Attempt to execute SCRIPT Emd2 as a function:

imf=emd(x)

m=size(imf,1)

figure

for i=1:m

subplot(m,1,i)

plot(1:N,imf(i,1:N))

ylabel(['imf',num2str(i)])

end %%IMF图

y=0

for i=1:m

y=imf(i,:)+y

end %%restructure

a=corrcoef(x,y) %%完备性

%求时频谱

[A,f,t]=hhspectrum(imf(1:end-1, :))

%绘制瞬时包络图和瞬时频率图

figure

subplot(211),plot(t/N,f(1,:)*fs)xlabel('时间 t/s')ylabel('频率')title('imf1分量瞬时频率')

subplot(212),plot(t/N,f(2,:)*fs)xlabel('时间 t/s')ylabel('频率')title('imf2分量瞬时频率')

别于传统的信号时频分析方法，并在实际应用中取得了很好的效果。

EMD分解算法通过层层筛选，得到信号不同时间特征尺度的IMF分量。EMD

分解的主要目的是为了将信号进行平稳化处理，对IMF分量进行Hilbert变换，进

一步得到IMF分量对应的瞬时频率成分，这样得到的瞬时频率有了合理的物理意

义。通过Hilbert得到的的Hilbert/Huang频谱图是时间和频率的二变量函数，从中

可以得到任意时刻的频率信息，包括频率的大小和幅度以及出现的对应时刻，能

够详细的刻画非平稳非线性信号的时频特性。