weixin_44028734的博客

2025年，研究者在非线性科学领域国际著名期刊《Nonlinear Dynamics》（IF= 5.2，JCR 1区，中科院二区）上发表科学研究成果，以“A novel scheme of condition monitoring and fault recognition based on time-shift multi-scale weighted slope entropy for rolling bearings under variable speed conditions ”为题。提出了。

推出一种最新发表的改进排列熵--，该方法于最新发表在顶级SCI期刊Chaos上。非常非常新了，。和其他熵一样，，可用于分析一切时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能第1步：根据Takens的延迟嵌入定理的一维时间序列重构。第2步：将原始数据从相空间转换为符号空间第3步：采用变异系数（CV）来捕捉向量内的幅度变化第4步：计算重复模式出现的概率第5步：得到ASPE总体流程图。

排列熵(PE)是时间序列的复杂度估计器，它有很多优点，缺点很少。其中一个缺点是PE忽略了时间序列振幅信息。为了将这些信息引入到计算中，提出了一些PE算法的修改。提出了一种新的方法，斜率熵(Slope Entropy)，它也解决了这一缺陷，但以不同的方式，使用一种基于两个连续数据样本生成的斜率的新颖编码方法来保持子序列的符号表示。

加权斜率熵于2025年提出的一种符号熵分析技术，应用于特征分析心率变异性分析、脑电图信号处理、运动生理学、设备状态监测与故障诊断、模式识别等多个领域。

推出一种最新发表的改进排列熵--，该方法于最新发表在顶级SCI期刊Chaos上。非常非常新了，。和其他熵一样，，可用于分析一切时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能第1步：根据Takens的延迟嵌入定理的一维时间序列重构。第2步：将原始数据从相空间转换为符号空间第3步：采用变异系数（CV）来捕捉向量内的幅度变化第4步：计算重复模式出现的概率第5步：得到ASPE总体流程图。

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列。排列熵（Permutation entropy， PE）是Bandt和Pompe于2002年提出的一种符号熵分析技术，它通过分析有序模式的频率来度量时间序列的复杂性和动态行为。该方法已广泛应用于心率变异性分析、脑电图信号处理、运动生理学、设备状态监测与故障诊断等多个领域但是PE有两个主要的缺点。首先，对信号进行符号化时，只考虑幅度值的顺序，而有关幅度的信息被丢弃。

推出一种最新发表的改进排列熵--，该方法于最新发表在顶级SCI期刊Chaos上。非常非常新了，。和其他熵一样，，可用于分析一切时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能发文章全凭眼疾手快，赶快应用到自己的研究领域吧。参考其他熵，发个二/三区SCI没有任何问题，运气好一区也能行，水个中文核心更是不在话下。第1步：根据Takens的延迟嵌入定理的一维时间序列重构。第2步：将原始数据从相空间转换为符号空间。

根据“没有免费的午餐”，。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。同样，在信号处理领域，信号分解方法也有很多种。本文1. EMD（经验模态分解，Empirical Mode Decomposition）2. TVF-EMD（时变滤波的经验模态分解，Time-Varying Filtered Empirical Mode Decomposition）

k-shape

时间数据在许多学科中的扩散和无处不在，已经对时间序列的分析和挖掘产生了极大的兴趣。聚类是最流行的数据挖掘方法之一，不仅因为它的探索性，而且作为其他技术的预处理步骤或子程序。常用的有-means聚类算法。本文介绍了一种新的时间序列聚类算法k-Shape。k-Shape依赖于一个可扩展的迭代优化过程，它创建同质和良好分离的集群。作为距离度量，k-Shape使用标准化的交叉相关。基于距离度量的性质，我们开发了一种计算聚类质心的方法，在每次迭代中使用聚类质心来更新时间序列对聚类的分配。

非常好用！

根据“没有免费的午餐”，。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。同样，在信号处理领域，信号分解方法也有很多种。本文28种1. EMD（经验模态分解，Empirical Mode Decomposition）2. TVF-EMD（时变滤波的经验模态分解，Time-Varying Filtered Empirical Mode Decomposition）

散布熵的作者为解决散布熵中的问题，提出了，于2022年发表在一区顶级期刊IEEE Transactions on Fuzzy systems。本期在推出。除了可以用于基于时间序列数据的机械、电力设备故障诊断，也可用于分析一切时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能。5种多尺度的理论知识在中、英文期刊都有很多，可以参考其他论文，本期不在赘述。原文作者在两个领域内的时间序列上验证了模糊散布熵的能力。

