3.CEEMD（互补集合经验模态分解）

CEEMD（Complementary Ensemble Empirical Mode Decomposition，互补集合经验模态分解）是在EEMD基础上进一步发展的一种信号分解方法。与EEMD不同，CEEMD在随机噪声的生成和添加方式中采用了互补集合构建策略，以期提高信号分解的鲁棒性和可重复性。同时，CEEMD还采用了组合加权策略进行信号重构，以减小重构误差。

CEEMD的基本流程如下：

1. 构建互补集合，生成多组随机噪声，将噪声加到原始信号上生成多组随机试验信号；

2. 对每组试验信号进行EEMD分解，得到一组IMF函数；

3. 将每组IMF函数进行组合加权处理，生成一组总IMF函数；

4. 对总IMF函数进行EEMD分解，得到一组新的IMF函数；

5. 按照3-4步骤反复迭代，直到得到的IMF函数的数量不再增加。

经过CEEMD分解后，可以对不同的IMF函数进行分析和处理，例如可以对噪声成分进行过滤、对信号的长期和短期趋势进行分离等。同时，组合加权和迭代分解等策略的使用，也提高了CEEMD的信号分解稳定性和准确性。

（1）原始信号的组成

（2）CEEMD分解的效果

具体代码见：https://mbd.pub/o/bread/mbd-ZJqYmJhr