- 博客(10)
- 收藏
- 关注
原创 KPCA(主成分分析)重要性排序!贡献度计算,一键运行!MATLAB程序(带数据集)
KPCA(主成分分析)重要性排序!贡献度计算,一键运行!MATLAB程序(带数据集)
2024-03-11 10:18:45
1448
2
原创 6种频域特征提取的MATLAB代码实现(频域幅值平均值、重心频率、均方频率、频率方差、均方根频率、频率标准差)
6种频域特征提取的MATLAB代码实现(频域幅值平均值、重心频率、均方频率、频率方差、均方根频率、频率标准差)
2024-03-05 15:26:16
1524
原创 15种时域特征提取的Python代码实现(平均值、方差、标准差、偏度、峭度、最大/小值、峰峰值、均方根、峰值因子、波形因子、脉冲因子、裕度因子、峭度因子、能量)
15种时域特征提取的Python代码实现(平均值、方差、标准差、偏度、峭度、最大/小值、峰峰值、均方根、峰值因子、波形因子、脉冲因子、裕度因子、峭度因子、能量)
2024-03-01 16:02:36
3243
原创 15种时域特征提取的MATLAB代码实现(平均值、方差、标准差、偏度、峭度、最大/小值、峰峰值、均方根、峰值因子、波形因子、脉冲因子、裕度因子、峭度因子、能量)
15种时域特征提取的MATLAB代码实现(平均值、方差、标准差、偏度、峭度、最大/小值、峰峰值、均方根、峰值因子、波形因子、脉冲因子、裕度因子、峭度因子、能量)
2024-03-01 15:15:50
3010
原创 多种时间序列、数据分类、数据回归算法(matlab代码)
目录000_代码获取001_基于BP神经网络的数据回归预测002_基于BP神经网络的数据分类预测003_基于BP神经网络的时间序列预测004_基于支持向量机(libsvm)的数据回归预测005_基于支持向量机(libsvm)的数据分类预测006_基于支持向量机(libsvm)的时间序列预测007_基于遗传算法优化的BP神经网络数据回归预测008_基于遗传算法优化的BP神经网络数据分类预测编辑009_基于遗传算法优化的BP神经网络时间序列预测010_基于随机森林算法的数据回归预测011_基
2024-01-09 11:17:31
1716
原创 28种智能优化算法(matlab代码)
28种智能优化算法(matlab代码)WSO白鲨优化算法、WOA鲸鱼优化算法、SSA麻雀优化算法、SS水母优化算法、SCA正弦余弦优化算法、SA模拟退火优化算法、PSO粒子群优化算法、POA鹈鹕优化算法、NGO北方苍鹰优化算法、MVO多版本优化器、MFO蝴蝶优化算法、IGWO改进灰狼优化算法、IGOA改进版蝗虫优化算法、GWO灰狼优化算法、GTO人工大猩猩部队优化算法、GOA蝗虫优化算法、GA遗传算法优化算法、FDA流向算、EO平衡优化器、E_WOA改进鲸鱼优化算法、DMOA矮猫鼬优化算法、DA蜻蜓优化算法
2024-01-08 20:51:46
433
原创 基于WOA-VMD-PSO-SVM轴承故障诊断(完整论文复现),Matlab代码
筛选和原始信号相关度较高的IMF分量,运行代码sxIMF.m可以得到表correlation_coefficients.csv,里面包含每种故障类型的随机一个样本和原始信号之间的相关系数,你需要根据这个表格筛选出相关性较强的IMF分量个数,后续得作为2.3特征提取的参数输入。若筛选的IMF分量个数为9,本文包含正常一共有10种故障类型,每种故障类型包含120组数据,在进行特征提取时,每种故障应包含120×9个特征向量,运行tezhengtiqu.m代码,可以得到文件数据集.csv其作为SVM的分类输入。
2023-11-29 14:34:20
843
原创 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)
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
2023-11-27 16:22:07
788
原创 VMD分解,python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,近似熵,包络熵,频谱图,包含所有程序的python代码
目录1.数据的获取2.VMD函数-python代码实现3.采用python导入故障数据进行VMD分解4.结果展示4.1VMD分解图4.2信号和包络4.3包络谱图4.4频谱图4.5峭度值4.6IMF分量峭度值、能量、EMD能量熵、包络熵、局部最小包络熵、模糊熵、样本熵、近似熵、排列熵5.代码源码轴承故障数据
2023-11-23 20:31:42
1180
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人