秒收录网站,建设网站有什么作用是什么,用织梦做网站后面可以改吗,跨境电商最好的平台往期精彩内容#xff1a;
风速预测#xff08;一#xff09;数据集介绍和预处理-CSDN博客
风速预测#xff08;二#xff09;基于Pytorch的EMD-LSTM模型-CSDN博客
风速预测#xff08;三#xff09;EMD-LSTM-Attention模型-CSDN博客
风速预测#xff08;四#xf…
往期精彩内容
风速预测一数据集介绍和预处理-CSDN博客
风速预测二基于Pytorch的EMD-LSTM模型-CSDN博客
风速预测三EMD-LSTM-Attention模型-CSDN博客
风速预测四基于Pytorch的EMD-Transformer模型-CSDN博客
风速预测五基于Pytorch的EMD-CNN-LSTM模型-CSDN博客
风速预测六基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客
前言
本文基于前期介绍的风速数据文末附数据集进行集成经验模态算法(Ensemble Empirical Mode DecompositionEEMD)的介绍与参数选择最后通过Python实现对风速数据的EEMD分解。风速数据集的详细介绍可以参考下文
风速预测一数据集介绍和预处理-CSDN博客
Python 中 EEMD包的下载安装
# 下载
pip install EMD-signal
# 导入
from PyEMD import EEMD
切记很多同学安装失败不是pip install EMD也不是pip install PyEMD 如果 pip list 中 已经有 emdemd-signalpyemd包的存在要先 pip uninstall 移除相关包然后再进行安装。
1 集成经验模态算法EEMD介绍
1.1 EEMD简介
集成经验模态算法(Ensemble Empirical Mode DecompositionEEMD)方法是吴兆华和黄锷[1]于 2009 年为克服 EMD 的模态混叠而提出一种噪声辅助信号分析方法。
EEMD 利用了 EMD 的尺度分离能力确保 EMD 方法对任何数据都是二进滤波器组3。 通过加入有限噪声EEMD 在很大程度上消除了模态混合问题并保持了分解的物理唯一 性。
EEMD 定义 IMF 为试验集合的平均值每个试验都由信号加上一个有限振幅的白噪声 组成。通过这种集成方法可以很自然清晰地分离尺度而无需任何先验的主观标准选择。
1.2 EEMD主要特点 引入噪声 EEMD 引入了随机噪声通常是白噪声以打破原始信号的固有对称性避免模态重叠和端效应。 多次迭代 EEMD 对每一次迭代都会生成不同的噪声序列然后将原始信号与不同噪声序列相加进行多次迭代。每次迭代产生一组 IMFs。 模态平均 对于每次迭代得到的 IMFs 通过多次重复迭代得到的 IMFs 进行平均。这种模态平均有助于降低随机性引入的影响提高结果的稳定性。
2 EEMD分解的步骤 初始化 将原始信号进行初始化并选择要添加到信号中的噪声类型和水平。 迭代过程 对于每次迭代将随机噪声序列与原始信号相加然后进行经验模态分解EMD以获得 IMFs。 累积 累积每次迭代得到的 IMFs得到累积的 IMFs。 模态平均 对累积的 IMFs 进行模态平均得到最终的 EEMD 结果。 3 基于Python的EEMD实现
3.1 导入数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc(font, familyMicrosoft YaHei)
# 读取已处理的 CSV 文件
df pd.read_csv(wind_speed.csv )
# 取风速数据
winddata df[Wind Speed (km/h)].tolist()
winddata np.array(winddata) # 转换为numpy
# 可视化
plt.figure(figsize(15,5), dpi100)
plt.grid(True)
plt.plot(winddata, colorgreen)
plt.show() 3.2 EEMD分解
from PyEMD import EEMD# 创建 EEMD 对象
eemd EEMD(trials200, noise_width0.2)
# 对信号进行 EEMD分解
IMFs eemd(winddata)# 可视化
plt.figure(figsize(20,15))
plt.subplot(len(IMFs)1, 1, 1)
plt.plot(winddata, r)
plt.title(原始信号)for num, imf in enumerate(IMFs):plt.subplot(len(IMFs)1, 1, num2)plt.plot(imf)plt.title(IMF str(num1), fontsize10)
# 增加第一排图和第二排图之间的垂直间距
plt.subplots_adjust(hspace0.8, wspace0.2)
plt.show()
参数 trials迭代次数集总平均次数一般在几百次以上非常耗时。虽然增加集合平均次数可降低重构误差 但这是以增加计算成本为代价且有限次数的集合平均并不能完全消除白噪声导致算法重 构误差大分解完备性差 noise_width添加的白噪声幅值 3.3 信号分量的处理
通过集成经验模态算法EEMD得到了信号的分量可以进行许多不同的分析和处理操作以下是一些常见的对分量的利用方向
1信号重构将分解得到的各个本征模态函数IMF相加可以重构原始信号。这可以用于验证分解的效果或者用于信号的重建和恢复。
2去噪对于复杂的信号可能存在噪声或干扰成分。通过分析各个IMF的频率和振幅可以识别和去除信号中的噪声成分。
3频率分析分析每个IMF的频率成分可以帮助理解信号在不同频率上的振荡特性从而揭示信号的频域特征。
4特征提取每个IMF代表了信号的局部特征和振荡模式可以用于提取信号的特征并进一步应用于机器学习或模式识别任务中。
5信号预测通过对分解得到的各个IMF进行分析可以探索信号的未来趋势和发展模式从而用于信号的预测和预测建模。
6模式识别分析每个IMF的时域和频域特征可以帮助对信号进行模式识别和分类用于识别信号中的不同模式和特征。
7异常检测通过分析每个IMF的振幅和频率特征可以用于探测信号中的异常或突发事件从而用于异常检测和故障诊断。
在得到了信号的分量之后可以根据具体的应用需求选择合适的分析和处理方法以实现对信号的深入理解、特征提取和应用。
3.4 EEMD优缺点
优点 提高稳定性 EEMD 通过引入噪声和多次迭代的方式提高了信号分解的稳定性减轻了 EM D 中的一些问题如模态重叠和端效应。 随机性 引入随机噪声的随机性有助于打破信号的对称性提高了对非平稳信号的适应能力。 模态平均 模态平均降低了随机性的影响使得 EEMD 的结果更加可靠。
缺点 计算复杂度 EEMD 的计算复杂度较高尤其是对于较长的信号序列。 参数选择 对于 EEMD需要合适地选择引入的噪声类型和水平以及迭代的次数等参数。
集总平均后的 IMF 可能不再符合 IMF 的要求偏差一般较小不影响瞬时频率的计算。 白噪声在集总平均之后基本抵消但存在残留的白噪声重建之后噪声不可忽略[2]。
参考文献
[1] Huang NE, Shen Z, Long SR, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. The Royal Society, 1998,454:903-995.
[2]《非平稳数据分解理论 从入门到实践》.蒋锋,杨华.中国财政经济出版社.
