国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

matlab自帶VMD詳解,VMD去噪,VMD分解

這篇具有很好參考價(jià)值的文章主要介紹了matlab自帶VMD詳解,VMD去噪,VMD分解。希望對大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方,請大家不吝賜教,您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

為了更好的利用MATLAB自帶的vmd函數(shù),本期作者將詳細(xì)講解一下MATLAB自帶的vmd函數(shù)如何使用,以及如何畫漂亮的模態(tài)分解圖。

首先給出官方vmd函數(shù)的調(diào)用格式。

[imf,residual,info]?=?vmd(x)

函數(shù)的輸入:

這里的x是待分解的信號,一行或者一列都可以!

函數(shù)的輸出:

第一個(gè)參數(shù)位置--imf:vmd分解得到的IMF分量。

第二個(gè)參數(shù)位置--residual:殘余分量,殘差表示原始信號x中未被vmd分解的部分。

第三個(gè)參數(shù)位置--info,是一個(gè)結(jié)構(gòu)體,包含以下信息:

ExitFlag——終止標(biāo)志。值0表示算法在達(dá)到最大迭代次數(shù)時(shí)停止。值為1表示算法在滿足絕對和相對公差時(shí)停止。

CentralFrequencies——IMF的中心頻率。

NumIterations——迭代總數(shù)。

AbsoluteImprovement——在最后兩次迭代之間,IMF收斂的均方絕對改進(jìn)。

RelativeImprovement——在最后兩次迭代之間,IMF收斂的平均相對改進(jìn)。

LagrangeMultiplier?——上一次迭代時(shí)的頻域拉格朗日乘數(shù)。

示例:

以西儲大學(xué)軸承故障的105.mat為例,進(jìn)行vmd分解展示。代碼如下:

clc
clear
fs=12000;%采樣頻率
Ts=1/fs;%采樣周期
L=2000;%采樣點(diǎn)數(shù)
t=(0:L-1)*Ts;%時(shí)間序列
%----------------導(dǎo)入內(nèi)圈故障的數(shù)據(jù)-----------------------------------------
load 105.mat
X = X105_DE_time(1:L); %這里可以選取DE(驅(qū)動(dòng)端加速度)、FE(風(fēng)扇端加速度)、BA(基座加速度),直接更改變量名,挑選一種即可。
[imf,residual,info] = vmd(X);
figure(1);
[p,q] = ndgrid(t,1:size(imf,2));
plot3(p,q,imf)
grid on
xlabel('Time Values')
ylabel('Mode Number')
zlabel('Mode Amplitude')

選取105.mat的2000個(gè)采樣點(diǎn),進(jìn)行分解,結(jié)果圖如下所示:matlab vmd,matlab,前端,人工智能,算法,javascript

還可以指定vmd的模態(tài)分解數(shù)和懲罰因子:

[imf,residual,info]?=?vmd(X,'NumIMF',6,'PenaltyFactor',2500,')

matlab vmd,matlab,前端,人工智能,算法,javascript

可以看到,模態(tài)分解數(shù)變成了6個(gè)。

當(dāng)分解模態(tài)數(shù)較多的時(shí)候,還可以這樣畫圖:

clc
clear
fs=12000;%采樣頻率
Ts=1/fs;%采樣周期
L=2000;%采樣點(diǎn)數(shù)
t=(0:L-1)*Ts;%時(shí)間序列
%----------------導(dǎo)入內(nèi)圈故障的數(shù)據(jù)-----------------------------------------
load 105.mat
X = X105_DE_time(1:L); %這里可以選取DE(驅(qū)動(dòng)端加速度)、FE(風(fēng)扇端加速度)、BA(基座加速度),直接更改變量名,挑選一種即可。
[imf,residual] = vmd(X,'NumIMF',9);
t1 = tiledlayout(3,3,TileSpacing="compact",Padding="compact");
for n = 1:9
    ax(n) = nexttile(t1);
    plot(t,imf(:,n)')
    xlim([t(1) t(end)])
    txt = ["IMF",num2str(n)];
    title(txt)
    xlabel("Time (s)")
end
title(t1,"Variational Mode Decomposition")

結(jié)果如下:

matlab vmd,matlab,前端,人工智能,算法,javascript

VMD去噪

對分解的信號進(jìn)行重構(gòu),即為去噪,代碼如下:

cleanX = sum(imf(:,2:8),2);
figure
plot(t,X,t,cleanX)
legend("Original X","Clean X")
xlabel("Time (s)")
ylabel("Signal")

