【matlab】信号分解/故障诊断——智能优化算法优化VMD

目录

引言

应用领域

VMD代码实现

智能优化算法优化VMD


引言

VMD(变分模态分解)是一种新的非线性自适应信号分解方法,它通过变分原理将复杂信号分解为若干个具有不同频率中心和带宽的本征模态函数(Intrinsic Mode Functions, IMFs)。

变分原理:VMD的分解过程即变分问题的求解过程。在该算法中,IMF被定义为一个有带宽限制的调幅-调频函数。

目标:VMD算法的目标是找到若干模态函数,使得每个模态函数的带宽最小

自适应性强:VMD可以自适应地选择模态数量和频率中心。

高分辨率:VMD具有较高的时频分辨率,能够 取信号的时频特征。

抗噪性强:VMD对噪声具有较强的鲁棒性,能够有效分离信号和噪声。

避免问题:VMD将信号分量的获取过程转移到变分框架内,采用非递归的处理策略,能有效避免模态混叠、过包络、欠包络、边界效应等问题。

具体推导参考:

对变分模态分解(VMD)的理解_vmd的自适应形态-CSDN博客

变分模态分解(VMD)学习-CSDN博客

应用领域

信号处理:VMD广泛应用于各种信号处理任务,如语音信号处理、地震信号分析等。

机械故障诊断:VMD可以用于机械设备的故障诊断,通过分析振动信号,识别设备的故障状态。

生物医学信号分析:VMD在生物医学信号分析中具有重要应用,如心电信号分解、脑电信号分析等。

VMD代码实现

matalb中VMD函数,参照如下:

function [u, u_hat, omega] = VMD(signal, alpha, tau, K, DC, init, tol)% Period and sampling frequency of input signal
save_T = length(signal);
fs = 1/save_T;% extend the signal by mirroring
T = save_T;
f_mirror(1:T/2) = signal(T/2:-1:1);
f_mirror(T/2+1:3*T/2) = signal;
f_mirror(3*T/2+1:2*T) = signal(T:-1:T/2+1);
f = f_mirror;% Time Domain 0 to T (of mirrored signal)
T = length(f);
t = (1:T)/T;% Spectral Domain discretization
freqs = t-0.5-1/T;% Maximum number of iterations (if not converged yet, then it won't anyway)
N = 100;% For future generalizations: individual alpha for each mode
Alpha = alpha*ones(1,K);% Construct and center f_hat
f_hat = fftshift((fft(f)));
f_hat_plus = f_hat;
f_hat_plus(1:T/2) = 0;% matrix keeping track of every iterant // could be discarded for mem
u_hat_plus = zeros(N, length(freqs), K);% Initialization of omega_k
omega_plus = zeros(N, K);
switch initcase 1for i = 1:Komega_plus(1,i) = (0.5/K)*(i-1);endcase 2omega_plus(1,:) = sort(exp(log(fs) + (log(0.5)-log(fs))*rand(1,K)));otherwiseomega_plus(1,:) = 0;
end% if DC mode imposed, set its omega to 0
if DComega_plus(1,1) = 0;
end% start with empty dual variables
lambda_hat = zeros(N, length(freqs));% other inits
uDiff = tol+eps; % update step
n = 1; % loop counter
sum_uk = 0; % accumulator% ----------- Main loop for iterative updateswhile ( uDiff > tol &&  n < N ) % not converged and below iterations limit% update first mode accumulatork = 1;sum_uk = u_hat_plus(n,:,K) + sum_uk - u_hat_plus(n,:,1);% update spectrum of first mode through Wiener filter of residualsu_hat_plus(n+1,:,k) = (f_hat_plus - sum_uk - lambda_hat(n,:)/2)./(1+Alpha(1,k)*(freqs - omega_plus(n,k)).^2);% update first omega if not held at 0if ~DComega_plus(n+1,k) = (freqs(T/2+1:T)*(abs(u_hat_plus(n+1, T/2+1:T, k)).^2)')/sum(abs(u_hat_plus(n+1,T/2+1:T,k)).^2);end% update of any other modefor k=2:K% accumulatorsum_uk = u_hat_plus(n+1,:,k-1) + sum_uk - u_hat_plus(n,:,k);% mode spectrumu_hat_plus(n+1,:,k) = (f_hat_plus - sum_uk - lambda_hat(n,:)/2)./(1+Alpha(1,k)*(freqs - omega_plus(n,k)).^2);% center frequenciesomega_plus(n+1,k) = (freqs(T/2+1:T)*(abs(u_hat_plus(n+1, T/2+1:T, k)).^2)')/sum(abs(u_hat_plus(n+1,T/2+1:T,k)).^2);end% Dual ascentlambda_hat(n+1,:) = lambda_hat(n,:) + tau*(sum(u_hat_plus(n+1,:,:),3) - f_hat_plus);% loop countern = n+1;% converged yet?uDiff = eps;for i=1:KuDiff = uDiff + 1/T*(u_hat_plus(n,:,i)-u_hat_plus(n-1,:,i))*conj((u_hat_plus(n,:,i)-u_hat_plus(n-1,:,i)))';enduDiff = abs(uDiff);end%------ Postprocessing and cleanup% discard empty space if converged early
N = min(N,n);
omega = omega_plus(1:N,:);% Signal reconstruction
u_hat = zeros(T, K);
u_hat((T/2+1):T,:) = squeeze(u_hat_plus(N,(T/2+1):T,:));
u_hat((T/2+1):-1:2,:) = squeeze(conj(u_hat_plus(N,(T/2+1):T,:)));
u_hat(1,:) = conj(u_hat(end,:));u = zeros(K,length(t));for k = 1:Ku(k,:)=real(ifft(ifftshift(u_hat(:,k))));
end% remove mirror part
u = u(:,T/4+1:3*T/4);% recompute spectrum
clear u_hat;
for k = 1:Ku_hat(:,k)=fftshift(fft(u(k,:)))';
endend

