运行速度终于变快了!优化VMD参数,五种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵...

【数字信号去噪】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】 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) 完整的代码,方可运行;可提供运行操作视频!适合小白! 阅读详情
AI摘要

本文介绍了如何通过采用MATLAB官方的VMD函数和融合鱼鹰和柯西变异的麻雀优化算法来减少VMD参数优化的运行时间。文章详细解释了优化耗时的原因,并提供了替换旧函数以及选择适应度函数的步骤。

经常有小伙伴后台留言,说优化VMD参数的程序为什么运行时间辣么长,有没有办法改善一下!

今天小淘就为大家带来了改善运行时间的方法:采用官方自带的vmd函数

0672ecc5d0ccd60ba999067c87654bb3.png

这是MATLAB官方自带的VMD函数截图,可以看到只有2020a版本以后的MATLAB才有vmd函数。

该函数用法也不是很难,大家可以直接在MATLAB官方文档搜索vmd函数的使用方法!或者直接在2020a版本以上的MATLAB输入vmd,然后把光标定位在vmd字符上,按"F1"键,即可出来该函数相关的用法!


这里插一段!浅浅说一下为什么优化VMD参数需要大量的时间!

作者认为,原因有三:

①有些小伙伴的数据量非常大,数据长度超过一万乃至十万的,即便单次调用vmd函数,都需要很长的时间,更何况用智能算法优化寻优,那时间就会更长!

②之前作者提供的VMD函数,是某位大佬根据vmd的定义手写的,相比于官方给出的vmd函数,肯定会有不足之处。以后大家可以以官方的vmd函数为准。之前购买过小淘关于vmd作品的小伙伴也不要着急,替换为官方vmd函数的方法,在这篇文章也会详细的告诉大家,包教包会!

③智能算法的复杂度也会影响运行时间,某些智能算法在运行过程中,需要多次调用适应度函数,本来计算的复杂度是:迭代次数*种群个数,但是一旦这个智能算法在迭代中多次调用了适应度函数,那计算时间就会蹭蹭上涨!所以,关于VMD参数优化的这个案例,并不是所有智能算法都适用,大家尽量选那些计算复杂度低的智能优化算法。当然,小淘之前为大家推荐的优化VMD参数的代码,都是选择的低复杂度的智能算法!


今天就采用这个官方自带的VMD函数,并采用前几期为大家带来的融合鱼鹰和柯西变异的麻雀优化算法来优化VMD参数,该算法也是作者力荐的一个算法,复杂度没有增加,且优化效率极高!

先说结果,替换为官方自带的VMD函数后,寻优速度真的大幅度提升!数据量大的小伙伴不妨都试试这个官方的VMD函数。当然要下载2020a以上的MATLAB才可以哦!

同样以西储大学数据集为例,选用105.mat中的X105_BA_time.mat数据中1000个数据点。没有数据的看这篇文章。西储大学轴承诊断数据处理,matlab免费代码获取

选取五种适应度函数进行优化,以此确定VMD的最佳k和α参数。四种适应度函数分别是:最小包络熵,最小样本熵,最小信息熵,最小排列熵,排列熵/互信息熵,代码中可以一键切换。至于应该选择哪种作为自己的适应度函数,大家可以看这篇文章。VMD为什么需要进行参数优化,最小包络熵/样本熵/排列熵/信息熵,适应度函数到底该选哪个

1.最小包络熵作为适应度函数

0a52a215f0af3745a832781ae00c1813.png

3b93e5878d84e7e8307692a8f7a01c1b.png

2.最小样本熵作为适应度函数

2b13831655c869c56b10d5d9ff6c485c.png

f1a04cf07944228745591ce0b39d52d1.png

3.最小信息熵作为适应度函数

19b1e5e3a783bbe6f848c60a82e30003.png

0a27bf2b592c28650a38f8952d09ad01.png

4.最小排列熵作为适应度函数

c321b12c06885406a6c8366ef51169cb.png

6338fe31e1e03f44a12b4d651562ca92.png

5.复合指标作为适应度函数

有关复合指标的介绍如下:

781eff5b5b999ee39277a3d4769aca1f.jpeg

结果图:

a008f1ac7ed5ec08c58bb2c9aeddbd4d.png

b7ea41547e19828445f5f30557603280.png

如何替换官方的VMD函数?

