信号的增强自适应经验傅里叶分解（Python）

增强自适应经验傅里叶分解（Enhanced Adaptive Empirical Fourier Decomposition, EAEFD）

算法公式与流程说明

1. 核心公式

2. 算法流程

信号傅里叶变换：计算信号的FFT频谱

频谱极大值检测：通过峰值检测识别显著频率成分

构建频谱包络：使用三次样条插值连接极大值点

自适应分割边界：

基于包络幅值设置动态阈值

确定满足条件的频率边界点

频带分割与IMF重构：

将频谱按边界划分为若干频带

对每个频带进行逆傅里叶变换得到IMF

最优模态数选择：通过包络熵最小化确定最终IMF数量

部分代码如下：

import numpy as np
from scipy.fft import fft, fftfreq, ifft
from scipy.signal import find_peaks, hilbert
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

def compute_envelope_entropy(signal):
    """
    计算信号的包络熵 (核心优化指标)
    公式: H = -Σ (p_i * log p_i), 其中 p_i = envelope[i]/Σenvelope
    """
    analytic_signal = hilbert(signal)  # 希尔伯特变换获取解析信号
    envelope = np.abs(analytic_signal)  # 计算包络
    p = envelope / np.sum(envelope)     # 归一化为概率分布
    p = p[p > 0]                        # 避免log(0)错误
    entropy = -np.sum(p * np.log(p))    # 香农熵计算
    return entropy

知乎学术付费咨询（哥廷根数学学派）：

担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。