智能优化算法优化VMD

VMD(变分模态分解)在解决EMD(经验模态分解)的模态混叠问题上表现出色,但其性能高度依赖于参数的选择,特别是惩罚因子alpha和模态分解数k。手动调整这些参数既繁琐又不经济,因此研究者们已经开始探索利用群智能优化算法来自动选择这些参数。

  1. 定义优化目标函数:根据具体的应用需求,选择一个或多个评估指标来定义优化目标函数。

  2. 初始化算法参数:设置群智能优化算法的参数,如粒子数量、迭代次数、搜索空间范围等。

  3. 初始化候选解:在搜索空间内随机初始化一组候选解,每个候选解代表一组VMD参数(alphak)。

  4. 评估候选解:使用VMD对每个候选解进行信号分解,并计算优化目标函数的值。

  5. 更新候选解:根据优化目标函数的值,利用群智能优化算法的更新机制来更新候选解。

  6. 终止条件判断:检查是否满足终止条件(如达到最大迭代次数、优化目标函数值收敛等)。如果满足,则输出最优解;否则,返回步骤4继续迭代。

clc; %% 加载数据  
load('data.mat');  
signal = signal_data; % 假设数据变量名为 signal_data  %% 设定优化算法参数  
Max_iter = 10;       % 迭代次数  
sizepop = 20;        % 种群规模   
lb = [1000, 3];      % 变量下限(VMD 参数 alpha 和 K 的下限)  
ub = [3000, 10];     % 变量上限(VMD 参数 alpha 和 K 的上限)  
dim = length(lb);    % 优化参数个数(VMD 的 alpha 和 K)  fobj = @(x) -objfun(x, signal); %% 调用蜣螂优化算法进行VMD参数寻优   
[best_fitness, best_params, Convergence_curve] = DBO(sizepop, Max_iter, lb, ub, dim, fobj);  %% 最优参数  
alpha_opt = best_params(1);  
K_opt = round(best_params(2));  
tau = 0;  
DC = 0;  
init = 1;  
tol = 1e-6;  %% VMD分解   
[u_opt, u_hat_opt, omega_opt] = VMD(signal, alpha_opt, tau, K_opt, DC, init, tol);  %% 绘制VMD分解曲线图  
figure;  
for k = 1:length(u_opt)  subplot(length(u_opt), 1, k);  plot(u_opt{k});  title(['模态 ', num2str(k)]);  xlabel('时间');  ylabel('振幅');  
end  %% 绘制优化算法的迭代曲线图  
figure;  
plot(1:length(Convergence_curve), Convergence_curve);  
title('优化算法的迭代曲线');  
xlabel('迭代次数');  
ylabel('适应度值');