首先声明,之前的VMD函数肯定是没有错误的!之前购买过作者有关VMD作品的小伙伴也不要慌张,这个并非是非要替换不可的!如果大家嫌代码跑的太慢,可以把调用VMD的部分进行替换!

替换方法:

找到原先文件中调用VMD函数的位置,一般是在适应度函数中。原先的VMD调用是这样的:

[u, u_hat, omega] = VMD(X, alpha, tau, K, DC, init, tol);

现在要把VMD.m这个文件删除了,然后写成这样:

u= vmd(X,'PenaltyFactor', alpha,'NumIMF',K);
u=u';

记着给u加个转置,这是因为官方的vmd函数分解后,得到的IMF分量是以列为单位的。其他的参数如果大家没有特殊需求,使用默认的即可。

本文的部分代码:

%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵,排列熵/互信息熵,为目标函数(任选其一),采用OCSSA算法优化VMD,求取VMD最佳的两个参数
clear
clc
close all
xz = 1;  %xz, 选择1,以最小包络熵为适应度函数,
% 选择2,以最小样本熵为适应度函数,
% 选择3,以最小信息熵为适应度函数,
% 选择4,以最小排列熵为适应度函数,
% 选择5,以复合指标:排列熵/互信息熵为适应度函数。
if xz == 1  
    fobj=@EnvelopeEntropyCost;          %最小包络熵
elseif xz == 2
    fobj=@SampleEntropyCost;            %最小样本熵
elseif xz == 3  
    fobj=@infoEntropyCost;              %最小信息熵
elseif xz == 4
    fobj=@PermutationEntropyCost;       %最小排列熵
elseif xz == 5
    fobj=@compositeEntropyCost;       %复合指标:排列熵/互信息熵
end
%% 选取数据
load 105.mat
da = X105_DE_time(6001:7000); %这里选取105的DEtime数据,注意这里替换为自己的数据即可,数据形式为n行*1列,列数必须为1。
%% 设置参数
lb = [100 3];    %惩罚因子和K的下限
ub = [2500 10];  %惩罚因子和K的上限
dim = 2;            % 优化变量数目
Max_iter=20;       % 最大迭代数目
SearchAgents_no=30;       %种群规模


%% 调用OCSSA函数
[fMin , bestX, Convergence_curve ] = OCSSA(SearchAgents_no,Max_iter,lb,ub,dim,fobj,da);


%% 画适应度函数曲线图,并输出最佳参数
figure
plot(Convergence_curve,'Color',[0.9 0.5 0.1],'Marker','>','LineStyle','--','linewidth',1);
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
legend('OCSSA优化VMD')
display(['The best solution obtained by OCSSA is : ', num2str(round(bestX))]);  %输出最佳位置
display(['The best optimal value of the objective funciton found by OCSSA is : ', num2str(fMin)]);  %输出最佳适应度值

大家注意看到xz这个变量,当选择1,以最小包络熵为适应度函数,选择2,以最小样本熵为适应度函数,选择3,以最小信息熵为适应度函数,选择4,以最小排列熵为适应度函数,选择5,以复合指标:排列熵/互信息熵为适应度函数。这样大家切换起来就很方便了。

代码包含融合鱼鹰和柯西变异的麻雀算法在CEC2005,CEC2021函数中的测试和OCSSA优化VMD。

f523d44ba3026c28577493c7d68ce679.png

   完整代码获取,后台回复关键词:

