中心频率法确认VMD的K值的python实现

最新推荐文章于 2023-12-19 01:13:58 发布
最新推荐文章于 2023-12-19 01:13:58 发布
阅读量2.3k 收藏 9
点赞数
分类专栏： 轴承振动信号分析 文章标签： 算法 python 大数据 Powered by 金山文档
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/abc1234abcdefg/article/details/129299074
版权
本文介绍了利用中心频率法确定变分模态分解（VMD）算法中K值的原理和步骤。VMD是一种信号分解方法，通过求解变分问题找到信号的模态分量。文章详细阐述了VMD的基本步骤，并提供了Python代码实现，展示不同K值下中心频率的变化，建议选择间隔较大的K值以确保更好的分解效果。
摘要由CSDN通过智能技术生成

  1. 变分模态分解VMD

1.1原理

VMD算法是利用VMD是一种新的信号分解方法，就是求解变分问题。首先构造变分问题，将信号f分解为K个IMF分量，且每个模态分量都有各自的中心频率，同时求解模态的估计带宽之和最小值，约束条件为所有模态分量之和与原始信号相等。

算法认为所有分量都是集中在各自中心频率附近的窄带信号， 根据分量窄带条件建立约束优化问题，从而估计信号分量的中心频率和子信号。

1.2 基本步骤

（1) 利用Hilbert变换求解析信号；

（2）将信号平移到基带；

（3）梯度的2范数的平方来估计信号的带宽。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
似水不惧
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
vmd_K._VMDK_VMD中心频率_中心频率VMD_vmd_
09-30
VMD是通过迭代搜寻变分模型（具体怎么搜寻，请亲们自己看，我主要讲他的大概）最优解， 来确定我们所知的模态uk(t)及其对应的中心频率ωk和带宽。每个模态都是具有中心频率的有限带宽（就是在频域中有在一定的宽度）。所有模态之和为源信号。
变分模态分解（VMD）通过中心频率确定分解个数K
06-01
VMD研究确定中心频率以及分类的模态数，亲测可用！！！
11_VMD算法_VMD中心频率_vmd_VMD中心频率_
10-01
该算法为vmd算法 ，具有可确定的各个模态分量，可根据中心频率相近原则确定最佳阶说
Python论文复现：VMD之自适应选择分解模态数K值
Lwwwwwwwl的博客
05-25 4381
自适应选择VMD的分解个数
奇异值确定K_K值VMD_K._vmd_VMD奇异值_VMDK
08-09
根据奇异值分解出来的奇异值，画出奇异值分布曲线，根据公式算出奇异值的突变点，此时突变点即是VMD分解分量数的K值
VMD.rar_VMD中心频率_VMD的输入信号_vmd_vmd求信号带宽_信号处理vmd
07-14
信号处理的一种方法，将信号按中心频率分为几个频带，适合多频带信号。
变分模态分解（VMD）python代码及其测试用例
02-26
总结来说，"变分模态分解（VMD）python代码及其测试用例"涉及了Python编程、非线性信号处理、VMD算法的实现与测试，以及在机器学习和后端开发中的应用。通过研究提供的代码和测试用例，我们可以深入理解VMD的工作...
粒子群算法（PSO)优化变分模态分解(VMD)参数python
05-06
然而，VMD的性能很大程度上取决于其参数选择，包括中心频率（ωc）、调制指数（α）以及正则化参数（κ）等。 在Python环境中，实现PSO优化VMD参数的过程通常包括以下步骤： 1. 初始化粒子群：随机生成一组粒子的...
遗传算法优化变分模态分解参数（VMD）python
05-09
VMD是由Ahmed Elgammal等人在2011年提出的一种新型信号分解方法，其主要思想是通过迭代寻找一组模态函数，这些函数的中心频率和幅度满足原始信号的边界条件。VMD的关键参数包括：模态个数（K）、正则化参数（α）...
麻雀搜索算法（SSA)优化变分模态分解（VMD）参数python
05-06
VMD的主要优点在于其自适应性和不需要预先设定模态数量，但其性能受初始参数选择的影响较大，如中心频率、带宽等。因此，参数优化对于VMD的准确性和稳定性至关重要。 在这个Python项目中，开发者利用SSA来寻找VMD的...
pyVMD_a.py
06-02
