省
%         - options.alpha 惩罚因子,在VMD中设置,默认值为2000
%         - options.K     指定分解模态数,仅在VMD中可设置
%         - options.tol   收敛容差,在VMD中设置,是优化的停止准则之一,可以取 1e-6~5e-6
% 输出:
% imf:内涵模态分量,统一为n*m格式,其中n为模态数,m为数据点数。例如 imf(1,:)即IMF1,imf(end,:)即为残差
% 注意,调用该函数得到的imf,其排列均是从高频向低频排列,这也是为了方便大家研究使用而保持了统一
% CenFs:即CentralFrequencies,各imf分量的中心频率,仅VMD分解可以输出
% elapsedTime:程序运行时间,单位为秒
% reconError:重构误差,即原始信号与重构信号之间的均方根误差

% 代码说明：https://khsci.com/docs/index.php/2024/06/27/emds/
% 更多说明：https://zhuanlan.zhihu.com/p/704773627/
% 注意:在使用该代码之前,请务必安装工具箱:https://khsci.com/docs/index.php/2020/04/09/1/

4.pEMDsandFFT.m文件

绘制信号模态分解与各IMF分量频谱对照图，也会绘制重构误差图。该文件为函数文件，可以调用，不能直接运行。

function [imf,CenFs,elapsedTime,reconError]  = pEMDsandFFT(data,FsOrT,methodSel, options)
% 画信号模态分解与各IMF分量频谱对照图，会绘制重构误差图
% 目前可以实现的分解方法包括：
% EMD，EEMD，CEEMD，CEEMDAN，ICEEMDAN，EWT，VMD共7种
% 输入：
% data：待分解的数据(一维)
% FsOrT：采样频率或采样时间向量，如果为采样频率，该变量输入单个值；如果为时间向量，该变量为与y相同长度的一维向量。如果未知采样频率，可设置为1
% methodSel：选择分解方法，可以设置的选项包括：
%            -'EMD'
%            -'EEMD'
%            -'CEEMD'
%            -'CEEMDAN'
%            -'ICEEMDAN'
%            -'EWT'
%            -'VMD'
% options：其他可设置的参数，使用结构体形式幅值，对于不同分解方法，需要设置的参数有所不同
%         - options.Nstd  为附加噪声标准差与Y标准差之比，默认为0.2
%         - options.NE    为对信号的平均次数，默认为100
%         - options.MaxIter：最大迭代次数，默认为1000
%         - options.MaxNumIMFs 最大的IMF数量，在EMD和EWT中可选设置，默认为缺省
%         - options.alpha 惩罚因子，在VMD中设置，默认值为2000
%         - options.K     指定分解模态数，仅在VMD中可设置
%         - options.tol   收敛容差，在VMD中设置，是优化的停止准则之一，可以取 1e-6~5e-6
% 输出：
% imf：内涵模态分量，统一为n*m格式，其中n为模态数，m为数据点数。例如 imf(1,:)即IMF1，imf(end,:)即为残差
% 注意，调用该函数得到的imf，其排列均是从高频向低频排列，这也是为了方便大家研究使用而保持了统一
% CenFs：即CentralFrequencies，各imf分量的中心频率，仅VMD分解可以输出
% elapsedTime:程序运行时间,单位为秒
% reconError:重构误差,即原始信号与重构信号之间的均方根误差
% 代码说明：https://khsci.com/docs/index.php/2024/06/27/emds/
% 更多说明：https://zhuanlan.zhihu.com/p/704773627/
% 注意：在使用该代码之前，请务必安装工具箱：https://khsci.com/docs/index.php/2020/04/09/1/

4.pFFT.m文件

封装好的fft计算程序，在pEMDsandFFT中调用，一般不需要修改。

三、快速开始

0.安装工具箱

点击这个链接，按照网页中的说明安装TFA_Toolboxs工具箱，这个工具箱中有模态分解需要用到的第三方库函数。

1.运行测试脚本

先在MATLAB里打开下载好的文件夹，然后运行demoEMDs.m程序，程序运行完毕后如果没报错，且正常画出分解图像，则说明运行环境正常，程序正确。

2.修改仿真数据/导入数据

复制一个demoEMDs.m的文件副本，在这个副本里做如下修改：

（1）第一种情况，你可能想要对你自己要研究的仿真数据进行模态分解测试，此时你需要对 demoEMDs.m 脚本文件中的第1小节内容进行修改替换即可。需要注意的是，请最好保持变量名的一致，即将待分解信号命名为data，采样频率或者时间轴命名为FsOrT。此时数据替换完成。