OCSSAVMD

【VMD优化】基于matlab遗传算法优化VMD参数【含Matlab 1980期】 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式中:α为惩罚参数;λ为拉格朗日乘子。 阅读详情

相关推荐

GA优化VMD,遗传算法优化VMD 变分模态分解参数,优化参数为分解层数K和惩罚因子alpha,适应度函数为包络熵或样本熵

遗传算法GA 优化VMD 变分模态分解参数,优化参数为分解层数K和惩罚因子alpha,适应度函数为包络熵或样本熵,MATLAB程序。 以齿轮折断状态为测试组(该组数据为Excel,可将其直接替换为自己的数据), 根据不同的增加程序,可绘制模态分量的时域图,频域图,以及imf边际谱等图。代码注释超级清楚,很适合学习。遗传算法GA 优化VMD 变分模态分解参数,优化参数为分解层数K和惩罚因子alpha,适应度函数为包络熵或样本熵,MATLAB程序。 以齿轮折断状态为测试组(该组数据为Excel,可将其直接替换为自己的数据), 根据不同的增加程序,可绘制模态分量的时域图,频域图,以及imf边际谱等图。代码注释超级清楚,很适合学习。遗传算法GA 优化VMD 变分模态分解参数,优化参数为分解层数K和惩罚因子alpha,适应度函数为包络熵或样本熵,MATLAB程序。 以齿轮折断状态为测试组(该组数据为Excel,可将其直接替换为自己的数据), 根据不同的增加程序,可绘制模态分量的时域图,频域图,以及imf边际谱等图。代码注释超级清楚,很适合学习。遗传算法G

VMD为什么需要进行参数优化,最小包络熵,样本熵,排列熵,信息熵,适应度函数到底该选哪个

VMD参数优化原理,适应度函数怎么选取,最小包络熵,样本熵,排列熵,信息熵原理介绍与文献支撑

淘个代码 1万+

FPGA时序约束--实战篇(读懂Vivado时序报告)

本文将详细介绍如何读懂Vivado时序报告,包括报告的基本结构和如何分析报告。

mengzaishenqiu的博客 1万+

【优化算法应用教学】VMD的参数优化(附matlab代码)

这里以包络熵最小作为目标值。计算每个imf的包络熵,熵值最小是对应的alpha和k,即为最优的VMD参数组合。我们已将该部分封装成了function,方便调用。

weixin_44028734的博客 5129

VS2015编译配置GDAL(图文并茂、超详细!!!)

文章目录一、GDAL介绍二、下载GDAL三、修改源代码四、工具命令提示符操作五、编译GDAL六、安装GDAL七、在VS2015的项目中配置GDAL八、添加环境变量九、测试是否配置成功 一、GDAL介绍 GDAL(Geospatial Data Abstraction Library)是一个在XMIT许可协议下的开源栅格空间数据转换库。它利用抽象数据模型来表达所支持的各种文件格式。它还有一系列命令行工具来进行数据转换和处理。OGR是GDAL项目的一个分支,功能与GDAL类似,只不过它提供对矢量数据的支持。因此

weixin_46196863的博客 3760

物联网开发笔记(34)- 使用Micropython开发ESP32开发板之控制步进电机(28BYJ-48)

使用Micropython开发ESP32开发板之控制步进电机(28BYJ-48)

zhusongziye的博客 1万+

量子遗传算法优化VMD参数,五种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵...

关于量子遗传算法,在众多文献均有应用。下面简述一下原理。(1)量子比特编码子遗传算法通过引入量子比特来完成基因的存储和表达。量子比特是量子信息中的概念,它与经典比特不同,是因为它可以在同一时刻处于两个状态的叠加中。一个两态的基因使用一个量子比特编码则有:α 与 β 是概率幅常数且取值满足式:φ 不再表达一个确定的信息,可以为“0”态也可 以为“1”态,成为一个拥有表达二者可能的信息。使用 n 个量...