import numpy as np from numba import jit @jit def VMD(signal, fs, T, alpha, tau, K, DC, init, tol): f_mirror = np.zeros((2*T)) for i in range(T//2): f_mirror[i] = signal[T//2-1-i] for k in range(T//2, 3*T//2): f_mirror[k] = signal[k - T // 2] for l in range(3*T//2, 2*T): f_mirror[l] = signal[5*T//2-l-1] f = f_mirror T = len(f) t = np.arange(1, T+1, 1)/T freqs = t - 0.5 - 1.0 / T freqs = freqs + 0.j N = 500 Alpha = alpha * np.ones((1, K)) Alpha = Alpha + 0.j f_hat = np.fft.fftshift(np.fft.fft(f)) f_hat_plus = f_hat for l in range(0, T//2): f_hat_plus[l] = 0 u_hat_plus = np.zeros((N, T, K)) u_hat_plus = u_hat_plus + 0.j omega_plus = np.zeros((N, K)) # 生成N行K列的数组，元素为0， 500*3 omega_plus = omega_plus + 0.j if init == 1: for i in range(0, K): omega_plus[0][i] = 0.5/K*i elif init == 2: omega_plus[0, :] = np.sort(np.exp(np.log(fs)) + (np.log(0.5)-np.log(fs))*np.random.rand(0, K)) else: omega_plus[0, :] = 0 if DC: omega_plus[0, 0] = 0 else: pass # 从空双变量开始 lambda_hat = np.zeros((N, T)) # lambda_hat = lambda_hat + 0.j # 其他参数初始化 uDiff = tol + 2.77555756e-17 # 更新步长 n = 1 # 循环计数 sum_uk = 0.j # 器材累加 while uDiff > tol and n < N : # 表示没有收敛或低于迭代次数，其中,n和K都从1开始 # 更新第一阶模态累加器 k = 0 sum_uk = u_hat_plus[n-1, :, K-1] + sum_uk - u_hat_plus[n-1, :, 0] # sum_uk此时还是一维数组 # print(sum_uk) # ------------------------ ----检验专用----------------------- # 通过残差维纳滤波器更新第一模态的频谱 u_hat_plus[n, :, k] = (f_hat_plus - sum_uk - lambda_hat[n - 1, :] / 2.0) / (1 + Alpha[0, k]*(freqs - omega_plus[n-1, k])**2) if ~DC: omega_plus[n, k] = np.dot(freqs[T//2: T], ((abs(u_hat_plus[n, T//2:T, k])).reshape(T//2, 1))**2) / sum((abs(u_hat_plus[n, T//2:T, k]))**2) for k in range(1, K):
WOA鲸鱼优化VMD模态分解参数k和a的Python代码（以最小包络熵为适应度函数）
qq_41361542的博客
11-27 809
目录 1.数据的获取2.VMD函数-python代码实现3WOA函数-python代码实现（部分）4适应度函数-python代码实现（部分）5主函数--python代码实现（部分）6 成果展示7代码获取轴承故障数据🍞正在为您运送作品详情
VMD模态分解以及K值优化python代码
最新发布
李白白的博客
12-19 3839
看。其他的待补充完善。
VMD确定分解个数K（matlab）
hahahahah123456的博客
02-25 1万+
VMD确定分解个数K 1. VMD基础概念 变模态分解（variational mode decomposition，VMD） 将一个时间序列f分解成k个具有固定中心频率ω_k的模态分量u_k (t)，并使每个模态量的频率估计带宽之和最小。对各模态分量进行Hilbert变换得到其单边频谱，通过混合一估计中心频率，将各分量的单边频谱调制到基频带，再经过对解调信号梯度的L2正则化进行高斯平滑估计，得到风功率分量的带宽。对应的受约束的变分模型表示为： 其中，∂t表示求偏导，δ(t)表示狄拉克分布函数。 1.2变
