【数字信号去噪】基于matlab遗传算法优化变分模态分解VMD数字信号去噪（目标函数为样本熵)【含Matlab源码 1982期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥
在这里插入图片描述
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab信号处理仿真内容点击👇
①Matlab信号处理（进阶版）
②付费专栏Matlab信号处理（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、遗传算法优化VMD参数简介

1 变分模态分解
VMD分解算法实际上是一个变分问题的求解过程, 它是将原信号分解为K个模态函数uk (t) , 使得每个模态函数的估计带宽之和最小, 则相应的约束变分模型可表达为
在这里插入图片描述
式中:{uk}={u1, …, uk}表示的是分解得到的K个子模态;{wk}={w1, …, wk}表示的是各分量的频率中心。

为了将上述约束性变分问题转变为非约束性变分问题, 引入二次惩罚项因子α和拉格朗日乘子λ (t) , 则扩展的拉格朗日表达式为
在这里插入图片描述
式中:α为惩罚参数;λ为拉格朗日乘子。采用乘法算子交替方向法 (Alternate direction method of multipliers, ADMM) [10]解决变分问题, 通过迭代更新ukn+1、wkn+1以及λn+1得到上述函数的最优解。

ukn+1的取值问题可表达为
在这里插入图片描述
利用Parseval傅立叶等距变换, 上式可变为

2) 根据式 (4) 、式 (5) 在频域内更新uk、wk;

更新λ, 其中

2 遗传算法VMD参数优化
利用VMD算法进行信号分解时需要设置参数, 研究发现在进行分解时, 模态数K和惩罚参数α对分解的结果影响较大。实际获取的信号是复杂多变的, 模态数K和惩罚参数α难以确定, 因此选择合适的参数组合是利用VMD算法进行信号分解的关键。

如果设置一个参数不变, 优化另一个参数, 通过这种方式讨论对去噪效果的影响, 就忽略了两个参数相互作用的结果, 陷入局部优化的僵局。遗传算法 (GA) 是一种智能优化算法, 具有较强的全局非线性优化能力[12], 因此引入遗传算法, 借助于适应度函数对目标函数在解空间进行全局并行随机搜索, 快速准确地获取优化参数。

利用遗传算法求解优化问题时, 主要需要经过6个步骤, 编码、初始群体生成、适应度值评价检测、选择、交叉、变异, 使得种群进化为新一代更好适应性的种群。图1是建立适应度函数的优化结果。

⛄二、部分源代码

%% 基于遗传算法(genetic algorithm, GA))优化变分模态分解（variational mode decomposition,VMD）参数

clc
clear
close all
addpath(‘toolf’)
warning off

% 读取数据
[file,path,indx] = uigetfile({‘.xlsx’;'.xls’;‘.txt’;'.*’},‘File Selector’);
if indx == 1||indx==2
data=xlsread(strcat(path, file));
elseif indx == 3
data=load(strcat(path, file));
else
disp(‘请选择数据集进行实验’);
return;
end

%采样频率
fs=12800;
% 读取前1000长度的信号
len=1000;
s=data(1:len);
% 采样时间
t = (0:len-1)/fs;

%% 设定遗传算法参数
popsize =8; % 种群大小
iter =30; % 最大迭代次数
dim = 2; % 变量个数
lb = [100 3]; % alpha范围 K范围下限
ub = [2000 7]; % 上限
pc=0.8; %交叉概率，0和1之间
pm=0.2; %变异概率，0和1之间

%% 遗传算法GA优化VMD参数

tic , % 开始计时

GA_VMD(popsize,iter,dim,lb,ub,pc,pm,0); % 0表示不保存IMF，1，导出IMF并保存

toc, % 结束计时
function ret = Cross(pcross, lenchrom, chrom, sizepop, bound)

for i = 1:sizepop

    pick = rand(1, 2);

    while prod(pick) == 0
        pick = rand(1, 2);
    end

    index = ceil(pick .* sizepop);

    pick = rand;

    while pick == 0
        pick = rand;
    end

    if pick > pcross
        continue;
    end

    flag = 0;

    while flag == 0

        pick = rand;

        while pick == 0
            pick = rand;
        end

        pos = ceil(pick .* sum(lenchrom));
        pick = rand;
        v1 = chrom(index(1), pos);
        v2 = chrom(index(2), pos);
        chrom(index(1), pos) = pick * v2 + (1 - pick) * v1;
        chrom(index(2), pos) = pick * v1 + (1 - pick) * v2;
        flag1 = test(lenchrom, bound, chrom(index(1), :));
        flag2 = test(lenchrom, bound, chrom(index(2), :));

        if flag1 * flag2 == 0
            flag = 0;
        else
            flag = 1;
        end

    end

end

ret = chrom;

end
function ret = Mutation(pmutation, lenchrom, chrom, sizepop, pop, bound)

for i = 1:sizepop

    pick = rand;

    while pick == 0
        pick = rand;
    end

    index = ceil(pick * sizepop);

    pick = rand;

    if pick > pmutation
        continue;
    end

    flag = 0;

    while flag == 0

        pick = rand;

        while pick == 0
            pick = rand;
        end

        pos = ceil(pick * sum(lenchrom));
        v = chrom(i, pos);
        v1 = v - bound(pos, 1);
        v2 = bound(pos, 2) - v;
        pick = rand;

        if pick > 0.5
            delta = v2 * (1 - pick^((1 - pop(1) / pop(2))^2));
            chrom(i, pos) = v + delta;
        else
            delta = v1 * (1 - pick^((1 - pop(1) / pop(2))^2));
            chrom(i, pos) = v - delta;
        end

        flag = test(lenchrom, bound, chrom(i, :));
    end

end

ret = chrom;

end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 刘嘉敏,彭玲,刘军委,袁佳成.遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析[J].机械科学与技术. 2017,36(11)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合