数字信号处理技术（三）自适应噪声完备集合经验模态分解（CEEMDAN）-Python代码

本文仅对自适应噪声完备集合经验模态分解（CEEMDAN）的原理简单介绍和重点介绍模型的应用。

1. CEEMDAN原理

CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）的中文名称是自适应噪声完备集合经验模态分解，
要注意这个方法并不是在CEEMD方法上改进而来的，而是从EMD的基础上加以改进，
同时借用了EEMD方法中加入高斯噪声和通过多次叠加并平均以抵消噪声的思想

2. CEEMDAN 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

import pandas as pd
import numpy as np
##载入时间序列数据
def get_data(path,i):
    data = pd.read_csv(path,usecols=[i])
    data = data.values
    return data
def get_ceemdan(data):
    """
    信号参数：
    N:采样频率500Hz
    tMin:采样开始时间
    tMax:采样结束时间 2*np.pi
    """
 
def plot_imf(data_value,E_IMFs):
    t = np.arange(0,len(data_value),1)  # t 表示横轴的取值范围
    vis = Visualisation()
    # 分量可视化

    # 频率可视化
    
# 保存分量
def save_imf(E_IMFs):
 
def test():
    path = "sample.csv"
    data = get_data(path,0)
    E_IMFs  = get_ceemdan(data)
    plot_imf(data,E_IMFs)
    save_imf(E_IMFs)

if  __name__ =="__main__":
    test()

2.3 结果

分量可视化

频率可视化

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。