matlab自带VMD详解,VMD去噪,VMD分解

为了更好的利用MATLAB自带的vmd函数,本期作者将详细讲解一下MATLAB自带的vmd函数如何使用,以及如何画漂亮的模态分解图。

首先给出官方vmd函数的调用格式。

[imf,residual,info] = vmd(x)

函数的输入:

这里的x是待分解的信号,一行或者一列都可以!

函数的输出:

第一个参数位置--imf:vmd分解得到的IMF分量。

第二个参数位置--residual:残余分量,残差表示原始信号x中未被vmd分解的部分。

第三个参数位置--info,是一个结构体,包含以下信息:

ExitFlag——终止标志。值0表示算法在达到最大迭代次数时停止。值为1表示算法在满足绝对和相对公差时停止。

CentralFrequencies——IMF的中心频率。

NumIterations——迭代总数。

AbsoluteImprovement——在最后两次迭代之间,IMF收敛的均方绝对改进。

RelativeImprovement——在最后两次迭代之间,IMF收敛的平均相对改进。

LagrangeMultiplier ——上一次迭代时的频域拉格朗日乘数。

示例:

以西储大学轴承故障的105.mat为例,进行vmd分解展示。代码如下:

clc
clear
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=2000;%采样点数
t=(0:L-1)*Ts;%时间序列
%----------------导入内圈故障的数据-----------------------------------------
load 105.mat
X = X105_DE_time(1:L); %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度),直接更改变量名,挑选一种即可。
[imf,residual,info] = vmd(X);
figure(1);
[p,q] = ndgrid(t,1:size(imf,2));
plot3(p,q,imf)
grid on
xlabel('Time Values')
ylabel('Mode Number')
zlabel('Mode Amplitude')

选取105.mat的2000个采样点,进行分解,结果图如下所示:dcd68876b7b111ab47dc7793dd772ba2.png

还可以指定vmd的模态分解数和惩罚因子:

[imf,residual,info] = vmd(X,'NumIMF',6,'PenaltyFactor',2500,')

d219af08f1be7e912cd114017d4e59d7.png

可以看到,模态分解数变成了6个。

当分解模态数较多的时候,还可以这样画图:

clc
clear
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=2000;%采样点数
t=(0:L-1)*Ts;%时间序列
%----------------导入内圈故障的数据-----------------------------------------
load 105.mat
X = X105_DE_time(1:L); %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度),直接更改变量名,挑选一种即可。
[imf,residual] = vmd(X,'NumIMF',9);
t1 = tiledlayout(3,3,TileSpacing="compact",Padding="compact");
for n = 1:9
    ax(n) = nexttile(t1);
    plot(t,imf(:,n)')
    xlim([t(1) t(end)])
    txt = ["IMF",num2str(n)];
    title(txt)
    xlabel("Time (s)")
end
title(t1,"Variational Mode Decomposition")

结果如下:

4830fe30f773179524c3497d5b8c1ce0.png

VMD去噪

对分解的信号进行重构,即为去噪,代码如下:

cleanX = sum(imf(:,2:8),2);
figure
plot(t,X,t,cleanX)
legend("Original X","Clean X")
xlabel("Time (s)")
ylabel("Signal")

这里选用IMF2-IMF8进行相加,丢弃了IMF1和IMF9。为什么要这么做呢,这是MATLAB官方文档给出的解释:

第一种模式包含最多的噪声,第二种模式是以重要特征的频率振荡。通过对除第一个和最后一个VMD模式之外的所有模式求和来构建干净的X信号,从而丢弃低频基线振荡和大部分高频噪声。

结果如下:

d7b1bd249897d3785c9aa74dd573684d.png

105.mat下载地址:https://engineering.case.edu/sites/default/files/105.mat

感觉作者总结还不错的,留个小小的赞吧!

  • 39
    点赞
  • 145
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 16
    评论
麻雀算法是一种基于自然界麻雀群体行为的优化算法,用于解决复杂优化问题。在信号处理领域,麻雀算法可以应用于信号去噪问题。而VMD(Variational Mode Decomposition)是一种信号分解方法,可以将信号分解为多个本征模态函数(Intrinsic Mode Functions, IMF),对于非线性和非平稳信号具有很好的适应性。 基于Matlab的麻雀算法优化VMD信号去噪的过程可以分为以下几个步骤: 1. 提取信号。首先,将待处理的信号导入Matlab环境中,并对信号进行预处理,例如去直流分量、归一化等。 2. VMD信号分解。使用VMD将信号分解为多个IMF,并获得相应的振幅和频率信息。这一步是VMD的核心,可以采用Matlab中现有的VMD工具箱。 3. 首次麻雀群体初始化。根据麻雀算法的特性,首先需要初始化一组麻雀个体,这些个体在参数空间中代表一组解。可以根据信号特点和实际需求来设置个体的初始化范围和初始化方式。 4. 麻雀群体优化。根据麻雀算法的特性,个体会通过通信和协作的方式,逐渐优化解并寻找全局最优解。可以采用遗传算法、粒子群算法等方法进行群体优化,在Matlab中可以使用相关的优化工具箱进行实现。 5. 重构信号。根据优化后的IMF振幅和频率信息,进行信号重构。可以通过幅度加权平均、参数插值等方法来重构信号。 6. 结果评估。对优化后的信号进行性能评估,例如信噪比、失真度等指标,来判断优化效果。 7. 调参和优化。根据评估结果,对麻雀算法的参数进行调整和优化,以获得更好的去噪效果。 基于Matlab的麻雀算法优化VMD信号去噪的过程如上所述,通过将优化算法应用于VMD信号分解中,可以有效地去除信号中的噪声,提高信号的质量和可用性。

“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 16
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

今天吃饺子

不想刀我的可以选择爱我

¥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