淘个代码 2365

IEEE Transactions on Industrial Informatics(TII)投稿全流程解析:从准备到成功提交

本文详细解析了向IEEE Transactions on Industrial Informatics(TII)投稿的全流程,涵盖从投稿前的格式准备、内容结构优化到在线提交系统实操等关键环节。重点强调了遵守TII严格的格式规范、双盲评审要求以及如何构建有说服力的学术叙述,旨在帮助研究者提升稿件质量,顺利通过评审。

weixin_28396629的博客 1876

【GOOSE优化VMD】基于鹅算法优化VMD参数,五种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵研究(Matlab代码实现)

本研究通过GOOSE算法实现了VMD参数的自适应优化,并结合多适应度函数增强了算法的适用性。动态权重组合:设计加权多目标函数,提升指标间的协同效应。并行计算:利用GPU加速GOOSE的种群评估,应对大规模信号处理需求。跨领域验证:在生物医学信号(如EEG)和金融时间序列中测试算法普适性。通过以上方法,GOOSE-VMD框架为信号处理与故障诊断提供了高效、灵活的解决方案。📚2 运行结果。

Ke_Yan_She的博客 1028

LABVIEW学习之MODBUS-TCP通讯

LABVIEW学习之MODBUS-TCP通讯 1,MODBUS-TCP通讯介绍: MODBUS通讯是工业上面经常用到的一种通讯协议。该协议的原理及介绍不在此累述,下面直接介绍LABVIEW对此协议的应用。 2,MODBUS通讯所需的函数: 安装了DSC模块之后可以在数据通信内找到相关函数 3 ,主VI 主要思路就是使用状态机来进行连接 读取 写入 断开。使用枚举类型来选择状态: 1,连接 2,写入多个M继电器: 3,写入单个M继电器 4,写入双字节D...

风动9527的博客 2万+

从零开始:使用COLMAP与OpenMVS构建高精度三维Mesh模型

本文为零基础新手提供了使用COLMAP与OpenMVS构建高精度三维Mesh模型的完整实战指南。详细介绍了从环境配置、数据采集黄金法则,到COLMAP稀疏与稠密重建、OpenMVS网格生成与纹理映射的每一步操作,并分享了关键的避坑技巧与参数调优建议,帮助读者从二维照片中成功重建出属于自己的三维模型。

metal的博客 507

170余种智能算法优化VMD,五种适应度函数随意切换,Python代码,各种指标计算绘图,一文搞定!...

↖加关注这种话银家怎么好意思说出口嘛--声明:对于作者的原创代码,禁止转售倒卖,违者必究!本期代码,利用强大的python库——mealpy,实现对VMD参数的优化。mealpy库包含了170多个智能优化算法,其中有原始算法和改进算法。关于mealpy库的详细介绍,链接在这里:https://mealpy.readthedocs.io/en/latest/五种适应度函数分别是:最小包络熵、样本熵、...

淘个代码 2873

130、NPU的仿真测试:使用Gem5进行全系统仿真

这篇文章摘要(149字): 本文分享了使用Gem5全系统仿真器验证NPU设计的实践经验。作者通过搭建自定义NPU模型并集成到Gem5系统中,实现了CPU-NPU-内存协同仿真。关键点包括:1) 使用SimObject机制构建可配置的NPU模型;2) 合理配置IO和内存总线避免访问冲突;3) 开发Linux驱动实现CPU与NPU通信;4) 利用Gem5调试功能监控内部状态。相比RTL仿真和FPGA验证,该方法能快速验证微架构设计并定位系统级问题,有效减少了流片风险。文章特别强调了时钟域配置、总线仲裁、对齐访问

m0_50546716的博客 122
上一篇: 自适应t分布变异的黏菌优化算法,MATLAB代码
下一篇: matlab自带VMD详解,VMD去噪,VMD分解
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 28
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

淘个代码_

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

实付元
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