1. eemd方法有沒有時間尺度要求
號的方法，從根本上有 別於傳統的信號時頻分析方法，並在實際應用中取得了很好的效果。 EMD分解演算法通過層層篩選，得到信號不同時間特徵尺度的IMF分量。EMD 分解的主要目的是為了將信號進行平穩化處理，對IMF分量進行Hilbert變換
2. 信號通過EMD後產生IMF，求不同階IMF的瞬時頻率並輸出圖像
這個分解是基於希爾伯特-黃變換和希爾伯特變換而來，通過黃變換濾除信號里局域的直流成分，短時內是純交流成分。而之所以不直接使用希爾伯特變換後利用復信號的d(phi)/dt=w (phi是角度）的方式來求信號的瞬時頻率，是因為信號可能存在非頻率波動的成分，也就是說可能信號的波動是因幅值引起，這樣求得的頻率可能是負值，而希爾伯特變換的信號頻率不存在負的，所以才需要以上的黃變換這個分解imf的過程。但這個分解精度純粹因信號本身而異，存在一定的風險。不過據我認為，信號在離散的情況下，黃變換並不是必須的，只需要在希爾伯特變換之前加一些簡單處理即可，這種方式得到的瞬時頻率與用了imf後得到的再matlab下得到的圖像基本一樣。樓主可自己編寫程序，這個程序包不是必須
3. 如何利用eemd程序得出徑流量序列的分解結果
時間序列T，最簡單的用法是IMF = EMD（T），當然，也有很多選擇EMD，例如IMF = EMD（X，...，'的option_name'，Option_value，...），詳細使用安裝工具箱可以幫助照顧後的HHT
4. eemd分解的是行數據還是列數據
EEMD是針對EMD方法的不足,提出了一種雜訊輔助數據分析方法。EEMD分解原理為:當附加的白雜訊均勻分布在整個時頻空間時,該時頻空間就由濾波器組分割成的不同尺度成分組成。當信號加上均勻分布的白雜訊背景時,不同尺度的信號區域將自動映射到與背景白雜訊相關的適當尺度上去。當然,每個獨立的測試都可能會產生非常嘈雜的結果,這是因為每個附加雜訊的成分都包括了信號和附加的白雜訊。既然在每個獨立的測試中雜訊是不同的,當使用足夠測試的全體均值時,雜訊將會被消除。全體的均值最後將會被認為是真正的結果,唯一持久穩固的部分是信號本身,所 加入的多次測試是為了消除附加的雜訊。
全稱為Ensemble Empirical Mode Decomposition (集合經驗模分解)(Wu and Huang, 2009)，是EMD（經驗模分解）(Huang et al. 1998; Huang and Wu, 2008)的改進演算法，有效的解決了EMD的混頻現象。
Wu, Z., and N. E. Huang, 2009: Ensemble Empirical Mode Decomposition: a noise-assisted data analysis method. Advances in Adaptive Data Analysis, 1, 1?41.
Huang, N. E., and Z. Wu, 2008: A review on Hilbert-Huang transform: Method and its applications to geophysical studies. Rev. Geophys., 46, RG2006, doi:10.1029/2007RG000228.
Huang, N. E., Z. Shen, S. R. Long, M. C. Wu, E. H. Shih, Q. Zheng, C. C. Tung, and H. H. Liu, 1998: The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis. Proceedings of the Royal Society A, London, 454, 903–995.
在氣候領域的應用如：
Wu, Z., E. K. Schneider, B. P. Kirtman, E. S. Sarachik, N. E. Huang, and C. J. Tucker, 2008: The molated annual cycle: an alternative reference frame for climate anomalies. Climate Dyn., 31, 823–841.
Qian, C., C. Fu, Z. Wu, and Z. Yan, 2009: On the secular change of spring onset at Stockholm. Geophys. Res. Lett., 36, L12706, doi: 10.1029/2009GL038617.
Franzke, C., 2010: Long-range dependence and climate noise characteristics of Antarctic temperature data. J. Climate, doi: 10.1175/2010JCLI3654.1
Breaker, L. C., and A. Ruzmaikin, 2010: The 154-year record of sea level at San Francisco: extracting the long-term trend, recent changes, and other tidbits. Climate Dynamics, doi: 10.1007/s00382-010-0865-4
在工程領域的應用如：
李海濤,王成國,許躍生,吳朝華, 2007: 基於EEMD的軌道—車輛系統垂向動力學的時頻分析. 中國鐵道科學，28(5), 24-30.
Lei, Y., Z. He, Y. Zi, 2009: Application of the EEMD method to rotor fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing, 23 (4), 1327-1338.