数字信号处理技术（一）经验模态分解（EMD）- Python代码

本文仅对经验模态分解（EMD）的原理简单介绍和重点介绍模型的应用。

1. EMD原理

经验模态分解（EMD）的原理和算法分析步骤可以参考知乎专栏：https://zhuanlan.zhihu.com/p/40005057
讲的比较细致，容易理解。

2. EMD实战应用

简介

目前的研究方向是时间序列数据预测，采用的数据都是时间序列数据，本次实验的数据集是海浪高度数据信息，没有进行数据的预处理，实验可能会出现一些意想不到的结果，每个人根据自己的研究方向加以修改即可。

2.1 数据集

链接：https://pan.baidu.com/s/1PQtdld221EGu-t2w677uUw
提取码：i9b2
如果无法获取，留言、私聊，发数据集。

2.2 实验

实验代码演示

# -*- coding: utf-8 -*-
"""
Created on Thu Nov 19 15:45:31 2020

@author: 76784
"""
import pandas as pd
import numpy as np
from PyEMD import EMD, Visualisation  # 可视化

##载入时间序列数据
data = pd.read_csv(r'46086xiabannian.csv',usecols=[0])
S1 = data.values
S = S1[:,0]

# print(len(S))
t = np.arange(0,len(S),1)  # t 表示横轴的取值范围
# Extract imfs and residue
# In case of EMD
emd = EMD()
emd.emd(S)

# 获得分量+残余分量
# 分量的个数
#print(len(imfs))

# 分量可视化
# 频率可视化



# 保存分量+残余分量
    
# 保存残余分量
dataframe = pd.DataFrame(res)
dataframe.to_csv(r"res.csv",index=False,sep=',') 

注意：若提示缺少相关包信息，可直接下载即可

2.3 结果

分量可视化

频率可视化

保存文件的图片信息

3. 总结

首先，确定数据集中的数据形式；
其次，找到相关的代码模型，进行调试；
接着，将你的数据集输入到模型中，进行实验；
最后，根据实验结果进行相关分析。

注意

要代码私信我，会发的。