最近在做的是通过将一个正弦函数(三个不同频率),分解重构,原理过程可以参考下面两个
[机器学习] 奇异谱分析(SSA)原理及Python实现-CSDN博客
奇异谱分析(SSA)的matlab实现_奇异谱分析 matlab-CSDN博客
运行的文件是SSA1.m,其他的.m文件都是SSA调用的。具体代码如下:
SSA1.m
%输入合成信号y
f1=50;
f2=90;
f3=410;
fs=50;%采样频率
t=0:1/fs:1;
y=sin(2*pi*f1*t)+sin(2*pi*f2*t)+sin(2*pi*f3*t);
plot(t,y,'r*-');
%ssa
n = length(y); %测试数据长度
l = 10; %输出窗口长度L
[y1,lamuda]=SSA_function(y,n,l); %进行奇异谱分析得到L个初等矩阵
ref = 0.95;
[x] = Contribution_rate(lamuda,l,ref); %根据贡献率选择重构阶数,阈值根据需求设置
[coll] = w_collelation(y1,l,n); %权相关分析得到w-correlation图
figure(1)
HeatMap(coll);
yout = zeros(1,n);
for i=1:l
subplot(5,2,i);
plot(y1(i,:))
end
for i=1:x
yout(1,:) = yout(1,:) + y1(i,:);
end
figure(2)
plot(1:n,y,'-r',1:n,yout,'-g')
%% 输出趋势项
prompt = '趋势项阶数: '; %根据w-collelation图输入重构阶数
x = input(prompt); %根据权重图选择要重构信号
yout = zeros(1,n);
for i=1:x
yout(1,:) = yout(1,:) + y1(i,:);
end
figure(3)
plot(1:n,yout,'-r')
%% 输出周期项
prompt = '输出周期项: '; %根据w-collelation图输入重构阶数
x2 = input(prompt); %根据权重图选择要重构信号
yout = zeros(1,n);
for i=x+1:x2
yout(1,:) = yout(1,:) + y1(i,:);
end
figure(4)
plot(1:n,yout,'-g')
SSA_function.m
%% 奇异谱分析函数
%x 原始时间序列;n一维时间序列x的维度;l窗口长度(为周期的整数倍,不超过n/2)
% 返回的y的维度是[窗口长度l*序列长度n],表示l个初等矩阵;
function [y,lamuda]=SSA_function(x,n,l)
% Step1 : 建立时滞矩阵
k1=n-l+1;
X2=zeros(l,k1);
for i=1:k1
X2(1:l,i)=x(i:l+i-1);
end
% Step 2: 奇异值分解
x3=X2*X2';
[U,S,V] = svd(x3);
for i=1:l
V1(:,i) = X2'*U(:,i)/sqrt(S(i,i));
end
%初等矩阵重构得到l个时间序列;
y = zeros(l,n);
Lp=min(l,k1);
Kp=max(l,k1);
for i=1:l
xi = sqrt(S(i,i)) * U(:,i) * V1(:,i)';
y1=zeros(n,1);
for k=0:Lp-2
for m=1:k+1
y1(k+1)=y1(k+1)+(1/(k+1))*xi(m,k-m+2);
end
end
%重构 Lp~Kp
for k=Lp-1:Kp-1
for m=1:Lp
y1(k+1)=y1(k+1)+(1/(Lp))*xi(m,k-m+2);
end
end
%重构 Kp+1~N
for k=Kp:n-1
for m=k-Kp+2:n-Kp+1
y1(k+1)=y1(k+1)+(1/(n-k))*xi(m,k-m+2);
end
end
y(i,:) = y1(:,1);
end
%将特征值输出一列
%lamuda = zeros(l,1)
for i = 1:l
lamuda(i,1) = S(i,i);
end
end
w_collection.m
%% 权相关
function [coll] = w_collelation(y,l,n)
k = n-l+1;
coll = zeros(l,l);
for i =1:l
for j =1:l
if l<k
xfc = 0.0;
xfx = 0.d0;
xfy = 0.0;
for h=1:n
if h >= 1 && h<l
w = h;
elseif h >= l && h<k
w=l;
elseif h >= k && h<=n
w = n-h+1;
end
xfc = xfc + w*y(i,h)*y(j,h);
xfx = xfx + w *y(i,h)^2;
xfy = xfy + w * y(j,h)^2;
end
coll(i,j) = xfc/(sqrt(xfx)*sqrt(xfy));
end
end
end
end
Contrabution_rate.m
%% 计算奇异值的贡献率
function [n,array2] = Contribution_rate(lamuda,l,ref) %输入奇异值、窗口长度、阈值(0,1)
sum1 = sum(lamuda(:));
for i=1:l
sum2 = sum(lamuda(1:i));
num = sum2/sum1;
array2(i) = num;
if num >= ref
n = i;
break
end
end
end
实现效果如下:
heatmap是原始图与重构图的相关性,可以根据权重来改变参数。最右边是不同奇异值对应的子图,左下图是原始与重构的图,左上是原始图。