EMD（经验模态分解）算法二

最新推荐文章于 2024-08-03 10:40:54 发布

CUMT_ZZY

最新推荐文章于 2024-08-03 10:40:54 发布

阅读量2.4k

点赞数 4

分类专栏： EMD 研究笔记

本文链接：https://blog.csdn.net/qq_37224833/article/details/109675894

版权

该博客介绍了如何使用经验模态分解(EMD)算法对时间序列数据进行处理，通过调整`boundary`和`stoprule`参数观察不同分解结果。案例中展示了如何将分解的IMF和残差进行可视化，并生成合成图。实验涵盖了多种参数组合，包括`type2`到`type5`的停止规则和不同边界条件，以便理解参数变化对分解波形的影响。

摘要由CSDN通过智能技术生成

上次基本搞懂了怎么用各种滤波器，这次重点看看EMD的算法应用，怎么调参数以产生不同的分解波形。

# EMD经验模态分解
emd <- as.data.frame(emd(xt=diff(load[,"Load"]),boundary="wave",stoprule="type2")$imf)
dat <- cbind(dat,data.frame("EMD"=c(NA,cumsum(rowSums(emd[,3:6])))))
g <- melt(dat[,c("Time","EMD","Load")],id.vars="Time",na.rm=TRUE)
levels(g[,2]) <- c("EMD","Load")
plot.cycles(g,"EMD vs. Load")
emdff <- data.frame("Time"=dat[,"Time"],"EMD.Filter"=dat$EMD)
emdfilter = ggplot(data=emdff, aes(x = Time, y = EMD.Filter )) + geom_hline(yintercept=0,colour="red") + geom_line(aes(color = EMD.Filter)) + labs(y="EMD Filter")
emdfilter

案例中没有提到怎么绘制不同的IMF，下面开始尝试，参考EMD包的手册。

Usage
emd(xt, tt=NULL, tol=sd(xt)*0.1^2, max.sift=20, stoprule=“type1”,
boundary=“periodic”, sm=“none”, smlevels=c(1), spar=NULL, alpha=NULL,check=FALSE, max.imf=10, plot.imf=FALSE, interm=NULL, weight=NULL)

基础用法