（2）第二种情况，你可能是想对一段真实采集的数据进行模态分解，此时需要根据你的文件类型的不同（excel,txt,csv等），将数据导入MATLAB的方法有所不同。同学们可以看博主针对常用文件的导入方法的这个教程，教程上未包含的数据类型，大家可以再参考这个文档。导入完成后请将这个待分解信号命名为data。

3.保留你需要的分解方法，并设置参数

demoEMDs.m中演示了七种方法的分解案例，你可以删掉不需要的分解方法，只保留你需要的部分即可。而相关参数设置，大家可以参照案例中的写法设置。

上述替换过程大家有不清楚的，请参考视频。

4.运行程序

此时运行程序即可。

四、关于完整版与公开版代码

功能	完整版	公开版
绘制类EMD分解图、绘制类EMD分解图及其频谱图、重构误差图	√	√
软件全部源码（函数m文件）	√	×
可导出分解结果imf、中心频率、重构误差值	√	×
可分析数据长度	无限制	1000个点以内

五、获取公开版程序（需使用电脑浏览器打开）

“类EMD”分解7合1画图公开版代码V2

文件尺寸: 76.28 KB

更新: 29-06-2024

下载

注：公开版代码需使用MATLAB2022a及以上版本。

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需91元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

您需要先支付 91元 才能查看此处内容！立即支付

七、完整版代码重要更新

20240629 完成初版代码

八、常见问题

问题1：分解出来的各分量没有按照从高频到低频的顺序排列，或者有些信号分解后从高频到低频排列，有些从低频到高频排列。

回答1：这是由于MATLAB版本在2020a以下，程序调用了第三方的vmd函数，该函数在求出imf分量时频率排序不稳定。安装MATLAB2020a及以上版本可以解决该问题，实现imf分量频率从高频到低频的顺序排列。

问题2：VMD中参数K和分解出来的数量是什么关系？

回答2：K的值等于IMF数量加1，也就是如果设置K=4，则会分解出3个IMF分量和1个趋势项res。

问题3：VMD中K的数值应该怎样选取？

回答3：对于K的取值，可以通过一些评价指标来进行评估，综合研判取值。比如使用中心频率判断、使用相关系数判断、使用峭度值判断等，不过没有放之四海而皆准的方法。在使用VMD算法进行信号分解时，需要综合考虑信号的特性、应用需求和实际效果等因素，来确定k的取值，最简单的方法就是参考研究领域相关论文的常用方法。

当然，如果你有选择困难症，也可以直接用店铺中的VMD优化算法，可以直接计算得到最优的K值（还有alpha值）：点击这里获取。

问题4：除了VMD，其他分解方法可以设置分解得到的imf的数量吗？

在网站现有的“类EMD”分解方法中，只有VMD分解是可以指定imf数的，其他的分解方法的分解数量均是自适应的，无法指定。

问题5：参数NE、Nstd、MaxIter该怎么设置？

NE: 噪声系数的数量。这是一个整数，代表生成噪声实例的次数。增加NE可以改善结果的一致性，但会增加计算时间。一般来说，NE的设置可以在50到100之间，具体可以根据你的数据和计算能力进行调整。

Nstd: 噪声标准差。这是一个浮点数，它定义了添加到信号中的噪声的标准偏差。通常，Nstd的值设置在0.1到0.2之间，它会影响到信号分解的精度。设置过高可能会引入太多噪声，过低则可能对噪声的效果不够。

MaxIter: 最大迭代次数。这是在执行经验模式分解过程中，每个模式（IMF）最大允许的迭代次数。如果迭代次数过少，可能无法得到一个好的IMF，如果过多，可能会导致计算时间过长。一般情况下，MaxIter的值可以设置在100到1000之间，具体取决于你的数据的复杂性和计算能力。