CEEMDAN(自适应噪声完备集合经验模态分解)+峭度值+能量熵+近似熵+模糊熵+排列熵+多尺度排列熵+样本熵

CEEMDAN(自适应噪声完备集合经验模态分解)+峭度值+能量熵+近似熵+模糊熵+排列熵+多尺度排列熵+样本熵

标 代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处代码获取戳此处题

对序列信号进行CEEMDAN(自适应噪声完备集合经验模态）分解后计算
各分解分量峭度值、能量熵、近似熵、模糊熵、排列熵、多尺度排列熵、样本熵，程序实用性高，
适合故障诊断、功率预测等研究方向信号处理。并输出分解图、包络图、包络谱图、峭度值图、频谱图。

下面对所涉及算法及运行效果进行介绍

好的，下面我会为您详细介绍这些算法和概念：

1. CEEMDAN (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（EMD）方法。EMD是一种自适应的信号分解方法，用于将复杂的信号分解为一系列固有模态函数（IMFs）。然而，EMD存在模态混叠的问题，即不同的IMF可能包含相似频率的成分。

为了解决这个问题，CEEMDAN引入了自适应噪声的概念。在每次EMD分解后，向信号中添加白噪声，然后再次进行EMD分解。由于白噪声的随机性，每次分解的结果都会略有不同。通过对多次分解的结果进行平均，可以减少模态混叠现象，并得到更准确的IMF。

CEEMDAN算法的主要步骤如下：

1. 初始化剩余信号为原始信号。
2. 对于每个IMF，执行以下步骤：
   1. 向剩余信号中添加自适应噪声。
   2. 对加噪后的信号进行EMD分解，得到一个IMF。
   3. 从剩余信号中减去该IMF。
3. 重复步骤2，直到剩余信号满足停止准则（如剩余信号的能量小于某个阈值）。
4. 对所有IMF进行平均，得到最终的分解结果。
5. 分解结果及包络图
6. 

2. 峭度值 (Kurtosis)

峭度值是一种统计量，用于描述数据的分布形状。对于正态分布，峭度值为3。峭度值大于3的分布比正态分布更尖，而小于3的分布则更平坦。峭度值在信号处理中常用于评估信号的脉冲性或峰值分布。

输出峭度值对比及包络谱图

3. 能量熵 (Energy Entropy)

能量熵是一种基于信号能量分布的熵度量。它计算信号在不同频率或时间尺度上的能量分布，并根据这些分布计算熵值。能量熵用于评估信号的复杂性和不规则性。

4. 近似熵 (Approximate Entropy)

近似熵是一种衡量时间序列复杂性的统计量。它计算了时间序列中相似模式出现的概率。近似熵值越小，表示时间序列越规则；值越大，表示时间序列越复杂。近似熵常用于评估信号的随机性

5. 模糊熵 (Fuzzy Entropy)

模糊熵是近似熵的一种扩展，它允许在比较时间序列中的模式时引入一定的模糊性。通过调整模糊参数，可以控制模式之间的相似度。模糊熵用于评估时间序列的复杂性和规律性。

6. 排列熵 (Permutation Entropy)

排列熵是一种基于时间序列符号化表示的熵度量。它将时间序列划分为一系列符号序列，并根据这些符号序列计算熵值。排列熵用于评估时间序列的复杂性和规律性。

7. 多尺度排列熵 (Multiscale Permutation Entropy)

多尺度排列熵是排列熵的一种扩展，它考虑了时间序列在不同时间尺度上的复杂性。通过对时间序列进行多尺度分析（如小波变换或滑动窗口方法），可以计算每个尺度上的排列熵，并综合这些熵值以评估整个时间序列的复杂性。

8. 样本熵 (Sample Entropy)

样本熵是一种衡量时间序列复杂性的统计量，与近似熵类似。它计算了时间序列中相似模式出现的概率，但与近似熵不同的是，样本熵在计算过程中去除了自身匹配的情况。样本熵用于评估时间序列的复杂性和规律性。

这些算法和概念在信号处理、生物医学工程、故障诊断等领域有广泛的应用。通过对信号进行分解和复杂性分析，可以更好地理解信号的特性，从而进行有效的信号处理和分析。