前言
信号是信息的载体，一个信号往往涵盖了一个系统所具备的某些特征。现实世界中很多物理过程都可以通过数字化采样来获得一系列信号，通过对信号的处理和分析，我们可以获得关于这个系统的一些信息。比如雨量站观测到的降雨信号，通过分析降雨时间序列，我们可以揭示大气水分循环的季节性和周期性。分析这些复杂的信号主要有两种手段，第一种，就是直接对信号进行定量的分析，该信号直接表征某种物理量的多少。第二种，我们需要先对信号做一些展开或者变化，把一组已知的信号投影到新的坐标系中，这种展开往往能提供更加丰富多样的信息。信号分离的目的是使信号简单化、意义化。
什么是随机信号
信号是信息的载体，由于接收端在接收到信息之前，不可能切确的知道要接受的信息是什么，所以是随机的信号。此外，由于信号在传递过程中不可避免的会受到各种干扰和噪声的影响，这些噪声也具有随机性，故称为随机信号。
如何去分析随机信号
正是因为信号是随机的，所以不像确定信号那样可以通过明确的函数进行表示，所以常常用信号的统计学特征去表征随机的信号。对于信号的分析，通常可以从时阈和频阈两个角度进行。常用的分析方法有傅里叶变化、小波变换、经验模态分解（EMD）、变分模式分解（VMD）和Hibert-Huang变换(HHT)等方法。
常见的噪声分布形式
噪声是时刻变化的，具有非常大的不确定性。但噪声的分布一般服从一定的规律。常见的噪声类型为高斯噪声，此外，还有白噪声等。
集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）
基本概念
EEMD是最常见的一种EMD改进方法，它的主要优势是解决EMD方法中的模态混叠现象。
模态分解：就是指不同模态的信号混叠再一起，一般是不同尺度特征的信号在一个IMF分量中出现。反过来，同一特征尺度的信号被分散到不同的IMF分量中。
EEMD是怎样解决这个问题的呢？
EEMD的主要改进思路是：利用白噪声均值为0的特征，通过在分解的过程中多次引入均匀分布的白噪声，将信号本身的噪声通过多次人类添加的噪声掩盖过去，从而得到更加精准的上下包络线。同时对分解结果进行平均处理，平均处理次数越多，噪声给分解带来的影响就越小。
EEMD分解主要分为4步：
- 设定原始信号的处理次数m
- 给这m个原始序列分别添加随机白噪声，组成一系列新的信号
- 对着一系列的新信号分别进行EMD分解，得到一系列的IMF分量
- 对相应模态的IMF分量分别求均值，得到EEMD分解结果
