分解算法,你要找的都在这!21种分解算法合集! EMD、VMD、SWD程序,直接运行!Excel输入,方便替换!

文摘   教育   2024-11-03 09:06   江苏  
适用平台:Matlab2020及以上

方法:你肯定见过这样的文献:信号分解算法+深度学习方法=高水平论文

期刊水平:仔细看下面的文献均来自《电网技术》、《高电压技术》《电工技术学报》《电力自动化设备》等国内顶级EI期刊

发文日期:2021-2023-至今,不同的分解方法搭配不同的深度学习方法,这是当前的发文主流,你也可以!

基本应用流程:(以功率预测和故障识别为例)

功率预测:

故障识别应用环节:

下面说一下信号分解算法的作用:
信号分解算法的作用是将复杂的信号分解为不同频率的子分量,从而能够更清晰地了解信号的时频特性以及其中包含的信息。以下是信号分解算法的主要作用:

时频分析:信号分解算法可以有效地进行时频分析,将信号在时域和频域上分解成不同的模态成分。这有助于揭示信号在不同时间和频率上的变化特性,使得分析者能够更好地理解信号的动态行为。

提取频率成分:通过信号分解,可以将信号中不同频率的成分分离出来。这对于分析信号中包含的不同频率信息具有重要意义,尤其是在处理非平稳信号或包含多个频率成分的信号时。

去噪和滤波:信号分解算法可以用于去除信号中的噪音或无关成分,从而提高信号的质量。通过选择性地保留或排除特定频率的成分,可以实现对信号的滤波和去噪操作。

模态分解:这些算法通常采用模态分解的思想,将信号分解为多个模态。每个模态对应信号中的一个特定频率成分,具有不同的振幅和相位。这种分解有助于更详细地了解信号的结构和组成。

非线性和非平稳信号处理:一些信号分解算法,包括SGMD、SSD、SVMD等,被设计用于处理非线性和非平稳信号。它们能够适应信号在时间和频率上的变化,并提供更准确的分解结果,相比于传统的线性方法更具优势。

特征提取:分解后的信号模态可以被用作特征,用于进一步的信号分析或在深度学习任务中作为输入特征。这对于从复杂信号中提取有用的信息和特征具有重要意义。
集合中包含21种分解算法:(自带示例数据,直接运行)

SWD(群分解)
WT(小波分解)
SSA(奇异谱分析)
SSD(奇异谱分解)
SGMD(辛几何分解)
POD(本征正交分解)
VMD(变分模态分解)
LMD(局域均值分解)
EMD(经验模态分解)
FEEMD(快速EEMD分解)
EWT(经验小波变换分解)
SVMD(逐次变分模态分解)
EEMD(集合经验模态分解)
ESMD(极点对称模态分解)
REMD(固有时间尺度分解)
MVMD(多元变分模式分解)
RLMD(鲁棒性局部均值分解)
CEEMD(互补集合经验模态分解)
TVF_EMD(时变滤波器的经验模态分解)
CEEMDAN(自适应噪声完备集合经验模态分解)
ICEEMDAN(改进自适应噪声完备集合经验模态分解)

下面是程序的分解结果:(点击图片可放大):
其中部分程序如:SGMD、CEEMDAN应用了公众号“淘个代码”提供的评价指标公式:包络线,包络谱,中心频率,峭度值,能量熵,模糊熵,样本熵,近似熵,包络熵,频谱图等,更直观地评价分解的效果:

部分图片来源于网络,侵权联系删除!

完整代码:https://mbd.pub/o/bread/ZZmbkp1q

欢迎感兴趣的小伙伴点击左下角阅读原文上方链接获得完整版代码哦~,关注小编会继续推送更有质量的学习资料、文章程序代码~

创新优化及预测代码
免费分享研究理论及方法,基础代码资料,努力提供电力系统相关专业预测及优化研究领域的创新性代码,保质保量!面包多地址:https://mbd.pub/o/yc_yh/work
 最新文章