在中央大学网站上下载了EEMD程序，但不知道需要改那些参数，怎么改，谢谢

捌布

在中央大学网站上下载了程序，里面的源代码貌似不用改，但是以下画图时的程序，需要改哪些参数呢，求助，万分感谢

>>                         load gsta.dat;

>>                         plot(gsta(:,1),gsta(:,2));

>>                         axis([1850 2010 -0.6 0.6]);

>>                         title('the annual mean global surface temperature anomaly')

>>                         xlabel('year')

>>                         ylabel('Kelvin')

                         

                               
登录/注册后可看大图

2)                              Using the program as a traditional EMD                         tool

The                          eemd.m                         can be                         used as an EMD decomposition tool:

>>                         year=gsta(:,1);

>>                         inData=gsta(:,2);

>>                        rslt=eemd(inData,0,1);

>>                         plot(year,rslt(:,2));

>>                         hold on;

>>                         plot(year,rslt(:,3)-0.3);

>>                         plot(year,rslt(:,4)-0.6);

>>                         plot(year,rslt(:,5)-0.9);

>>                         plot(year,sum(rslt(:,6:8),2)-1.3,'r-');

>>                         hold off

>>                         set(gca,'yTickLabel',[]);

>>                         axis([1850 2010 -1.8 0.3]);

>>                         xlabel('year');

                               
登录/注册后可看大图

“relt”                          is a matrix containing the decomposition results, with the first                         column the original input (“gsta(:,2)”)                          and the last column the trend. In between are the IMFs of                         frequencies from high to low.

It should be noted that since in                         the                          eemd.m,                         the total number of IMFs m is specified as log2(N)-1, in some                         occasions (such as the one in this example), the components may be                         excessively extracted. In these cases, the sum of the latest columns                         may already satisfy the definition of a trend.

3)  Instantaneous frequency of                         an IMF

The instantaneous frequency can be                         obtained through calling                                                  ifndq.m                         function:

>>                        omega_m3=ifndq(rslt(:,4),1);

>>                         subplot(2,1,1);

>>                         plot(year,rslt(:,4));

>>                         axis([1850 2010 -0.12 0.12]);

>>                         title('IMF C3');

>>                         ylabel('Kelvin');

>>                         grid;

>>                         subplot(2,1,2);

>>                         plot(year, omega_m3/2/pi,'r-');

>>                         grid;

>>                         xlabel('year');

>>                         ylabel('cycle/year');

>>                         title('instantaneous frequency');

>>                         axis([1850 2010 0 0.12]);

                               
登录/注册后可看大图

It should be noted that the                         instantaneous frequency calculation program is not suitable for                         under sampled oscillations, such as the first IMF (with an averaged                         period about 3 data points).  However, for such under sampled                         oscillations, the instantaneous frequency is no longer                          “instantaneous” any way, and any method used to obtain such a                         quantity will have big errors.

　

4)  Using the program as a EEMD                         tool

The                                                  eemd.m can be                         used as an EEMD decomposition tool. In this case, the noise assed                         has an amplitude (standard deviation) of 0.2 of the standard                         deviation of the linearly detrended annual mean global surface                         temperature anomaly; and the number of ensemble is 100:

>>                        rslt=eemd(inData,0.2,100);

>>                         t(1)=1850;

>>                         t(2)=2010;

>>                         y1(1)=0;

>>                         y1(2)=0;

>>                         y2(1)=-0.3;

>>                         y2(2)=-0.3;

>>                         y3(1)=-0.6;

>>                         y3(2)=-0.6;

>>                         y4(1)=-0.9;

>>                         y4(2)=-0.9;

>>                         y5(1)=-1.2;

>>                         y5(2)=-1.2;

>>                         y6(1)=-1.6;

>>                         y6(2)=-1.6;

>>                         plot(t,y1,'k-');

>>                         hold on;

>>                         plot(t,y2,'k-');

>>                         plot(t,y3,'k-');

>>                         plot(t,y4,'k-');

>>                         plot(t,y5,'k-');

>>                         plot(t,y6,'k-');

>>                         plot(year,rslt(:,1));

>>                         plot(year,rslt(:,3)-0.3);

>>                         plot(year,rslt(:,4)-0.6);

>>                         plot(year,rslt(:,5)-0.9);

>>                         plot(year,rslt(:,6)-1.2);

>>                         plot(year,sum(rslt(:,7:8),2)-1.6,'r-');

>>                         set(gca,'yTickLabel',[]);

>>                         title('EEMD decomposition of GSTA (A_n=0.2; N_e_s_b=100)')

>>                         axis([1850 2010 -2.1 0.2]);

>>                         xlabel('year');

                               
登录/注册后可看大图

5)  Statistical significance                         test

Since the annual mean global                         surface temperature anomaly behaves completely different from a                         white noise series, we use computer generated white noise to                         illustrate how the                          significance.m                         can be used:

>>                         clear;

>>                         clf;

>>                        data=randn(512,1);

>>                         rslt=eemd(data,0,1);

>>                         imfs=rslt(:,2:8);

>>                                                [sigline95,logep]=significance(imfs,0.05);

>>                                                [sigline99,logep]=significance(imfs,0.01);

>>                         plot(sigline95(:,1),sigline95(:,2));  %  95 percenta line

>>                         hold on

>>                         plot(sigline99(:,1),sigline99(:,2),'m-');  % 99 percenta line

>>                         plot(logep(:,1),logep(:,2),'r*');  

>>                         plot(logep(1,1),logep(1,2),'k*');

>>                         grid;

>>                         xlabel('LOG2 ( Mean Period )');

>>                         ylabel('LOG2 ( Mean Normalized Energy )');

>>                         title('Significance test of IMFs of white noise');

>>                         axis([0 10 -7 0])

                               
登录/注册后可看大图

3)  Trend and detrending                          

For example, in the previous                         decomposition, the sum of the last three columns satisfies the                         definition of trend well.

>>                         plot(year, rslt(:,1));

>>                         hold on;

>>                         plot(year, sum(rslt(:,7:8),2),'r-');

>>                         plot(year, sum(rslt(:,6:8),2),'g-');

>>                         plot(year, sum(rslt(:,5:8),2),'m-');

>>                         title('Trends of different timescales');

>>                         ylabel('Kelvin');

>>                         xlabel('year');

>>                         grid;

                               
登录/注册后可看大图