详细内容或原文请订阅后点击阅览
经验模态分解：分解复杂信号和时间序列的最直观方法
经验模式分解的逐步分解，帮助您从时间序列中提取模式后经验模式分解：分解复杂信号和时间序列的最直观方法首先出现在走向数据科学上。
来源:走向数据科学作为数据科学家来分析您的时间序列？您有没有想过信号处理是否可以让您的生活更轻松？
如果是的话 - 留在我身边。这篇文章是为你而写的。 🙂
使用现实世界的时间序列可能会......痛苦。金融曲线、心电图轨迹、神经信号：它们通常看起来像毫无结构的混乱尖峰。
在数据科学中，我们倾向于依赖经典的统计预处理：季节性分解、去趋势、平滑、移动平均……这些技术很有用，但它们带有很强的假设，但在实践中很少有效。当这些假设失败时，您的机器学习模型可能表现不佳或无法泛化。
今天，我们将探索一系列在数据科学培训中很少教授的方法，但它们可以彻底改变您处理时间数据的方式。
在今天的菜单上🍔
🍰 为什么传统方法难以处理现实世界的时间序列🍛 信号处理工具如何提供帮助🍔 经验模态分解 (EMD) 的工作原理以及失败的地方
我上面提到的“经典”预处理技术是很好的起点，但正如我所说，它们依赖于关于信号应如何表现的固定、定义的假设。
他们中的大多数假设信号是平稳的，这意味着其统计特性（均值、方差、频谱内容）随着时间的推移保持恒定。
但实际上，最真实的信号是：
- 非平稳（其频率内容不断变化）非线性（无法用简单的加性分量来解释）噪声同时与多个振荡混合
那么……“信号”到底是什么？
信号只是随时间变化的任何量（我们通常在数据科学中称为时间序列）。
时间序列一些示例：