EMD(经验模态分解)算法 三

上次搞定了R语言对一列的值做emd然后输出所有imf的组合图,下面尝试处理多列数值。

#绘制所有省份最高值的最后一个IMF

   # 读取数据
  load <- data.frame(read.csv("最高.csv"))
  # 取对数 length(load) load[,2:length(load)] <- log(load[,2:length(load)]) 最后的表的标题
  title <- "全省区最高值最后一个IMF"
  # emd循环 创建一个用于存储图表的list
  plotlist <- list()
  for (i in 2:length(load)) {
    # emd计算
    emd <- emd(xt = load[, i], boundary = "wave", stoprule = "type5")
    # 选择绘制IMF并存储!!!在此处选择绘制哪一条曲线
    emdframe <- data.frame(Time = load[, "日期"], EMD = emd$imf[, emd$nimf])
    plotlist[[i - 1]] <- ggplot(data = emdframe, aes(x = Time, y = EMD)) + geom_hline(yintercept = 0, colour = "red") + geom_line(size = 0.5) + labs(x = paste("IMF", emd$nimf), y = colnames(load[i]))
  }
  # 绘制组合图
  totalplot <- cowplot::plot_grid(plotlist = plotlist, ncol = floor(sqrt(length(load) - 1)))
  # now add the title
  titleplot <- ggdraw() + draw_label(title, fontface = "bold")
  finalplot <- plot_grid(titleplot, totalplot, ncol = 1, rel_heights = c(0.05, 1))  # rel_heights values control title margins
  finalplot

#全省区最高值原值

所有省份最高值的最后一个IMF

所有省份最高值的余项

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
EMD经验模态分解算法是一种局部平稳性分解技术,用于将时间序列分解成若干个组成部分,每个部分中包含不同的时间尺度和不同频率的信息,以更好地描述时间序列的特征。该算法能够充分利用时间序列数据的内在特征结构,适用性广泛。在EMD分解实验中,可以通过导入PyEMD工具库,构建信号并提取IMFs(内禀模态函数)和剩余信号。通过绘制IMFs和剩余信号的瞬时频率,可以更好地理解时间序列的特征。\[1\]\[3\]该模型还可以结合机器学习相关算法如神经网络或支持向量回归(SVR)等进行时间序列预测,以提高预测的准确性。\[1\]\[2\] #### 引用[.reference_title] - *1* *2* [基于EMD经验模态分解算法Python程序](https://blog.csdn.net/qq_41728700/article/details/129288324)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [Python-经验模态分解EMD)分解及测试用例](https://blog.csdn.net/weixin_41990278/article/details/123127868)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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