非常好用！

本期介绍一款小众、最新、性能强大的一维数据分解方法，发表在中科院1区top sci期刊IEEE Transactions on Industrial Electronics （简称IEEE TIE），已有100次引用，已经是ESI高被引、热点论文，。特征模态分解(FMD)，是一种新的一维数据分解方法，主要目的是通过设计的自适应有限脉冲响应(FIR)滤波器来分解不同的模式。。但可以发散思维用于其他一维数据中，比如振动、声音、脑电、肌电、地震波、电能质量、径流、风速、交通流等。

梦境优化算法Dream Optimization Algorithm ，DOA，梦具有部分记忆保留、遗忘和逻辑自组织等特征，与元启发式算法中的优化过程有很强的相似性。该算法于2025年3月最新发表在中科院1区SCI期刊 Computer Methods in Applied Mechanics and Engineering。可用于VMD参数优化。在VMD参数优化的创新方式有两种：1，改进优化算法用于VMD；2，提出新的适应度函数。第一种很常见，第二种却不多。

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，可结合先进的机器学习/深度学习方法完成相应的分类识别任务。本期推出Lempel-Ziv。。5种多尺度的理论知识在中、英文期刊都有很多，可以参考其他论文，本期不在赘述。

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，。本期推出一种最新发表的熵--，该方法于最新发表在顶级SCI期刊Chaos上。非常非常新了，。和其他熵一样，。。

非常好用！

example.m是示例文件，时间序列采用了神户（kobe）地震数据，调用5种熵的函数，可直接运行。和其他熵一样，前期将玻尔兹曼-香农交互熵扩展到多尺度、分数阶，最新首创了4种多尺度熵（可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，最新发表在应用数学顶级SCI期刊Chaos上的一种新的数据分析方法。5种熵都是独立的matlab函数形式（看前面的图标fx。word文档：分数阶玻尔兹曼-香农交互熵的数学公式。熵值理论分析在时间序列分析中存在重要的作用。），便于调用，不可直接运行哦。

非常好用！

深度学习技术在图像识别领域取得突破，使得相关领域研究者开始研究如何将一维数据转换成二维的图像。转换的方式大致可分为两类：时频类和时域转换类。好处是，一维数据中的关键信息可以在二维图像中充分的突出，利用深度学习技术（CNNs，Transformer，图神经网络、注意力网络）也可以学习到图像中的全局的相关性信息，有利于解决相关领域复杂问题，。大量的论文表明：信号图像编码结合深度学习的智能故障诊断、识别方法，可显著提高识别精度。中科院1区，影响因子12.3中科院1区，影响因子6.1。

本期推出结合进行时序分类。并以时序分类中的为例。。针对排列熵的问题，加权排列熵（Weighted-Permutation entropy，翻译可能不准确哈，请谅解）被提出，于发表在物理学顶级期刊 Physical Review E，简称PRE，和PRL为同一家族。排列熵首次提出并运用于评估时间序列复杂性。那么排列熵可用于分析一切中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能。基于。

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，可结合先进的机器学习/深度学习方法完成相应的分类识别任务。本期推出Lempel-Ziv。。5种多尺度的理论知识在中、英文期刊都有很多，可以参考其他论文，本期不在赘述。

根据“没有免费的午餐”，。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。同样，在信号处理领域，信号分解方法也有很多种。本文1. EMD（经验模态分解，Empirical Mode Decomposition）2. TVF-EMD（时变滤波的经验模态分解，Time-Varying Filtered Empirical Mode Decomposition）

本期介绍一款小众、最新、性能强大的一维数据分解方法，发表在中科院1区top sci期刊IEEE Transactions on Industrial Electronics （简称IEEE TIE），已有100次引用，已经是ESI高被引、热点论文，。特征模态分解(FMD)，是一种新的一维数据分解方法，主要目的是通过设计的自适应有限脉冲响应(FIR)滤波器来分解不同的模式。。但可以发散思维用于其他一维数据中，比如振动、声音、脑电、肌电、地震波、电能质量、径流、风速、交通流等。

，可结合（CNN，Resnet，VGG，transformer）的深度学习技术使用。170+种优化算法求解11种cec测试函数（附Python代码）用于改进所有优化算法：21种混沌映射方法-混沌初始化（附matlab代码）用于改进所有优化算法：21种混沌映射方法-混沌初始化（附matlab代码）170+种优化算法解决12种工程设计问题（附python代码）沙场大点兵：24种信号分解方法（附matlab代码）略微出手，工程设计问题（12）（附Matlab代码）超175+种群智能优化算法Python库！

