CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）是一种用于信号分解的方法，它通过添加自适应噪声并多次执行经验模态分解（EMD）来提高信号分解的准确性和鲁棒性。以下是使用CEEMDAN程序的一般步骤：
1. 安装CEEMDAN工具包
使用MATLAB
1. 打开MATLAB。
2. 导航到包含`package_emd`的文件夹。
3. 运行`install_emd.m`函数以安装CEEMDAN工具包。
使用Python
1. 安装PyEMD库：
```bash
pip install pyemd
```
2. 安装其他依赖库（如果需要）：
```bash
pip install numpy
```
2. 加载数据
在MATLAB中，你可以使用`load`函数加载数据，例如：
```matlab
load sineE； % 横坐标数据
load sortedY； % 纵坐标数据
x = sortedY； % 待分解的数据
```
在Python中，你可以使用NumPy生成测试信号：
```python
import numpy as np
t = np.linspace（0, 1, num=200）
s = np.sin（2 * np.pi * 5 * t） + np.sin（2 * np.pi * 10 * t）
```
3. 执行CEEMDAN分解
MATLAB
```matlab
% 噪声方差
noise_variance = 0.2；
% 添加噪声的次数
num_noise_additions = 500；
% 最大分解层数
max_decomposition_layers = 5000；
% 执行CEEMDAN分解
[modes, its] = ceemdan（x, noise_variance, num_noise_additions, max_decomposition_layers）；
```
Python
```python
from pyemd import CEEMDAN
设置CEEMDAN参数
noise_amplitude = 0.2
ensemble_size = 100
执行CEEMDAN分解
ceemdan = CEEMDAN（s, noise_amplitude=noise_amplitude, ensemble_size=ensemble_size）
```
4. 重构信号
从原始信号中减去已得到的IMFs，得到新的残余信号，并重复分解过程，直到满足停止准则。
5. 绘制结果
在MATLAB中，你可以使用`plot`函数绘制原始信号和分解后的IMFs：
```matlab
figure
plot（sineE, x）；
hold on
plot（sineE, sortedY）；
hold on
plot（sineE, d4）； % 假设d4是你感兴趣的IMF
hold on
legend（'dSNR', 'd3+d4', 'd4'）；
```
在Python中，你可以使用Matplotlib绘制结果：
```python
import matplotlib.pyplot as plt
plt.plot（t, s）
plt.plot（t, ceemdan.decompose（s））
plt.legend（['Original Signal', 'CEEMDAN Decomposed Signal']）
plt.show（）
```
6. 计算样本熵
样本熵（Sample Entropy, SE）是一种衡量时间序列复杂度的指标。你可以使用MATLAB或Python计算样本熵。
MATLAB
```matlab
% 计算样本熵
sample_entropy = ceemdan_sample_entropy（d4）； % 假设d4是你感兴趣的IMF
```
Python
```python
from pyemd import sample_entropy
计算样本熵
sample_entropy = sample_entropy（d4）
```
7. 保存结果
你可以使用`saveas`函数保存图像和其他结果。
MATLAB
```matlab
saveas（gcf, 'plot1.jpg'）；
```
Python
```python
plt.savefig（'plot1.jpg'）
```
通过以上步骤，你可以使用CEEMDAN程序对信号进行分解，并计算分解后不同模态函数的样本熵。希望这些信息对你有所帮助!