這里選用IMF2-IMF8進(jìn)行相加,丟棄了IMF1和IMF9。為什么要這么做呢,這是MATLAB官方文檔給出的解釋:

第一種模式包含最多的噪聲,第二種模式是以重要特征的頻率振蕩。通過對除第一個(gè)和最后一個(gè)VMD模式之外的所有模式求和來構(gòu)建干凈的X信號,從而丟棄低頻基線振蕩和大部分高頻噪聲。

結(jié)果如下:

matlab vmd,matlab,前端,人工智能,算法,javascript

105.mat下載地址:https://engineering.case.edu/sites/default/files/105.mat

感覺作者總結(jié)還不錯(cuò)的,留個(gè)小小的贊吧!文章來源地址http://www.zghlxwxcb.cn/news/detail-738084.html

到了這里,關(guān)于matlab自帶VMD詳解,VMD去噪,VMD分解的文章就介紹完了。如果您還想了解更多內(nèi)容,請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點(diǎn)僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符,請點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋,一經(jīng)查實(shí),立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

  • 變分模態(tài)分解(VMD)

    變分模態(tài)分解(VMD)

    在信號處理中,變分模態(tài)分解是一種信號分解估計(jì)方法。該方法在獲取分解分量的過程中通過迭代搜尋變分模型最優(yōu)解來確定每個(gè)分量的頻率中心和帶寬,從而能夠自適應(yīng)地實(shí)現(xiàn)信號的頻域剖分及各分量的有效分離。 VMD(Variational mode decomposition)是一種自適應(yīng)、完全非遞歸的

    2023年04月09日
    瀏覽(25)
  • VMD分解,matlab代碼,包絡(luò)線,包絡(luò)譜,中心頻率,峭度值,能量熵,近似熵,包絡(luò)熵,頻譜圖,希爾伯特變換,包含所有程序MATLAB代碼,-西儲大學(xué)數(shù)據(jù)集為例

    VMD分解,matlab代碼,包絡(luò)線,包絡(luò)譜,中心頻率,峭度值,能量熵,近似熵,包絡(luò)熵,頻譜圖,希爾伯特變換,包含所有程序MATLAB代碼,-西儲大學(xué)數(shù)據(jù)集為例

    目錄 目錄 1.選取數(shù)據(jù) 2.VMD函數(shù)-matlab代碼?? 3.采用matlab腳本導(dǎo)入數(shù)據(jù)并做VMD分解? 4.計(jì)算中心頻率 5.結(jié)果展示? 6.智能算法優(yōu)化VMD參數(shù) 選取1797轉(zhuǎn)速下的內(nèi)圈故障數(shù)據(jù),也就是105.mat,數(shù)據(jù)集可以在官網(wǎng)下載。 下載數(shù)據(jù)文件|凱斯工程學(xué)院 |凱斯西儲大學(xué) (case.edu) https://engineering

    2023年04月17日
    瀏覽(21)
  • 變分模態(tài)分解(VMD)-Python代碼

    變分模態(tài)分解(VMD)的原理推薦兩個(gè)參考連接 變分模態(tài)分解原理步驟和VMD算法的介紹 代碼可直接運(yùn)行 以上就是所有內(nèi)容,感謝敢看!求三連!

    2024年02月16日
    瀏覽(55)
  • 變分模態(tài)分解(VMD)原理-附代碼

    變分模態(tài)分解(VMD)原理-附代碼

    1 VMD算法原理 VMD的思想認(rèn)為待分解信號是由不同IMF的子信號組成的。VMD為避免信號分解過程中出現(xiàn)模態(tài)混疊,在計(jì)算IMF時(shí)舍棄了傳統(tǒng)信號分解算法所使用的遞歸求解的思想,VMD采用的是完全非遞歸的模態(tài)分解。與傳統(tǒng)信號分解算法相比,VMD擁有非遞歸求解和自主選擇模態(tài)個(gè)數(shù)

    2024年02月02日
    瀏覽(26)
  • 變分模態(tài)分解(VMD)與其改進(jìn)算法

    變分模態(tài)分解(VMD)與其改進(jìn)算法

    ? ? ? ? 之前參加課題組相關(guān)信號處理的課題的學(xué)習(xí)筆記。 ????????變分模態(tài)分解(variational mode decomposition)VMD是2014年提出的一種非遞歸信號處理方法,通過將時(shí)間序列數(shù)據(jù)分解為一系列具有有限帶寬的本征模態(tài)函數(shù)(IMF),迭代搜尋變分模態(tài)的最優(yōu)解。VMD可以自適應(yīng)更新各

