大数据研究现状探讨.pptVIP

4-Extreme-Point Symmetric Mode Decomposition Method for Data Analysis 极点对称模态分解方法; 在HHT基础上四点创新： -使用更多个内插值曲线去实现筛选过程（1,2,3…） -最后的剩余作为最优曲线，拥有一定数目的极值点，而不是带有自多一个极值点的一般趋势 -使用极值点对称取代包络线对称 -使用基于数据的直接插值方法去计算瞬时频率和振幅 -确定一个优化全局平均曲线时，使用的自适应方法，比一般的最小二乘法和平均运行方法要好； -确定瞬时频率和振幅，用的是直接的方法，比希尔伯特谱更好 -这些将提高自适应的数据分析，可用在大气和海洋科学、信息学、经济学、生态学、医药、地震等领域 4.1-经验模态分解EMD（Empirical Mode Decomposition）: EMD 方法在理论上可以应用于任何类型的时间序列（信号）的分解 该方法的关键是它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。EMD分解方法是基于以下假设条件： （1）数据至少有两个极值，一个最大值和一个最小值； （2）数据的局部时域特性是由极值点间的时间尺