（经验模式分解+CNN）用于时间序列预测

Question

我目前正在做一个时间序列项目，我打算采用EMD+CNN技术来预测输出。将 EMD 应用于训练数据后，我总共获得了 14 个本征模态函数 (IMF)。因此，我构建了尺寸为 (30100, 20, 14, 1) 的 CNN 神经网络，其中 20 代表窗口大小。然而，我在尝试使用 EMD 分解测试数据时遇到了问题，因为它只产生了 11 个 IMF。这种不一致导致尝试执行 CNN 模型时出现错误。 请注意，我正在使用 Python 中的 EMD 信号库。

我有两个问题：是否有一种方法可以在 EMD 分解过程中强制执行一致数量的 IMF？如果没有，是否有一种自动方法来选择最重要的 IMF？

Answer 1

从 PyEMD 文档 来看，EMD.emd() 函数有一个参数 max_imf （int，默认=-1）。应执行分解的 IMF 数。负值表示全部。

对于替代方案，“最重要”可能取决于上下文，因为有多种方法可以测量信号/波形。一个明显的衡量标准是音量/幅度 - 请查看下图所示的第二个记录示例。初始边缘效应后，IMF1 的振幅约为 0.2，IMF 2、3 和 4 的振幅分别为 10、2 和 1。

要自动找到最大幅度，您可以查找每个 IMF 中间 50% 的最大/最小值（以避免边缘效应），然后选择最大的 n 个 IMF。但其他事情可能很重要 - 例如，如果波的时间段为 1 周/天/分钟，这可能在您的环境中具有重要意义。