    2024年02月07日
    瀏覽(26)
  • EI級 | Matlab實(shí)現(xiàn)VMD-TCN-BiLSTM變分模態(tài)分解結(jié)合時(shí)間卷積雙向長短期記憶神經(jīng)網(wǎng)絡(luò)多變量光伏功率時(shí)間序列預(yù)測

    EI級 | Matlab實(shí)現(xiàn)VMD-TCN-BiLSTM變分模態(tài)分解結(jié)合時(shí)間卷積雙向長短期記憶神經(jīng)網(wǎng)絡(luò)多變量光伏功率時(shí)間序列預(yù)測

    預(yù)測效果 基本介紹 1.【EI級】Matlab實(shí)現(xiàn)VMD-TCN-BiLSTM多變量時(shí)間序列預(yù)測(光伏功率數(shù)據(jù)); Matlab實(shí)現(xiàn)VMD-TCN-BiLSTM變分模態(tài)分解結(jié)合時(shí)間卷積雙向長短期記憶神經(jīng)網(wǎng)絡(luò)多變量光伏功率時(shí)間序列預(yù)測; VMD對光伏功率分解,TCN-BiLSTM模型對分量分別建模預(yù)測后相加。 2.運(yùn)行環(huán)境為Ma

    2024年02月01日
    瀏覽(26)
  • 時(shí)間序列信號處理(一)-----變分模態(tài)分解(VMD)

    時(shí)間序列信號處理(一)-----變分模態(tài)分解(VMD)

    1.簡述變分模態(tài)分解 變分模態(tài)分解--vmd,適用于非線性時(shí)間序列信號,主要是利用求解變分問題的思想去對信號進(jìn)行提取,在不丟失原始信號特征的情況下,把一個(gè)原始信號分解成多個(gè)不同中心頻率的信號,即不在同一個(gè)調(diào)制信號內(nèi)。 2.以軸承信號為例 安裝vmd庫,直接pip in

    2024年02月16日
    瀏覽(29)
  • 使用VMD(Variational-Modal-Decomposition)分解多維信號

    很多博客都說的比較好了 vrcarva/vmdpy: Variational mode decomposition (VMD) in Python (github.com) https://github.com/vrcarva/vmdpy GitHub已經(jīng)將matlab里的實(shí)現(xiàn)方法用Python寫出來了 并且也已經(jīng)有了大佬做解讀 (10條消息) 變分模態(tài)分解(VMD)運(yùn)算步驟及源碼解讀_comli_cn的博客-CSDN博客_變分模態(tài)分解 htt

    2024年02月01日
    瀏覽(29)
  • Python論文復(fù)現(xiàn):VMD之自適應(yīng)選擇分解模態(tài)數(shù)K值

    Python論文復(fù)現(xiàn):VMD之自適應(yīng)選擇分解模態(tài)數(shù)K值

    ??信號分解方法中,雖然變分模態(tài)分解(Variational Mode Decomposition, VMD)有嚴(yán)格的數(shù)學(xué)推導(dǎo),能有效抑制端點(diǎn)效應(yīng)、模態(tài)混疊等問題,但其分解模態(tài)數(shù)需預(yù)設(shè)。然而實(shí)際工程中,真實(shí)信號的頻譜較為嘈雜且頻帶個(gè)數(shù)較難確定,一般觀察分析具體信號的頻譜圖設(shè)置合理的模態(tài)數(shù)

    2024年01月17日
    瀏覽(16)
  • 【VMD-LSTM】變分模態(tài)分解-長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)研究(Python代碼實(shí)現(xiàn))

    【VMD-LSTM】變分模態(tài)分解-長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)研究(Python代碼實(shí)現(xiàn))

    ???????? 歡迎來到本博客 ???????? ??博主優(yōu)勢: ?????? 博客內(nèi)容盡量做到思維縝密,邏輯清晰,為了方便讀者。 ?? 座右銘: 行百里者,半于九十。 ?????? 本文目錄如下: ?????? 目錄 ??1 概述 1.1 變分模態(tài)分解算法 1.2?LSTM ??2 運(yùn)行結(jié)果?編輯 ??3?

    2024年02月09日
    瀏覽(22)

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包