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/40937.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

74HC165芯片验证

目录 0x01 74HC165芯片介绍0x02 编程实现 0x01 74HC165芯片介绍 74HC165的引脚定义如下&#xff0c;长这个样子 ABCDEFGH是它的八个输入引脚&#xff0c;例如你可以将它连接按键&#xff0c;让它来读取8个按键值。也可以将他级联其它的74165&#xff0c;无需增加单片机GPIO引…

代码动态编译

背景 开发环境下新加代码、改代码时要重启后生效&#xff08;耗时间&#xff09;&#xff1b;需求:不用重启且支持springboot 、spring、MyBatis。 实现 下地地址&#xff1a;https://github.com/JetBrains/JetBrainsRuntime/releases 1.根据系统类型下载压缩包 2.解压后配…

esp32-nvs使用

_____ 使用步骤 1, 初始化 nvs 分区 2, 打开 namespaec 3, 读取或写入键值 如果是 string 或数组类型,先读长度 -- 获取单个数据的值 1, 初始化分区 // Initialize NVSesp_err_t err = nvs_flash_init();if (err == ESP_ERR_NVS_NO_FREE_PAGES || err == ESP_ERR_NVS_NEW…

Ubuntu 22.04.4 LTS 安装配置 MySQL Community Server 8.0.37 LTS

1 安装mysql-server sudo apt update sudo apt-get install mysql-server 2 启动mysql服务 sudo systemctl restart mysql.service sudo systemctl enable mysql.service #查看服务 sudo systemctl status mysql.service 3 修改mysql root密码 #默认密码为空 sudo mysql …

SQL 注入联合查询之为什么要 and 1=2

在 SQL 注入联合查询中&#xff0c;将 id 先置为假&#xff08;如 id-1 或其他使查询结果为空的条件&#xff09;&#xff0c;通常是为了让前面的查询语句查询不到结果&#xff0c;从而使联合查询中后面的语句结果能够显示在回显位上

【串口通信】之TTL电平

1. 什么是串口 串口,全称为串行通信端口,是一种计算机硬件接口,用于实现数据的串行传输。与并行通信不同,串口通信一次只传输一个比特,数据通过串行线按顺序传输。串口通信在嵌入式系统、工业控制、计算机与外围设备通信等领域非常常见 2. 什么是串口通信 串口通信是指通过…

设计模式实现思路介绍

设计模式是在软件工程中用于解决特定问题的典型解决方案。它们是在多年的软件开发实践中总结出来的&#xff0c;并且因其重用性、通用性和高效性而被广泛接受。设计模式通常被分为三种主要类型&#xff1a;创建型、结构型和行为型。 创建型设计模式 创建型设计模式专注于如何创…

在线签约如何选择?2024年10款顶级app大比拼

支持电子合同签约的10大app&#xff1a;e签宝、上上签、DocuSign、契约锁、Adobe Sign、法大大、SignNow、安心签、HelloSign、PandaDoc。 无论是企业之间的交易还是个人服务合同&#xff0c;线上电子合同签约提供了一种便捷、高效且安全的方式来处理法律文档。本文将介绍几款优…

RISC-V在当前计算架构中的地位

基于上个视频&#xff0c;我们对RISC-V已经有了一定的了解。这款开源的新生代指令集架构与传统商业指令集架构有很大区别&#xff0c;比如当下最热门的Intel的x86和ARM。这主要体现在以下几个方面&#xff1a; 开放性&#xff0c;任何人与机构都可以具体的应用需求调整和优化R…

【Python实战因果推断】20_线性回归的不合理效果10

目录 Neutral Controls Noise Inducing Control Feature Selection: A Bias-Variance Trade-Off Neutral Controls 现在&#xff0c;您可能已经对回归如何调整混杂变量有了一定的了解。如果您想知道干预 T 对 Y 的影响&#xff0c;同时调整混杂变量 X&#xff0c;您所要做的…

springboot项目怎么样排除自带tomcat容器使用宝蓝德?

