以減少取樣來提升經驗模態分解演算法計算效率之研究

Improving the computational efficiency of empirical mode decomposition algorithm by down sampling

經驗模態分解法(Empirical Mode Decomposition, EMD)是近年來相當被重視的一種非穩態訊號時頻分析及濾波的工具。其基本精神是透過一套篩選程序(Sifting Process)將訊號分解成一個均值趨勢(mean trend)訊號與許多零均值震盪函數的加總，這些震盪函數被稱為本質模態函數(Intrinsic Mode Function, IMF)。EMD的篩選程序必須用到極值點搜尋與立方雲線內插等演算法，這些方法的運算複雜度與訊號取樣點量成正比，當取樣點數目過大時，EMD的計算效率將會非常低落。本論文提出在EMD分解過程中加入減少取樣(Down Sampling)的方法，減少低頻分量取樣點數目，提高每一個IMF的迭代篩選的效率，進而提升EMD整體的計算速度，實驗結果顯示，本方法可大幅提升EMD的計算速度。