2025《价格预测的模态分解方法概述》1700字.docxVIP

价格预测的模态分解方法概述

目录

TOC\o1-3\h\u8819价格预测的模态分解方法概述 1

236721.1经验模态分解 1

14821.2集合经验模态分解 2

203241.3模态分解步骤 2

1.1经验模态分解

经验模态分解（EmpiricalModeDecomposition）简称EMD模型，是Huang等人于1998年提出的一种具有基于数据自身来进行信号分解的信号处理方法。该方法主要是基于数据自身瞬时频率来进行信号分解，正是由于这样的特点，EMD方法在理论上可以被应用在许多类型的信号分解问题上，因此在处理非平稳、非线性时间序列方面具有十分明显的优势。该方法一经提出，立即受到不同工程领域的强烈关注，例如机械故障诊断、地震观测、气象分析、大气预测、土木工程结构等领域。该方法的自适应性主要体现在不同于其他信号分解方法，EMD方法自身不需要提前预设基函数，而是基于信号序列时间尺度的局部特征对时间序列逐步分解，自适应的提取具有不同特征尺度的IMFs（本征模态函数，IntrinsicModeFunctions），所分解得的各IMF分量包含了原信号序列各种不同时间尺度下的局部信号特征。EMD方法不同于传统线性和平稳频谱分析方法，它在非平稳和非线性数据的处理方面具有独特的优势。

EMD分解方法的基本假设如下：

在完整时间跨度里，信号至少要有两个极值点——一个局部最大值点和一个局部最小值点。

数据的局部时域特性是由两个相邻极值点间的变化唯一确定;

当数据没有极值点但有拐点时，将数据微分一次或多次直至获得极值点，分解后再通过积分来获得结果。

IMF需要满足两个条件：

在完整时间跨度里，为了让瞬时频率有意义，局部极值点和零点的数目应相等，或最多相差一个;

在任意时刻，为了使瞬时频率不受波形不对称的影响，由局部极大值点决定的上包络线和由局部极小值点决定的下包络线的平均值必须为零。

总的来说，EMD方法会将非平稳时间序列分解成若干IMF，这些IMF可能是线性的也可能是非线性的，每个IMF都在一定程度上刻画了时间序列的本质特征，同时经过分解还会得到一个趋势项，从而刻画时间序列总体的趋势，消除了许多极端事件对原始序列的影响，描述了原始序列的整体变化情况。

1.2集合经验模态分解

虽然经验模态分解方法能够很好的对非平稳、非线性信号进行分解，但是由于信号本身的原因以及算法本身的缺陷，分解所得的IMFs可能会包含不同时间尺度的特征成分，这种现象我们称之为模态混叠。同时因为IMF的分解过程中需要多次迭代，然而目前又不存在统一标准来决定何时停止迭代，所以不同的迭代情况下我们往往会得到不同的IMFs。

为了解决EMD方法存在的模态混叠问题，集合经验模态分解（EnsembleEmpiricalModeDecomposition）应运而生。EEMD方法利用白噪声零均值的特性很好的解决了EMD方法中存在的不足，其对原始信号多次加入不同尺度的白噪声，来弥补原始信号中缺失的时间尺度，并对处理后的信号分别进行分解，得到不同的IMFs，对相同顺序的IMF取均值，利用零均值噪声的特性将噪声相互抵消，得到的IMFs即为最终分解结果。

1.3模态分解步骤

EMD分解步骤

确定原始信号It，找出所有的极大值，极小值点。用三次样条插值函数拟合所有极大值点，拟合得到的曲线即为上包络线M1；同样的方法拟合所有极小值点，得到下包络线M2

m

原始信号It减去均值m1得到残差

h

此时若h1t满足IMF条件，则其为第一个得到的分量，如果不满足条件，则对h1

在原始信号中去除掉imf1的信息，得到残差记为r1

r

将残差序列r1t作为新信号，重复步骤（1）-（4），直到最后一个得到的残差序列不满足EMD基本假设，记为

最终原始信号被分解得n个imf与1个趋势项rn

I

EEMD分解步骤

对原始信号加入白噪声：

I

对进行加噪处理得到的Ii

I

i代表第i次分解，j代表每次分解得到的第j个结果。

重复步骤（1）（2），对原始信号分别加入互不相同的白噪声，并进行EMD分解。

将m次重复分解后得到的结果进行求均值，具体操作为分别对同阶的imf与趋势项求均值得到最终的imf与趋势项：

imf

r

最终得到原始信号EEMD分解的结果:

I