经验模态分解EMD与三次样条插值算法源码

资 源 简 介

本项目提供了一套完整的经验模态分解（EMD）算法的MATLAB实现代码。EMD作为一种自适应的时间序列分析方法，特别适用于处理非线性和非平稳信号。本程序的核心功能是通过筛选过程（Sifting Process），依据信号自身的局部时间尺度特征，将复杂的原始信号分解为有限个固有模态函数（Intrinsic Mode Functions, IMF）分量和一个单调的残差趋势项。为了解决EMD筛选过程中构建上下包络线的核心数学难题，本项目源代码中内含了专门编写的三次样条插值算法（Cubic Spline Interpolation）M文件，该算法能够精确地对信号的局部极大值点和极小值点进行拟合，从而准确生成上包络线和下包络线，消除分解过程中的模式混叠现象。该工具包可广泛应用于机械设备的故障诊断与健康监测、地震波分析、生物医学信号（如EEG、ECG）去噪与特征提取、以及金融时间序列预测等领域，帮助研究人员从复杂数据中分离出不同频率成分的特征信号。

详 情 说 明

基于MATLAB的经验模态分解(EMD)算法与三次样条插值工具包

项目介绍

本项目提供了一套完全基于MATLAB原生代码实现的经验模态分解（Empirical Mode Decomposition, EMD）算法工具包。该项目的核心目标是解决非线性和非平稳信号的时频分析问题。

与传统的调用现成工具箱不同，本项目从底层数学原理出发，自主实现了三次样条插值（Cubic Spline Interpolation）算法，并将其集成到EMD的包络构建过程中。这使得代码在不依赖特定MATLAB信号处理工具箱的高级函数（如spline或findpeaks）的情况下，依然能够高效、准确地完成复杂的信号分解任务。

主要功能特性

• 自适应信号分解：能够将复杂的非平稳信号分解为多个固有模态函数（IMF）和一个残差项，物理意义明确。
• 自主研发的三次样条插值：内置基于三对角矩阵追赶法（Thomas Algorithm）的自然三次样条插值算法，用于精准拟合上下包络线。
• 不依赖第三方工具箱的核心算法：极值查找、插值拟合等核心步骤均为原生实现，提高了代码的可移植性和底层可控性。
• 非平稳信号模拟：内置复杂的模拟信号生成器，包含低频、中频、调幅高频、非线性趋势及随机噪声，用于算法验证。
• 希尔伯特谱分析演示：提供对分解出的IMF分量进行瞬时频率分析的示例。
• 完整可视化：自动生成原始信号、IMF分量分解图以及残差图。

系统要求

• MATLAB版本：R2016a 及以上版本（主要为了确保图形句柄及基础语法兼容性）。
• 工具箱：

* 核心算法（EMD分解、插值）：不需要任何额外工具箱。 * 结果可视化（main函数）：使用了 hilbert 函数进行瞬时频率展示，这属于 Signal Processing Toolbox；若无此工具箱可注释掉可视化部分的希尔伯特变换代码，不影响EMD核心计算。

使用方法

1. 下载本项目源代码。
2. 在MATLAB环境中打开包含主程序文件的文件夹。
3. 直接运行主程序入口函数。
4. 程序将自动执行以下流程：生成模拟信号 -> 执行EMD分解 -> 弹出结果分析图表。

---

详细功能与算法实现分析

本项目的主程序及辅助函数严格遵循EMD的理论框架，具体实现逻辑如下：

1. 模拟非平稳信号生成

程序首先构建了一个极其复杂的测试信号，时长1秒，采样率1000Hz，用于验证算法对不同频率和趋势的捕捉能力。信号由以下五个部分叠加而成：

• 低频分量：5Hz的正弦波。
• 中频分量：30Hz的正弦波（带相位偏移）。
• 高频调制分量：100Hz的载波，被2Hz的正弦波进行幅度调制（AM信号）。
• 非线性趋势项：二次函数 $2t^2$，模拟信号中的基线漂移。
• 随机噪声：幅度为0.1的高斯白噪声。

2. 经验模态分解 (EMD) 核心逻辑

EMD的核心通过筛选过程（Sifting Process）实现，将信号层层剥离：

• 筛选停止准则：采用了标准差（Standard Deviation, SD）作为内循环停止的依据。计算相邻两次筛选结果的差异，当SD小于设定的阈值（stop_thr = 0.05）或达到最大迭代次数（100次）时，停止当前IMF的筛选。
• 单调性判断：通过检查残差是否为单调函数或极值点极少，来决定是否结束整个分解过程。
• 端点处理：为了抑制EMD常见的 "端点效应"，在查找极值点时，算法强制将信号的时间起点和终点纳入极值点序列（采用直接端点约束法），确保包络线贯穿整个时间轴。

3. 自定义三次样条插值算法 (Cubic Spline Interpolation)

这是本项目的技术核心，用于根据极值点构建上下包络线。代码完全手动实现了数学推导过程，而非调用MATLAB内置函数：

• 方程构建：根据三次样条的二阶导数连续性性质，构建了关于二阶导数（弯矩）的线性方程组 $A cdot M = d$。
• 边界条件：采用了自然样条（Natural Spline）边界条件，即假定两端点的二阶导数为0 ($S''(x_1)=0, S''(x_n)=0$)。
• 求解算法：由于系数矩阵 $A$ 是三对角矩阵，代码实现了追赶法（Thomas Algorithm），这是一种高斯消元法的特定简化形式，能够以 $O(N)$ 的时间复杂度快速求解出线性方程组。
• 插值计算：解出二阶导数后，计算每个区间上三次多项式的系数 ($a, b, c, d$)，进而计算任意查询点处的包络值。
• 鲁棒性处理：当极值点数量不足3个时，算法自动退化为线性插值以避免报错。

4. 极值查找与管理

• 自定义极值搜寻：编写了专门的函数遍历信号寻找局部极大值和极小值，不依赖 findpeaks 函数。
• 数据清洗：对找到的索引进行了去重和排序操作，确保插值节点的单调递增性，这是样条插值数学计算的必要前提。

5. 结果分析与可视化

程序执行完毕后会生成两个图形窗口：

• 分解结果图：自上而下依次展示原始合成信号、分解出的若干个IMF分量（通常包含高频到低频的特征）、以及最终的残差趋势项。这直观地展示了EMD将混合信号中的噪声、高频调制、纯正弦波和二次趋势项逐级分离的能力。
• 瞬时频率分析图：选取分解出的第一个IMF分量（IMF 1），对其进行希尔伯特变换，计算并绘制其瞬时频率曲线。这通常用于观察信号中频率随时间变化的非平稳特征。