在查阅了有关 HHT 和 EMD 的文献后，我发现 HHT 的“黄”部分来自于他是最先提出 EMD 的人。这解释了方法的名称......

有关 EMD 和 HHT 的更多发展，我推荐 Rilling 等人的论文。“关于经验模态分解及其算法”。对于说法语的幸运儿，Rilling 的博士学位。关于 EMD 的论文似乎不再在线提供；该文档看起来非常完整，并且包含非常详细的 EMD 数学分析。相关文章也可以在 Google Scholar 上找到英文版。

可以这样总结 HHT：

1. EMD：将初始信号分解为固有模式函数（IMF）列表；
2. 希尔伯特变换计算与 IMF 相关的瞬时频率（非常适合这种变换）
3. 希尔伯特谱，表示使用瞬时频率在频/时域中表示 IMF 的幅度。

这是一个基于时间信号的简单示例： for s。该信号的特点是其幅度的二次增长与其频率的线性增长相结合。以下是信号的 HHT 导致的结果：$y(t)=t^2sin(t^2)$$t\in[0;~16]$

感兴趣的信号

从 EMD 获得的 IMF

$y(t)$ ">

瞬时频率

希尔伯特谱（从 0 到最大振幅的白色到黑色）

一些人将 HHT 视为广义傅立叶变换，因为 HHT 对感兴趣的信号的分解会导致幅度和频率变化的时间信号。

HHT 的一个显着缺点在于它对边缘效应的敏感性（在一维中靠近其左右边界的信号会发生什么）。为了减轻这些影响，存在几种技术。上面提到的 Rilling 的文章采用了镜像策略，而其他面向工程的策略可能涉及波形匹配技术。