经验模态分解（EMD）的一个主要问题是模态混叠。研究表明，引起模态混叠的因素主要包括间歇信号、脉冲干扰和噪声信号等[63]。很多学者提出了解决方法，如Wu等提出的总体平均经验模态分解（EEMD），Yeh提出的补充的总体平均经验模态分解（CEEMD）等，二者都对EMD的分解有很好的抑制效果。但二者的缺陷是，计算量大，且如果添加白噪声幅值和迭代次数不合适，分解会出现较多伪分量，需要对IMF分量进行重新组合或者后续处理，而且得到的分量未必满足IMF定义条件。
事实上，添加白噪声的目的是为了改变信号极值点的分布，由于添加的白噪声和原始信号中引起模态混叠的间歇信号以及噪声等异常信号会最先被分解出，而在分解出异常信号之后，信号渐近平稳，极值点分布较为均匀，没必要再添加白噪声进行总体平均分解。基于此，本节提出了一种改进的EEMD算法，称之为部分集成经验模态分解（partly ensemble empirical mode decomposition，PEEMD），即：首先，采用补充的总体平均经验模态分解（CEEMD）对待分析信号依据瞬时频率高低逐层分解。其次，检测分解出的分量的排列熵值。排列熵是一种时间序列的随机性检测方法，熵值越大，说明序列越随机；熵值越小，说明序列越规则；且排列熵值取值在[0，1]区间，便于控制，因此，本节采用排列熵检测信号的随机性。由于先分解出的高频信号和噪声随机性较大，因此熵值较大，而当分解出的分量为平稳信号时，序列较为规则，熵值则较小，因此，通过设置排列熵阈值可以实现随机性的检测。最后，检测出通过总体平均得到的前几个较随机的异常分量之后，将其从原始信号中分离，再对得到的剩余信号进行EMD分解，并对得到的所有分量信号按高频到低频排列。PEEMD不但能够在一定程度上抑制EMD分解的模态混叠，而且克服了EEMD和CEEMD的不足，具有一定的优越性。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
