1. eemd方法有没有时间尺度要求
号的方法，从根本上有 别于传统的信号时频分析方法，并在实际应用中取得了很好的效果。 EMD分解算法通过层层筛选，得到信号不同时间特征尺度的IMF分量。EMD 分解的主要目的是为了将信号进行平稳化处理，对IMF分量进行Hilbert变换
2. 信号通过EMD后产生IMF，求不同阶IMF的瞬时频率并输出图像
这个分解是基于希尔伯特-黄变换和希尔伯特变换而来，通过黄变换滤除信号里局域的直流成分，短时内是纯交流成分。而之所以不直接使用希尔伯特变换后利用复信号的d(phi)/dt=w (phi是角度）的方式来求信号的瞬时频率，是因为信号可能存在非频率波动的成分，也就是说可能信号的波动是因幅值引起，这样求得的频率可能是负值，而希尔伯特变换的信号频率不存在负的，所以才需要以上的黄变换这个分解imf的过程。但这个分解精度纯粹因信号本身而异，存在一定的风险。不过据我认为，信号在离散的情况下，黄变换并不是必须的，只需要在希尔伯特变换之前加一些简单处理即可，这种方式得到的瞬时频率与用了imf后得到的再matlab下得到的图像基本一样。楼主可自己编写程序，这个程序包不是必须
3. 如何利用eemd程序得出径流量序列的分解结果
时间序列T，最简单的用法是IMF = EMD（T），当然，也有很多选择EMD，例如IMF = EMD（X，...，'的option_name'，Option_value，...），详细使用安装工具箱可以帮助照顾后的HHT
4. eemd分解的是行数据还是列数据
EEMD是针对EMD方法的不足,提出了一种噪声辅助数据分析方法。EEMD分解原理为:当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时,不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。当然,每个独立的测试都可能会产生非常嘈杂的结果,这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的,当使用足够测试的全体均值时,噪声将会被消除。全体的均值最后将会被认为是真正的结果,唯一持久稳固的部分是信号本身,所 加入的多次测试是为了消除附加的噪声。
全称为Ensemble Empirical Mode Decomposition (集合经验模分解)(Wu and Huang, 2009)，是EMD（经验模分解）(Huang et al. 1998; Huang and Wu, 2008)的改进算法，有效的解决了EMD的混频现象。
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.
在气候领域的应用如：
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
在工程领域的应用如：
李海涛,王成国,许跃生,吴朝华, 2007: 基于EEMD的轨道—车辆系统垂向动力学的时频分析. 中国铁道科学，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.