本期推出一款小众、最新、性能强大信号分解方法，，已有100次引用，已经是ESI高被引、热点论文，。针对机械故障的特征提取，提出了一种新的分解理论——特征模态分解(FMD)。所提出的FMD主要目的是通过设计的自适应有限脉冲响应(FIR)滤波器来分解不同的模式。然而，FMD的性能受到其参数：滤波器尺寸filtersize和分解数 的影响。手动调参是繁琐的、不经济的。。。第一种很常见，第二种却不多。本期整理并复现了一些高水平EI、SCI期刊中的适应度函数，加上一些常规的适应度函数，目前一共。比如等一维数据。

本期介绍一种用于故障诊断的新颖方法-对称点模式（ symmetrized dot pattern，SDP）。SDP直观的将一维序列（温度，振动、电流等）转换成二维镜像雪花图，通过图形中的差异可直观地反应不同的状态序列。基于SDP和深度学习网络的故障诊断方法，频繁登上1区SCI-IEEE trans系列。关于SDP的理论部分，

模态分解算法作为信号处理的核心技术之一，‌通过将复杂的信号分解为简单或易于处理的组成部分，‌显著提高了信号处理的效率，在信号处理领域扮演着重要角色，其主要作用包括：信号特征提取：模态分解算法能够将复杂的信号分解为若干个简单的、具有明确物理意义的模态函数，有助于提取信号的特征，例如频率、振幅等。非线性和非平稳信号分析：对于非线性或非平稳信号，传统的傅里叶变换可能无法有效处理，而模态分解算法如经验模态分解（EMD）能够自适应地分析这类信号。

根据“没有免费的午餐”，。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。同样，在信号处理领域，信号分解方法也有很多种。本文1. EMD（经验模态分解，Empirical Mode Decomposition）2. TVF-EMD（时变滤波的经验模态分解，Time-Varying Filtered Empirical Mode Decomposition）

本期介绍一种用于故障诊断的新颖方法-对称点模式（ symmetrized dot pattern，SDP）。SDP直观的将一维序列（温度，振动、电流等）转换成二维镜像雪花图，通过图形中的差异可直观地反应不同的状态序列。基于SDP和深度学习网络的故障诊断方法，频繁登上1区SCI-IEEE trans系列。

【从经典到最新】28种信号分解方法，EMD类，VMD类，小波类，FMD、多元分解等

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，。本期推出一种最新发表的熵--，该方法于最新发表在顶级SCI期刊Chaos上。非常非常新了，。和其他熵一样，玻尔兹曼-香农交互熵扩展到多尺度，最新首创了以下4种多尺度熵。。

本期推出一款小众、最新、性能强大信号分解方法，发表在中科院1区top sci期刊IEEE Transactions on Industrial Electronics （简称IEEE TIE），已有100次引用，已经是ESI高被引、热点论文，。针对机械故障的特征提取，提出了一种新的分解理论——特征模态分解(FMD)。所提出的FMD主要目的是通过设计的自适应有限脉冲响应(FIR)滤波器来分解不同的模式。然而，FMD的性能受到其参数：滤波器尺寸filtersize和分解数 的影响。手动调参是繁琐的、不经济的。

本期推出一款小众、最新、性能强大信号分解方法，发表在中科院1区top sci期刊IEEE Transactions on Industrial Electronics （简称IEEE TIE），已有100次引用，已经是ESI高被引、热点论文，。针对机械故障的特征提取，提出了一种新的分解理论——特征模态分解(FMD)。所提出的FMD主要目的是通过设计的自适应有限脉冲响应(FIR)滤波器来分解不同的模式。然而，FMD的性能受到其参数：滤波器尺寸filtersize和分解数 的影响。手动调参是繁琐的、不经济的。

很简单，不是一行，也不是一列的数据。

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，可结合先进的机器学习/深度学习方法完成相应的分类识别任务。本期推出。可用于分析一切时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能。5种多尺度的理论知识在中、英文期刊都有很多，可以参考其他论文，本期不在赘述。

熵值理论分析在时间序列分析中存在重要的作用。基于可以不经过数据的分解或变换，直接度量数据的复杂度，用于表征对应的时间序列，。本期推出一种最新发表的熵--，该方法于最新发表在顶级SCI期刊Chaos上。非常非常新了，。和其他熵一样，。。

基于SDP的多维/多通道/多元序列的数据融合方法