【python之经验模态分解EMD实现】PyEMD库的安装和导入EMD, Visualisation问题解决方法[完整可运行]

现有的导入问题

目前网上的办法,直接导入:from PyEMD import EMD, Visualisation 是有问题的

可能会出现 在 ‘init.py | init.py’ 中找不到引用 ‘Visualisation’ 的报错。

原因似乎是现在导入的命令改了,这是一个坑,解决的办法如下:

正确的导入PyEMD方法

  1. 在pip install PyEMD安装完PyEMD库之后
  2. 还必须安装另一个库:pip install EMD-signal
  3. 安装完之后,找到包所在的位置,然后要将原来pyemd的文件夹名称改为PyEMD:
    在这里插入图片描述

使用案例

import numpy as np
import matplotlib.pyplot as plt
from PyEMD.EMD import EMD
from PyEMD.visualisation import Visualisation
# 创建一个示例信号
t = np.linspace(0, 1, 1000)
signal = np.sin(20 * np.pi * t) + np.sin(5 * np.pi * t)

# 创建EMD对象
emd = EMD()

# 对信号进行EMD分解
IMFs = emd(signal)

# 绘制原始信号和分解的IMFs
plt.figure(figsize=(12, 6))
plt.subplot(len(IMFs) + 1, 1, 1)
plt.plot(t, signal, 'r')
plt.title("Original Signal")

for i, imf in enumerate(IMFs):
    plt.subplot(len(IMFs) + 1, 1, i + 2)
    plt.plot(t, imf)
    plt.title(f"IMF {i+1}")

plt.tight_layout()
plt.show()

在这里插入图片描述

  • 5
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
Python中,可以使用`PyEMD`中的`EMD`函数来进行经验模态分解(Empirical Mode Decomposition,简称EMD),并比较不同的边际处理方法和结束判断依据参数的EMD效果。具体实现步骤如下: 1. 首先,需要安装`PyEMD`。可以使用以下命令进行安装: ``` pip install EMD-signal ``` 2. 接下来,可以准备一个信号,并进行EMD分解。例如: ``` import numpy as np import matplotlib.pyplot as plt from PyEMD import EMD # 准备一个信号 t = np.linspace(0, 1, 100) sig = np.sin(5*np.pi*t) + np.sin(10*np.pi*t) # 进行EMD分解 emd = EMD() imfs = emd(sig) ``` 3. 接下来,可以将分解得到的各个IMF(Intrinsic Mode Function)进行可视化,以便对比不同参数下的效果。例如: ``` # 可视化分解结果 plt.figure() plt.subplot(imfs.shape[0]+1, 1, 1) plt.plot(t, sig, 'r') plt.title("Original signal") for i in range(imfs.shape[0]): plt.subplot(imfs.shape[0]+1, 1, i+2) plt.plot(t, imfs[i], 'g') plt.title("IMF %i" %(i+1)) plt.tight_layout() plt.show() ``` 4. 接下来,可以尝试修改边际处理方法和结束判断依据参数,并重新进行EMD分解。例如: ``` # 修改边际处理方法和结束判断依据参数 emd = EMD(extrema_detection="simple") imfs_simple = emd(sig) emd = EMD(extrema_detection="parabol") imfs_parabol = emd(sig) # 可视化分解结果 plt.figure() plt.subplot(imfs_simple.shape[0]+1, 1, 1) plt.plot(t, sig, 'r') plt.title("Original signal") for i in range(imfs_simple.shape[0]): plt.subplot(imfs_simple.shape[0]+1, 1, i+2) plt.plot(t, imfs_simple[i], 'g') plt.title("IMF %i (Simple)" %(i+1)) plt.tight_layout() plt.show() plt.figure() plt.subplot(imfs_parabol.shape[0]+1, 1, 1) plt.plot(t, sig, 'r') plt.title("Original signal") for i in range(imfs_parabol.shape[0]): plt.subplot(imfs_parabol.shape[0]+1, 1, i+2) plt.plot(t, imfs_parabol[i], 'g') plt.title("IMF %i (Parabol)" %(i+1)) plt.tight_layout() plt.show() ``` 需要注意的是,不同的边际处理方法和结束判断依据可能会对EMD分解的结果产生影响,因此需要根据具体的需求进行选择和调整。可以通过比较不同参数下的IMF和重构信号来评估不同参数的效果。

“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 9
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

打赏作者

汐ya~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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