EMD经验模态分解MATLAB源代码，非常好用

% clear; % clc; % P=[-1 -1 2 2 4;0 5 0 5 7]; T=[-1 -1 1 1 -1]; %利用minmax函数求输入样本范围 % net = newff(minmax(P),[8,1],{'tansig','purelin'},'trainrp'); %5 隐含层神经元个数 % net.trainParam.show=50; % net.trainParam.lr=0.05; % net.trainParam.epochs=300; % net.trainParam.goal=1e-5; % [net,tr]=train(net,P,T); % net.iw{1,1}%隐层权值 % net.b{1}%隐层阈值 % net.lw{2,1}%输出层权值 % net.b{2}%输出层阈值 % sim(net,P) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %BP网络的第一阶段学习期（训练加权系数wki，wij) %初始化 lr=0.05;err_goal=0.001; %lr为学习速率；err_goal为期望误差最小值 max_epoch=10000;a=0.9; %max_epoch为训练的最大次数；a为惯性系数 Oi=0;Ok=0; %置隐含层和输出层各神经元输出初值为0 %提供两组训练集和目标值（3输入，2输出） X=[1 1;-1 -1;1 1];T=[1 1;1 1]; %初始化wki，wij（M为输入节点j的数量；q为隐含层节点i的数量；L为输出节点k的数量） [M,N]=size(X);q=8;[L,N]=size(T); %N为训练集对数量 wij=rand(q,M);wki=rand(L,q); wij0=zeros(size(wij));wki0=zeros(size(wki)); for epoch=1:max_epoch %计算隐含层各神经元的输出 NETi=wij*X; for j=1:N for i=1:q Oi(i,j)=2/(1+exp(-NETi(i,j)))-1; end end %计算输出层各神经元输出 NETk=wki*Oi; for i=1:N for k=1:L Ok(k,i)=2/(1+exp(-NETk(k,i)))-1; end end %计算误差函数 E=((T-Ok)'*(T-Ok))/2; if(E<err_goal)break;end %调整输出层加权系数 deltak=Ok.*(1-Ok).*(T-Ok); w=wki; wki=wki+lr*deltak*Oi'+a*(wki-wki0); wki0=w; %调整隐含层加权系数 deltai=Oi.*(1-Oi).*(deltak'*wki)'; w=wij; wij=wij+lr*deltai*X'+a*(wij-wij0); wij0=w; end epoch %显示计算次数 %BP网络的第二阶段工作期（根据训练好的wki，wij和给定的输入计算输出） X1=X; %给定输入 %计算隐含层各神经元输出 NETi=wij*X1; for j=1:N for i=1:q Oi(i,j)=2/(1+exp(-NETi(i,j)))-1; end end %计算输出层各神经元的输出 NETk=wki*Oi; for i=1:N for k=1:L Ok(k,i)=2/(1+exp(-NETk(k,i)))-1; end end Ok %显示网络输出层的输出