VMD分解，matlab代码，包络线，包络谱，中心频率，峭度值，能量熵，样本熵，模糊熵，排列熵，多尺度排列熵，近似熵，包络熵，频谱图，希尔伯特变换，包含所有程序MATLAB代码，-西储大学数据集为例
woaipythonmeme的博客
01-16 2万+
以西储大学数据为例，进行VMD分解，·并采用matlab代码绘制包络线，包络谱，计算中心频率，峭度值，能量熵，样本熵，模糊熵，排列熵，多尺度排列熵，近似熵，包络熵，希尔伯特变换（包含所有MATLAB代码，一文全部搞定！——西储大学数据集为例）
正余弦算法优化VMD进行信号分析python
abc1234abcdefg的博客
06-30 2254
正余弦算法优化VMD参数并以轴承信号为例进行分析
VMD确定分解个数K
学术小渣渣的博客
11-13 7480
VMD确定分解个数K 1. VMD基础概念 变模态分解（variational mode decomposition，VMD） 将一个时间序列f分解成k个具有固定中心频率ω_k的模态分量u_k (t)，并使每个模态量的频率估计带宽之和最小。对各模态分量进行Hilbert变换得到其单边频谱，通过混合一估计中心频率，将各分量的单边频谱...
变分模态分解（VMD）运算步骤及源码解读
comli_cn的博客
09-05 2万+
1. 简述 VMD的目标是将实值输入信号fff分解为离散数量的子信号(模态) uku_kuk​ 。我们先假设每个模态在一个中心频率ωk\omega_kωk​周围是紧密的，也就是说这个模态包含的频率分量都在ωk\omega_kωk​附近，而ωk\omega_kωk​是随着分解来确定。 为了评估一个模态的带宽，提出以下方案:1)对于每个模态，通过希尔伯特变换计算相关的分析信号，以便获得单向频谱。2)对于每种模态，通过与调谐到相应估计中心频率的指数混频，将模态的频谱移至“基带”。3)现在通过解调信号的高斯平滑度
二、信号分解 —＞ 变分模态分解（VMD）学习笔记
热门推荐
ARM_qiao的博客
09-09 7万+
VMD学习笔记 简述：变分模态分解由Konstantin Dragomiretskiy于2014年提出，可以很好抑制EMD方法的模态混叠现象（通过控制带宽来避免混叠现象）。与EMD原理不同，VMD分解方式是利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽，属于完全非递归模型，该模型寻找模态分量的集合及其各自的中心频率，而每个模态在解调成基带之后是平滑的，Konstantin Dragomiretskiy通过实...
vmd分解中心频率法 python
09-12
VMD（Variational Mode Decomposition）是一种用于信号分解的方法，可以将复杂的非平稳信号分解成一系列局部时频模态。而VMD分解中心频率法是基于VMD算法的一种拓展，用于提取信号中每个模态的中心频率。 在Python中，可以使用PyEMD库中的vmd方法实现VMD分解中心频率法。首先，需要安装PyEMD库，可以使用pip install pyemd命令进行安装。 在使用VMD分解中心频率法之前，我们需要导入必要的库和数据。假设我们的信号数据存储在一个一维数组signal中。 ```python import numpy as np from PyEMD import EMD # 导入信号数据 signal = np.array([1, 2, 3, 4, 5, 4, 3, 2, 1]) ``` 接下来，我们可以使用EMD类中的vmd方法进行VMD分解，并获取每个模态的中心频率。在vmd方法中，我们可以设置一些相关参数，例如 scales 表示输入信号的尺度范围。 ```python # 使用 vmd 方法进行 VMD 分解 emd = EMD() imfs, centers = emd.vmd(signal, scales=[2, 4, 8]) ``` 得到imfs和centers后，imfs是一个二维数组，存储了每个模态的具体数值。centers是一个一维数组，存储了每个模态的中心频率。 最后，我们可以打印出每个模态的中心频率。 ```python # 打印每个模态的中心频率 for i, center in enumerate(centers): print(f"模态{i+1}的中心频率为：{center}") ``` 使用VMD分解中心频率法可以帮助我们分析信号的局部时频特性，对于一些非平稳信号的处理具有很大的帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

似水不惧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值