CEEMDAN（北方苍鹰优化自适应噪声完备集合经验模态分解）

  CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）是一种改进的经验模态分解（Empirical Mode Decomposition，EMD）方法。它通过在信号中添加自适应噪声，并进行多次EMD分解，从而得到一系列本征模态函数（Intrinsic Mode Functions，IMFs），这些IMFs能够更好地描述信号中的局部特征，特别是对于非线性、非平稳信号。

NGO-CEEMDAN（北方苍鹰优化自适应噪声完备集合经验模态分解）代码获取戳此处代码获取戳此处代码获取戳此处

CEEMDAN的主要步骤如下：

1. 在原始信号中添加自适应噪声，并多次进行EMD分解，得到一系列的IMFs。
2. 对每个IMF进行去噪处理，以消除添加的噪声对分解结果的影响。这通常可以通过小波去噪等方法实现。
3. 将去噪后的IMFs进行重构，得到去噪后的信号。

CEEMDAN在信号处理领域具有很高的应用价值，可以用于处理各种类型的信号数据，如语音信号、生物医学信号、金融信号等

北方苍鹰优化算法（Northern Goshawk Optimization, NGO）是一种基于北方苍鹰捕猎行为的优化算法，由MOHAMMAD DEHGHANI等人在2022年提出。该算法通过模拟苍鹰的猎物识别、攻击、追逐和逃生等行为，来解决各种优化问题。

在北方苍鹰优化算法中，苍鹰的捕猎过程被分为两个阶段：猎物识别与攻击（勘探阶段）和追逐及逃生（开发阶段）。在勘探阶段，苍鹰会随机选择一个猎物并迅速发起攻击，这个过程类似于全局搜索，目的是为了寻找更好的解。在开发阶段，苍鹰会追逐被攻击的猎物，并采取适当的策略逃生。这个过程类似于局部搜索，目的是为了改进已经找到的解。

算法的具体过程包括群体位置初始化、识别与攻击、追逐及逃生等步骤。在初始化阶段，北方苍鹰种群在搜索空间中随机初始化。在识别与攻击阶段，算法通过模拟苍鹰在搜索空间中随机选择猎物以增强算法的探索能力，旨在全局搜索搜索空间，以确定最佳区域。在追逐及逃生阶段，算法模拟苍鹰追逐猎物的过程，通过适当的策略改进已经找到的解。

NGO-CEEMDAN（北方苍鹰优化自适应噪声完备集合经验模态分解）

采用NGO优化算法对CEEMDAN的 Nstd：信噪比，NR：噪声添加次数进行寻优以寻求最优分解效果
适应度函数包含四种可一键替换简单方便
%1最小样本熵  %2最小包络熵 %3最小排列熵%4最小模糊熵）

NGO（全局搜索能力和收敛速度、适应性强）优化算法替换方便

数据导入为excel形式

算法为Matlab编写，注释清晰，逻辑详细 数据为Excel数据替换方便