基于VMD+支持向量SVM的电能质量分类识别预测

目录

VMD的定义
支持向量机SVM的详细原理
SVM的定义
SVM理论
数据采集
SVM应用实例，基于SVM的电能质量分类预测
代码
结果分析
展望

VMD的定义

基于原理

Konstantin等人在2014年提出了一个完全非递归的变分模态分解（VMD）它可以实现分解模态的同时提取。该模型寻找一组模态和它们各自的中心频率，以便这些模态共同再现输入信号，同时每个模态在解调到基带后都是平滑的。算法的本质是将经典的维纳滤波器推广到多个自适应波段，使得其具有坚实的理论基础，并且容易理解。采用交替方向乘子法对变分模型进行有效优化，使得模型对采样噪声的鲁棒性更强。
变分模态分解的整体框架是变分问题，使得每个模态的估计带宽之和最小，其中假设每个“模态”是具有不同中心频率的有限带宽，为解决这一变分问题，采用了交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态即相应的中心频率被一同提取出来。
VMD的目标是将实值输入信号分解成离散数量的子信号，这些子信号在再现输入信号时具有特定的稀疏性。 稀疏性体现在谱域的带宽上。 换言之，假设每个子信号主要围绕中心频率，该中心频率将随分解而确定。