CEEMDAN与ICEEMDAN对比：从模态混叠到残余噪声的实战选型指南

做信号处理的人，大概都绕不开EMD这条线。我从轴承故障诊断入坑，最开始用原始EMD，被模态混叠折磨得够呛；后来换EEMD，收敛了混叠，但残留噪声和分解层数不齐的问题又跳出来；再后来接触CEEMDAN，觉得终于有个"完全分解+可重构"的方案了；直到有一次在副载波提取任务里，CEEMDAN前几阶IMF明显带噪，我才认真去读了Colominas那篇ICEEMDAN的论文。这篇文章把我前后对比测试的完整过程、代码实现和选型经验整理出来，给正在这两个方法之间犹豫的人一个参考。无论你是做机械故障诊断、心电信号分析，还是打算把时频分解接进深度学习预测模型，这篇都适用。

1. 从EMD到ICEEMDAN：这十几年到底在改什么

1.1 原始EMD的痛点：模态混叠不止是"叠加"这么简单

EMD（经验模态分解）的核心思想很朴素：把一段非平稳、非线性信号，通过"筛选"过程逐层剥离出若干个本征模态函数（IMF），每个IMF本身满足两个条件——极值点数量与过零点数量之差最多为1，且上下包络的局部均值处处为0。具体操作是对信号找极值、用三次样条拟合上下包络、求均值、减去均值，然后对残差重复操作。这个思路不依赖任何基函数，甚至不需要预先假设信号的频率结构，这是它比傅里叶变换和小波变换更吸引人的地方。

但实际操作起来，EMD有个非常头疼的问题叫模态混叠：一个IMF里时而出现两个不同频带的成分，或者同一个物理成分被拆到相邻两个IMF里。最典型的是间歇性高频脉冲。我在齿轮箱振动信号上做过测试——原始信号里有一个转速相关的啮合频率分量，叠加了一个周期性冲击成分。EMD分解结果里，冲击成分不仅出现在高频IMF，还污染了低频IMF的局部区间，时频图上变成一团糊。这个问题不是简单滤波能解决的，因为EMD本身就是数据驱动的，某个区间的极值分布一旦被高频扰动改变，包络均值就会被"带偏"，筛选过程也就跟着错。

1.2 EEMD用噪声对冲止血，但留下了新问题

EEMD（集合经验模态分解）的思路很聪明：既然噪声会导致极值分布不稳定，那就主动加入白噪声，让噪声去填充频域的空隙，让混叠成分不再粘连。具体来说，对信号加入多次不同的白噪声序列，对每次加噪后的信号分别做EMD，最后把所有试验中对应阶次的IMF取平均。

这个方案确实有效，但代价也很直接。第一，白噪声的平均值只有当试验次数趋于无穷时才严格为零，有限次试验必然在平均后的IMF里留下残余噪声，这个残差大约按试验次数的平方根反比衰减。也就是说，如果你想要把残余噪声压到足够低，试验次数通常要放大到几百次，计算开销直线上升。第二，每次试验分解出的IMF个数不一定一样，尤其是对短信号或信噪比低的信号，对齐阶次本身就变成了一个主观操作。第三，EEMD并不是"完全分解"，各IMF加总后并不严格等于原始信号，重构误差对后续做定量特征提取的场景是个隐患。我当时用EEMD做轴承故障特征提取，为了平衡残余噪声和运算时间，试验次数调到500，单条信号处理耗时几十秒，批量处理数据时非常被动。

1.3 CEEMDAN和ICEEMDAN的改进主线

CEEMDAN（完全自适应噪声集合经验模态分解）是Torres等人在2011年提出的，它把噪声注入方式从"一次性加到原始信号"改为"在每一阶残差上自适应加入噪声"，并且每次只提取第一阶IMF做平均。这样做的好处有两个：一是分解过程是完备的，所有IMF相加可以重构原始信号；二是试验次数不再需要几百次，通常几十次就能得到稳定的结果，因为噪声在每个阶段都被"消化"掉了。

ICEEMDAN（改进的CEEMDAN）是Colominas等人在2014年发表的，它的名字起得很谦虚，但其实改动是根本性的。它不再直接往信号里加白噪声，而是加白噪声经过EMD分解后的某一阶IMF分量；同时不再用"直接提取IMF再平均"的方式定义分解结果，而是改用"局部均值残差"来定义模态。这两个改动解决的是CEEMDAN的两大遗留问题：高频IMF里残留的噪声成分，以及早阶段出现的一些伪模态。一句话概括两代方法的差异：CEEMDAN是"聪明地加噪声"，ICEEMDAN是"加聪明的噪声"。

2. CEEMDAN与ICEEMDAN的算法机制对照

2.1 CEEMDAN：在残差上做"配平"

CEEMDAN的完整流程可以这样拆解。假设原始信号为x(t)，每个试验加入的白噪声为w^(i)(t)，噪声幅值为ε0。第一步，构造加噪信号x^(i)(t) = x(t) + ε0·w^(i)(t)，对所有试验分别做EMD，取各自第一阶IMF的平均值，作为CEEMDAN的第一阶IMF1(t)。然后计算第一残差r1(t) = x(t) − IMF1(t)。

从第二阶开始，不再重新对原始信号加噪，而是对残差加噪。设E1(·)表示对白噪声做EMD后提取第一阶IMF的操作。对第k阶，构造r_{k-1}(t) + ε_{k-1}·E_{k-1}(w^(i)(t))，再对这组信号做EMD，取各自第一阶IMF的平均，得到第k阶IMF。之后更新残差r_k(t) = r_{k-1}(t) − IMF_k(t)。循环直到残差不再适合继续分解（比如极值点数量不超过2个）。

这中间的"自适应"体现在哪里？每次加噪的幅值ε是按照当前残差的标准差来取值的，也就是说，哪个频段还有能量，就在哪个频段附近注入对应强度的噪声。相比EEMD对所有频段一刀切地加同样白噪声，CEEMDAN的噪声是经过前一阶分解"校准"过的。这也是它用更少试验次数就能获得稳定结果的原因。

2.2 ICEEMDAN：给噪声加"滤波"，给残差换"定义"

ICEEMDAN的改进需要从算子层面理解。定义M(·)为对信号求上下包络局部均值的运算，E_k(·)为对信号做EMD后提取第k阶IMF的运算。注意，这里的M(·)不是"直接输出IMF"，而是包络均值，它是EMD筛选过程中间产物。

第一步，构造加噪信号x^(i)(t) = x(t) + β0·E_1(w^(i)(t))，这里的E_1(w^(i))是白噪声的第一阶IMF，而不是白噪声本身。对加噪