前言&#xff1a; 由于Spring Boot 1.x和2.x不兼容&#xff0c;BES提供了对应的Spring Boot Starter版本。 bes‑lite‑spring‑boot‑1.x‑starter.jar&#xff0c;适用于Spring Boot 1.x的版本。 bes‑lite‑spring‑boot‑2.x‑starter…

人工智能对网络安全有何影响?

人工智能网络安全在短期、中期和长期如何变化 当今数字时代网络安全的重要性 在谈论人工智能在网络安全中的作用时&#xff0c;必须首先考虑短期影响&#xff0c;因为它们是最明显的&#xff0c;而且它是一个未知的领域&#xff0c;需要超越直接炒作的能力。 因此&#xff0…

【Altium】AD-在原理图中如何绘制贝塞尔曲线

【更多软件使用问题请点击亿道电子官方网站】 1、 文档目标 在原理图中绘制贝塞尔曲线的方法 2、 问题场景 贝塞尔曲线主要用来描述各种波形曲线&#xff0c;如正弦、余弦曲线等。贝塞尔曲线的绘制和直线类似&#xff0c;需要固定多个顶点&#xff08;最少4个&#xff09;后即…

C++ 的常见算法 之三

C 的常见算法 之三 合并merge使用实列 inplace_merge使用实列 set_difference使用实列 堆make_heap使用实列 sort_heap使用实列 合并 merge 将排序范围 [first1,last1) 和 [first2,last2) 中的元素合并到一个新范围中&#xff0c;该范围从 result 开始&#xff0c;所有元素均…

【常用知识点-Java】创建文件夹

Author&#xff1a;赵志乾 Date&#xff1a;2024-07-04 Declaration&#xff1a;All Right Reserved&#xff01;&#xff01;&#xff01; 1. 简介 java.io.File提供了mkdir()和mkdirs()方法创建文件夹&#xff0c;两者区别&#xff1a;mkdir()仅创建单层文件夹&#xff0c;如…

编程五大原则实现思路介绍

在软件工程中&#xff0c;存在一些被广泛认可的设计原则&#xff0c;它们被称为编程的五大原则&#xff0c;也常被简称为SOLID原则。这些原则旨在促进更好的软件设计&#xff0c;提高可维护性和可扩展性。以下是每个原则的概述以及它们的实现思路&#xff1a; 1. 单一职责原则…

Linux 命令总结

今天&#xff0c;给小伙伴们带来一篇 Linux 命令总结的非常全的文章&#xff0c;也是我们平时工作中使用率非常高的操作命令&#xff0c;命令有点多&#xff0c;建议小伙伴们可以先收藏后阅读。 1.基本命令 uname -m 显示机器的处理器架构 uname -r 显示正在使用的内核版本 dmi…

入门PHP就来我这(纯干货)08

~~~~ 有胆量你就来跟着路老师卷起来&#xff01; -- 纯干货&#xff0c;技术知识分享 ~~~~ 路老师给大家分享PHP语言的知识了&#xff0c;旨在想让大家入门PHP&#xff0c;并深入了解PHP语言。 1 PHP对象的高级应用 1.1 final关键字 final 最终的、最后的。被final修饰过的类…

采用B/S模式 可跨平台使用的数据采集监控平台!

数据采集监控平台是一款专注于工业企业生产设备管理、数据采集、数据分析、数据管理、数据存储、数据传输等的软件系统。系统具备丰富的接口&#xff0c;配置灵活&#xff0c;方便部署&#xff0c;通过采集企业生产设备的数据集中处理&#xff0c;将各个信息孤岛有机连接&#…

技术赋能政务服务:VR导视与AI客服在政务大厅的创新应用

在数字化转型的浪潮中&#xff0c;政务大厅作为服务民众的前沿阵地&#xff0c;其服务效率和质量直接影响着政府形象和民众满意度。然而&#xff0c;许多政务大厅仍面临着缺乏智能化导航系统的挑战&#xff0c;这不仅增加了群众的办事难度&#xff0c;也降低了服务效率。维小帮…