Python数据处理-EMD经验模态分解

默寫無言

已于 2024-07-24 15:45:20 修改

阅读量915

点赞数 24

文章标签： python

于 2024-07-22 18:34:50 首次发布

本文链接：https://blog.csdn.net/hjkdahfads/article/details/140433051

版权

一：经验模态分解EMD-signal软件包安装

利用python进行emd经验模态分解相关的数据处理使用到的是EMD-signal软件包，可以利用如下语句在命令行中进行库安装（anaconda环境将pip改成conda即可），注意软件包的名字，尤其是大小写，不是emd，不是emd-signal，也不是pyemd，如果错误安装了emd、emd-signal、pyemd，很有可能导致EMD-signal安装失败或者安装了也用不了，通过pip list检查并对错误安装的软件包进行uninstall操作后重新安装EMD-signal。

pip install EMD-signal  # 安装软件包
  # pip3.10 install EMD-signal  # 指定python版本安装
pip uninstall EMD-signal  # 卸载软件包
  # pip3.10 uninstall EMD-signal  # 指定python版本卸载
pip list  # 检查已安装的python包
  # pip3.11 list  # 检查指定python版本 
  # anaconda环境将pip替换为conda

二：EMD原理

经验模态分解（Empirical Mode Decomposition, EMD）是一种处理非线性、非平稳信号的时频处理方法。根据不同的输入信号，emd方法无需对其进行预处理，就能够自适应的将其分解成若干个由高频到低频的本征模态函数（Intrinsic Mode Functions, IMF）以及残差信号。

$\text{original-signal} = \sum_{i=1}^{n} \text{imf}_i + \text{residue-signal}$

其中分解得到的每一个imf都必须满足：

imf信号的极值点和过零点的个数相差不超过一个；
imf信号的上下包络关于x轴对称，即上下包络的均值为零。

具体的emd分解流程为：

找出original_signal的极值点，通过三次样条插值构建上下包络线，求解上下包络线均值，利用original_signal减去均值包络线得到中间信号；
判断中间信号是否满足imf的两个条件，如果满足，将其作为一个imf分量，不满足则利用中间信号重复步骤1的迭代过程得到新的中间信号；
将original_signal减去得到的imf分量得到的residue_signal赋值为新的original_signal，继续步骤1的迭代过程，得到更多的imf分量；
当残差信号residue_signal是单调信号或者常数时，停止emd分解；（当然也有其它（可预设的）emd分解停止条件）。

三：EMD代码示例

这里我们利用从kaggle下载的一段音频数据进行emd分解，研究音频的频率覆盖范围以及噪声情况：

import numpy as np
import matplotlib.pyplot as plt
from PyEMD import EMD
import pandas as pd

file_path = "D:/kaggle/data.txt"
df = pd.DataFrame()

with open(file_path, "r", encoding="ISO-8859-1") as file:
    for line_number, line in enumerate(file, 0):  # 调用enumerate函数返回索引和值的元组
        line = line.strip()  # str.strip()去除字符串两端空白字符(空格、制表符、换行符等)
        if len(line) != 0:
            if line_number < 1000:
                print(f"Line{line_number}：{line}")
                df.loc[line_number, "time"] = line.split(";")[1]  # 时间
                df.loc[line_number, "sample"] = float(line.split(";")[7].split("=")[1])

# 原始信号数据
time = df["time"]
original_signal = df["sample"].values  # <class 'numpy.ndarray'>多维数组

# 进行EMD分解
emd = EMD()
imfs = emd(original_signal)
num_imfs = len(imfs)  # 计算imf数量

# 绘制原始信号和imfs
plt.figure(figsize=(17, 7))

# 原始信号
plt.subplot(num_imfs+1, 1, 1)
plt.plot(time, original_signal, color="orange")
plt.xlabel('Time', labelpad=-13)  # 手动调整标签位置
plt.ylabel('Amplitude')
plt.xticks([time[0], time.iloc[-1]])  # 首尾时间
plt.title("original signal")

# imfs
for i in range(num_imfs):
    plt.subplot(num_imfs+1, 1, i+2)
    plt.plot(time, imfs[i], label=f"imf_{i+1}")
    plt.xticks([time[0], time.iloc[-1]])  # 首尾时间
    plt.legend()

plt.tight_layout()  # 自动调整布局
plt.show()