前文提到了混疊模態問題，在語音頻號中是否會出現混疊模態？應該是會出現的。下面舉的例子還是在wu的文章上的例子。
對乙個「hello」的音訊訊號做經驗模態分解，音訊訊號如下圖fig. 10.
先對這個訊號做常規的emd分解，分解得到的多級本徵模函式如下圖fig.11. 從第二階本徵模函式及往後的波形都可以看到有高度分離的幅值和尺度的地方，這就說明了存在混疊模態。
下面進行eemd分級，先做的是新增雜訊。這裡新增的雜訊幅值為訊號均方根的0.1.分解得到的本徵模態函式波形如圖fig. 12所示：
這分解的效果是比emd的好很多，特別是第三階本徵模態函式，基本上可以很好反映原始訊號。其他階的訊號也有明顯的改善。
求每一階本徵模函式的hilbert spectra，從頻域分布看改善的效果。
從上面兩幅圖中，作者認為eemd方法得到的結果中混疊模態問題得到嘞很好的解決，因為圖中基本沒有過渡帶（transition gaps），基波（basic frequency）基本都是連續的。
談矩陣分解在推薦系統中的應用
為了方便介紹，假設推薦系統中有使用者集合有6個使用者，即u 專案 物品 集合有7個專案，即v 使用者對專案的評分結合為r，使用者對專案的評分範圍是 0,5 r具體表示如下 矩陣分解演算法的數學理論基礎是矩陣的行列變換。在 線性代數 中，我們知道矩陣a進行行變換相當於a左乘乙個矩陣，矩陣a進行列變換等...
矩陣分解SVD在推薦系統中的應用
參考自 其實說參考也不準確，準確地說應該是半翻譯半學習筆記。仔細整理一遍，感覺還是收穫很大的。任意乙個m n的矩陣a m行 n列，m n 可以被寫成三個矩陣的乘積 1.u m行m列的列正交矩陣 2.s m n的對角線矩陣，矩陣元素非負 3.v n n的正交矩陣的倒置 即a u s v 注意矩陣v需要...
奇異值分解在機器視覺中的應用
本文 上一次寫了關於pca與lda 的文章，pca的實現一般有兩種，一種是用特徵值分解去實現的，一種是用奇異值分解去實現的。在上篇文章中便是基於特徵值分解的一種解釋。特徵值和奇異值在大部分人的印象中，往往是停留在純粹的數學計算中。而且線性代數或者矩陣論裡面，也很少講任何跟特徵值與奇異值有關的應用背景...