EMD变体分解效果最好算法——CEEMDAN（五）

【建模先锋】

于 2024-10-13 23:48:00 发布

阅读量2k

点赞数 17

分类专栏：时间序列预测文章标签：算法 python 开发语言

本文链接：https://blog.csdn.net/2402_85668383/article/details/142906743

版权

时间序列预测专栏收录该内容

83 篇文章

订阅专栏

往期精彩内容：

时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较

全是干货 | 数据集、学习资料、建模资源分享！

EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（一）EMD-CSDN博客

EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（二）EEMD

EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（三）FEEMD-CSDN博客

EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（四）CEEMD-CSDN博客

拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客

风速预测（一）数据集介绍和预处理_风速数据在哪里下载-CSDN博客

风速预测（二）基于Pytorch的EMD-LSTM模型-CSDN博客

风速预测（三）EMD-LSTM-Attention模型-CSDN博客

风速预测（四）基于Pytorch的EMD-Transformer模型-CSDN博客

风速预测（五）基于Pytorch的EMD-CNN-LSTM模型-CSDN博客

风速预测（六）基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客

前言

本文基于前期介绍的风速数据（文末附数据集），进行完全自适应噪声集合经验模态分解（CEEMDAN）的介绍与参数选择，最后通过Python实现对风速数据的CEEMDAN分解。风速数据集的详细介绍可以参考下文：

风速预测（一）数据集介绍和预处理_gldas-noah-v2.1数据集怎么看风速和气压-CSDN博客

Python 中 CEEMDAN包的下载安装：

# 下载
pip install EMD-signal

# 导入
from PyEMD import CEEMDAN

切记，很多同学安装失败，不是pip install EMD，也不是pip install PyEMD，如果 pip list 中已经有 emd，emd-signal，pyemd包的存在，要先 pip uninstall 移除相关包，然后再进行安装。

1 完全自适应噪声集合经验模态分解CEEMDAN介绍

1.1 CEEMDAN简介

针对 EMD 算法分解信号存在模态混叠的问题，EEMD 和 CEEMD 分解算法通过在待分解信号中加入随机白噪声来减轻 EMD 分解的模态混叠，但是这两种算法分解信号得到的模态分量中总会残留一定的白噪声，并且信号加噪声经EMD分解可能会产生不同数量的模态，这将影响后续信号的分析和处理，为了解决这些问题，TORRES 等提出了一种改进算法——完全自适应噪声集合经验模态分解（CEEMDAN）。

1.2 CEEMDAN主要特点

CEEMDAN 分解从两个方面解决了上述问题：

每次迭代加入经 EMD 分解后含辅助噪声的 IMF 分量；
EEMD 分解和 CEEMD 分解是将经验模态分解后得到的模态分量进行总体平均， CEEMDAN 分解则在得到的第一阶 IMF 分量后就进行总体平均计算，得到最终的第一阶 IMF 分量，然后对残余部分重复进行如上操作，这样便有效地解决了白噪声从高频到低频的转移传递问题。

2 CEEMDAN分解的步骤

(1) EEMD 方法是将添加白噪声后的 M 个信号直接做 EMD 分解，然后相对应的 IMF 间直接求均值。

(2) CEEMDAN 方法是每求完一阶 IMF 分量，又重新给残值加入白噪声（或白噪声的 IMF 分量）并求此时的 IMF 分量均值，并逐次迭代。

3 基于Python的CEEMDAN实现

3.1 导入数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font", family='Microsoft YaHei')

# 读取已处理的 CSV 文件
df = pd.read_csv('wind_speed.csv' )
# 取风速数据
winddata = df['Wind Speed (km/h)'].tolist()
winddata = np.array(winddata) # 转换为numpy
# 可视化
plt.figure(figsize=(15,5), dpi=100)
plt.grid(True)
plt.plot(winddata, color='green')
plt.show()

3.2 CEEMDAN分解

from PyEMD import CEEMDAN

# 创建 CEEMDAN 对象
ceemdan = CEEMDAN(trials=100, epsilon=0.005)
# NE=100 epsilon=0.005(信噪比)

# 对信号进行 CEEMDAN分解
IMFs = ceemdan(winddata)

# 可视化
plt.figure(figsize=(20,15))
plt.subplot(len(IMFs)+1, 1, 1)
plt.plot(winddata, color='hotpink')
plt.title("原始信号")

for num, imf in enumerate(IMFs):
    plt.subplot(len(IMFs)+1, 1, num+2)
    plt.plot(imf, color='c')
    plt.title("IMF "+str(num+1), fontsize=10)
# 增加第一排图和第二排图之间的垂直间距
plt.subplots_adjust(hspace=0.8, wspace=0.2)
plt.show()

参数：

trials：迭代次数（集总平均次数），默认100
epsilon：信噪比，默认0.005

3.3 信号分量的重构


# 分量重构
reconstructed_data = np.sum(IMFs, 0) # 沿ｙ轴方向求和

plt.figure(figsize=(15,5))
plt.plot(winddata, linewidth=1, color='hotpink', label='PM2.5')
plt.plot(reconstructed_data, linewidth=1, color='c', label='分解重构结果')
plt.title("CEEMDAN 分解重构结果", fontsize=10, loc='center')
plt.xticks(fontsize=10) # x 轴刻度字体大小
plt.yticks(fontsize=10) # y 轴刻度字体大小
plt.legend(loc='upper right') # 绘制曲线图例，信息来自类型 label
plt.show()