經驗模態分解是近年來發展起來的分析非線性、非平穩信號的新方法，已經應用于許多工程領域，并體現出了獨特的優勢，然而在經驗模態分解過程中，當樣條函數擬合信號上、下包絡時卻存在著棘手的端點問題，在論述經驗模態分解原理的基礎上，針對篩
過程存在的邊界效應，提出了將外推極值點與鏡像延拓相結合的邊界效應處理方法，進一步完善了經驗模態分解理論;在仿真實驗中，將所提的經驗模態分解與基于鏡像延拓、基于AR模型延拓等經驗模態分解進行了性能對比，實驗結果表明所提出的方法能夠有效地抑制經驗模態分解過程中出現的邊界效應，具有通用性好、適應性強等優點。
1998年，美國宇航局NordenE.Huang等人提出了一種分析非線性、非平穩信號的新方法一經驗模態分解(EMD)E'l。與傳統方法不同的是，EMD是基于信號特征時間尺度的時域分解方法，能夠將非平穩信號分解成為一系列具有不同特征時間尺度的固有模態函數(IMF)，而每個IMF表示了原始信號的一個固有振動模態，它們很好地體現了非平穩信號的局部特性。EMD已應用于信號檢測、·橋梁故障監測等工程領域，并體現出了獨特的優勢〔2-3]。
然而在經驗模態分解的過程中，當擬合信號的上下包絡時會出現嚴重的邊界效應。文獻[4〕提出了用神經網絡技術對信號進行預測來抑制邊界效應，但該方法存在著網絡訓練不收斂的情況，并且需要預測較多的數據點，導致計算速度太慢，因此實用性不強;文獻[5」提出了對邊界極值點進行鏡像延拓的邊界處理方式，雖然該方法在處理較長周期信號時能夠取得一定的效果，但是當信號兩端最外側的極值點不是信號的對稱點時，或當信號的端點離信號的對稱點較遠時，處理的效果則欠佳;文獻[6]提出了利用AR模型對信號兩側進行延拓的邊界處理方法，雖然能在一定程度上抑制邊界效應，但是為了得到信號兩側外的極值點，需為預測的數據點個數設定一個較大的數值，影響篩過程的精度，導致該算法的通用性不好。
本文在分析經驗模態分解原理及篩過程中出現邊界效應原因的基礎上，提出了將外推極值點與鏡像延拓相結合的邊界處理方法來抑制邊界效應。在仿真實驗中，將本文所提的方法和基于鏡像延拓、基于AR模型延拓等經驗模態分解進行了對比分析，驗證所提出算法的有效性。