【亲测免费】 PyEMD 技术文档

---

安装指南

PyEMD 是一个用Python实现的经验模态分解（Empirical Mode Decomposition, EMD）库，支持多种变体如 Ensemble EMD（EEMD）、完全ensemble EMD（CEEMDAN）等。

通过PyPi安装（推荐）

对于大多数用户，推荐使用 pip 安装最新稳定版本：

pip install EMD-signal

从源码安装

若需要最新版本或者对项目进行贡献，则应从GitHub获取源码：

首先，克隆仓库到本地：

git clone https://github.com/laszukdawid/PyEMD

然后进入项目目录并安装：

cd PyEMD
python3 -m pip install .

或者直接通过 pip 使用 Git 链接安装最新代码：

pip install git+https://github.com/laszukdawid/PyEMD.git

虚拟环境建议：为了管理不同的项目依赖，强烈建议在安装前创建一个Python虚拟环境。

项目的使用说明

PyEMD提供了直观的接口来执行经验模态分解及其变种。

快速入门

以基本的 EMD 为例：

from PyEMD import EMD
import numpy as np

# 创建一个随机信号
s = np.random.random(100)
# 初始化EMD对象
emd = EMD()
# 进行EMD分解
IMFs = emd(s)

EEMD 和 CEEMDAN 示例

由于EEMD和CEEMDAN可能涉及大量计算，运行时最好包含在 if __name__ == "__main__": 条件语句中：

from PyEMD import EEMD, CEEMDAN

# 使用EEMD
s = np.random.random(100)
eemd = EEMD()
eIMFs = eemd(s)

# 使用CEEMDAN
ceemdan = CEEMDAN()
cIMFs = ceemdan(s)

可视化示例

PyEMD提供了可视化辅助工具：

import numpy as np
from PyEMD import EMD, Visualisation

t = np.linspace(0, 3, 300)
S = np.sin(13*t + 0.2*t**1.4) - np.cos(3*t)

emd = EMD()
imd, res = emd.emd(S)

vis = Visualisation()
vis.plot_imfs(imfs=imd, residue=res, t=t)
vis.show()

项目API使用文档

API的具体详情包括每种方法的参数和返回值，可在官方文档中找到。例如，EMD类的主要方法emd(signal)用于分解原始信号，返回的是IMFs列表以及残留项。

总结

PyEMD是一个强大的Python库，适用于时间序列分析中的非线性、非平稳信号处理。它提供了丰富的选项来定制分解过程，且附带实验性的功能如JitEMD和2D EMD。正确的安装与调用这些API将使用户能够高效地进行信号的分解分析。

注意

使用实验性功能（如EMD2D/BEMD）时，请注意其可能会有未经充分验证的结果，确保适合您的应用场景。

最后，如果您在使用过程中有任何疑问，或希望提供反馈和改进意见，请参考文档中的联系方式与作者联系。