【数字信号去噪】金财狼算法优化变分模态分解GJO-VMD数字信号去噪【含Matlab源码 3651期】

最新推荐文章于 2024-07-17 21:06:43 发布

Matlab武动乾坤

最新推荐文章于 2024-07-17 21:06:43 发布

阅读量45

点赞数

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135107713

版权

Matlab信号处理（进阶版）专栏收录该内容

529 篇文章 46 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、金财狼算法优化变分模态分解简介

1 变分模态分解
VMD分解算法实际上是一个变分问题的求解过程, 它是将原信号分解为K个模态函数uk (t) , 使得每个模态函数的估计带宽之和最小, 则相应的约束变分模型可表达为
在这里插入图片描述
式中:{uk}={u1, …, uk}表示的是分解得到的K个子模态;{wk}={w1, …, wk}表示的是各分量的频率中心。

为了将上述约束性变分问题转变为非约束性变分问题, 引入二次惩罚项因子α和拉格朗日乘子λ (t) , 则扩展的拉格朗日表达式为
在这里插入图片描述
式中:α为惩罚参数;λ为拉格朗日乘子。采用乘法算子交替方向法 (Alternate direction method of multipliers, ADMM) [10]解决变分问题, 通过迭代更新ukn+1、wkn+1以及λn+1得到上述函数的最优解。

ukn+1的取值问题可表达为
在这里插入图片描述
利用Parseval傅立叶等距变换, 上式可变为

2) 根据式 (4) 、式 (5) 在频域内更新uk、wk;

更新λ, 其中

2 金财狼算法优化变分模态分解GJO-VMD数字信号去噪
基于金融狼优化的变分模态分解GJO-VMD数字信号去噪算法是一种新型的信号去噪方法，它结合了金融狼优化算法和变分模态分解(VMD)算法。该算法通过优化VMD算法中的参数，得到更准确的信号分解结果，从而实现对数字信号的去噪。

具体实现过程如下：
（1）对原始信号进行VMD分解，得到多个本征模态函数(IMF)和一个残差项。
（2）利用金融狼优化算法对VMD的参数进行优化，得到最优的本征模态函数。
（3）对优化后的本征模态函数进行重构，得到去噪后的信号。

⛄二、部分源代码

clc
clear all
close all
ff=load (‘row.txt’);
ff=ff’;
data=ff;

len=length(data);
f=data(1:len);
%% 基础参数设定
tau = 0; % 噪声容限
DC = 0; % no DC part imposed
init = 1; % initialize omegas uniformly
tol = 1e-7;
%% 优化VMD分解
pop = 5;%种群数量
Max_iteration = 20;%最大迭代次数
lb =[800,4]; %下边界
ub = [2000,10];%上边界
dim = 2; %维度为2，即alpha，K
fobj = @(x) fun(x,f,tau, DC, init, tol);
[~,Target_pos,NGO_cg_curve] = GJO(pop,Max_iteration,lb,ub,dim,fobj);%优化函数求K Alpha 熵值
Target_pos = round(Target_pos);
NGO_cg_curve=abs(NGO_cg_curve);
%利用优化后K，alpha带入VMD得到结果
[u1, u_hat1, omega1] = VMD(f, Target_pos(1), tau, Target_pos(2), DC, init, tol);
figure
plot(NGO_cg_curve,‘linewidth’,1.5);
title(‘GJO-VMD收敛曲线’)
xlabel(‘迭代次数’)
ylabel(‘适应度值’)
grid on
%% 阿基米德优化VMD分解
figure
subplot(size(u1,1)+1,1,1);
plot(f,‘k’);grid on;
ylabel(‘原始数据’);
for i = 1:size(u1,1)
subplot(size(u1,1)+1,1,i+1);
plot(u1(i,:),‘k’);
ylabel([‘IMF’,num2str(i)]);
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 刘嘉敏,彭玲,刘军委,袁佳成.遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析[J].机械科学与技术. 2017,36(11)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合