数字信号处理技术（二）变分模态分解（VMD） |
您所在的位置：网站首页 › vmd是什么职业 › 数字信号处理技术（二）变分模态分解（VMD） |
数字信号处理技术（二）变分模态分解（VMD）
|
本文仅对变分模态分解（VMD）的原理简单介绍和重点介绍模型的应用。 1、VMD原理变分模态分解（VMD）的原理在此不做详细介绍，推荐两个不错的解释参考连接 变分模态分解原理步骤 和VMD算法的介绍 官方源码 2、 VMD应用实战 2.1 简介研究方向是时间序列数据预测，采用的数据都是时间序列数据，本次实验的数据集是海浪高度数据信息。 2.2 数据集链接：https://pan.baidu.com/s/1H-g_FkGHqTJD9nTzbnnzog 提取码：604m 对数据进行预处理等操作，在此不做介绍。后面有时间，可以专门介绍一下预处理的操作方式。 2.3 实验实验代码演示 import numpy as np import matplotlib.pyplot as plt from vmdpy import VMD import pandas as pd from scipy.fftpack import fft filename= r'D:\研究生文件\代码区\2020.10.12\41046\41046ban.csv' f = pd.read_csv(filename,usecols=[1]) plt.plot(f.values) alpha = 7000 # moderate bandwidth constraint tau = 0. # noise-tolerance (no strict fidelity enforcement) K = 8 # 3 modes DC = 0 # no DC part imposed init = 1 # initialize omegas uniformly tol = 1e-7 """ alpha、tau、K、DC、init、tol 六个输入参数的无严格要求； alpha 带宽限制 经验取值为 抽样点长度 1.5-2.0 倍； tau 噪声容限 ； K 分解模态（IMF）个数； DC 合成信号若无常量，取值为 0；若含常量，则其取值为 1； init 初始化 w 值，当初始化为 1 时，均匀分布产生的随机数； tol 控制误差大小常量，决定精度与迭代次数 """ u, u_hat, omega = VMD(f.values, alpha, tau, K, DC, init, tol) plt.figure() plt.plot(u.T) plt.title('Decomposed modes') fig1 = plt.figure() plt.plot(f.values) fig1.suptitle('Original input signal and its components') # 中心模态 # 根据中心频率可以求分解子序列的个数 # 保存子序列数据到文件中 for i in range(K): a = u[i,:] dataframe = pd.DataFrame({'v{}'.format(i+1):a}) dataframe.to_csv(r"D:\研究生文件\代码区\2020.10.12\41046\VMDban-%d.csv"%(i+1),index=False,sep=',')注意：需要代码和数据，请私聊，完整版代码、分解思路和重构方式都可以讨论。 2.3 结果分解的序列数据图像 VMD可以很好的解决EMD 中出现的模态混叠现象，所以现在很多研究方向转向了VMD，利用其优点和其他的模型进行结合使用。 VMD的子序列个数的选择，有些是根据模态混叠现象，有些是进行迭代寻优，有些是自己指定个数等等方式。 4 进一步思考出于对模型的认知，现阶段来说，或许是信号分解方法中比较好的，可以利用其优点去进一步对其他模型进行优化。同时，变分模态分解本身也可以进行改进，比如说参数的选择和调整。 |
原数据信息图片 
分解后的单个序列图像 图像缩小后截图，效果看起来可能不会不太行，数据量有点大，不适合一个个截图。 
中心模态的图像 
保存的部分文件信息 
【本文地址】