灰狼算法优化ICEEMDAN参数,四种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵...

MATLAB 的ICEEMDAN分解代码实现 本文讲解ICEEMDAN分解方法,并分享代码。 阅读详情

今天给大家带来一期由灰狼算法优化ICEEMDAN参数的MATLAB代码。

优化ICEEMDAN参数的思想可以参考该文献:

[1]陈爱午,王红卫.基于HBA-ICEEMDAN和HWPE的行星齿轮箱故障诊断[J].机电工程,2023,40(08):1157-1166.

文献原文提到:由于 ICEEMDAN 方法的分解效果取决于白噪声幅值权重(Nstd)和噪声添加次数(NE),因此,笔者采用智能优化算法对 ICEEMDAN 的2个参数进行优化,适应度函数采用包络熵,当适应度值越小,则代表分 解的效果越好;通过优化和更新,来确定最终的最佳参数组合(Nstd, NE)。

本期文章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

选取四种适应度函数进行优化,任意切换,采用灰狼算法优化ICEEMDAN,优化30次,种群数量为10。噪声幅值权重的优化范围设置为[0.15,0.6],噪声添加次数的优化范围为[50,600],以此确定ICEEMDAN的白噪声幅值权重(Nstd)和噪声添加次数(NE)。

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,代码中可以一键切换。

1.最小包络熵作为适应度函数

6c6436f5f52bdf4d1925c9fab477653f.png

优化过程如下:

4be331530e00abdebd3453f3b388a733.png

结果如下:

144fed6140ea8b7b96e9fc965236a9e1.png

2.最小样本熵作为适应度函数

42aac5185aa5dd8b026469e35216dfa2.png

a8a382ab57ecf5cfd04648c8728dadfe.png

3.最小信息熵作为适应度函数

78c7ed9370419cd972cd7cc01424aacc.png

8755403b6a75bfef8548b8b6c350ba3f.png

4.最小排列熵作为适应度函数

e1b5098973d1ea752800dfb17a168e4b.png

71b5b7b525bb0b5ac33252321279d43a.png

代码:

%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵为目标函数(任选其一),采用GWO算法优化ICEEMDAN,求取ICEEMDAN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,
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
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 = [0.15 50];    %噪声幅值权重的优化范围设置为[0.15,0.6],噪声添加次数的优化范围为[50,600]
ub = [0.6 600];  
dim = 2;            % 优化变量数目
Max_iter=30;       % 最大迭代数目
SearchAgents_no=10;       %种群规模


%% 调用GWO函数
disp('代码运行时间较长,请耐心等待!')
[fMin , bestX, Convergence_curve ] = GWO(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('GWO优化ICEEMDAN')
disp(['The best solution obtained by GWO is : [',num2str(bestX(1)),',',num2str(fix(bestX(2))),']']);  %输出最佳位置
disp(['The best optimal value of the objective funciton found by GWO 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。这样大家切换起来就很方便了。

代码目录如下:

8f3fcb26490c9f06a2a09da887703af3.png


这里浅浅说一个MATLAB的小技巧:右键MATLAB的“名称”,出现分组依据,勾选这个类型,MATLAB会自动将当前文件夹下的所有文件按照不同的类型进行分组,这个时候就能清楚地看到哪些文件属于函数,哪些文件属于脚本,一般来说,脚本是可以运行的,而函数是不可以运行的。这样对于一些新手小伙伴就很友好啦!

0a7eb878570c77e8d1d607f93a507cf5.png

本期完整代码获取,后台回复关键词:

TGDM828

CEEMDAN算法及其可视化Python实现 它是对经验模态分解(Empirical Mode Decomposition,简称EMD)的改进和扩展。本文将介绍CEEMDAN算法的原理,并提供Python代码实现及可视化方法。函数,该函数接受原始信号和重复迭代次数作为输入,并返回CEEMDAN分解后的平均IMF。函数对信号进行CEEMDAN分解,并将得到的IMF进行可视化。函数对每次加入随机噪声的扰动信号进行EMD分解,并将分解得到的IMF存储在。库是一种进行EMD分解的工具,你可能需要先安装该库才能成功运行代码。库来绘制原始信号和各个IMF的图像。 阅读详情

相关推荐

CEEMD分解+样本熵+Matlab

简介:该傻瓜程序用于对原始信号进行分解,并计算分解后不同模态函数的样本熵。 注释:对这个Matlab程序进行了一定的注释和改进,包括参数设置,简单易懂,避免你浪费时间搜索网络代码(大多数还不可运行); 操作方法:运行main,保证运行无错,带原始数据,带图,写论文必备。 后面还会更新模糊熵计算函数。

CEEMDAN的使用方法

CEEMDAN的使用方法

mengmianrener的博客 1635

别再只看K线了!用Python自制筹码分布图,可视化Winner函数帮你判断支撑压力

本文详细介绍了如何用Python自制筹码分布图,通过数据清洗、算法实现和动态可视化,帮助投资者更准确地判断股票支撑压力位。文章重点讲解了Winner函数的应用,结合筹码分布与交易策略,提升交易决策的精准度。

weixin_42520796的博客 317

ICEEMDAN参数具体含义

...

qq_42452654的博客 2901

当Kmer遇到多倍体:复杂基因组Survey分析中的避坑指南

本文针对小麦、棉花等多倍体及高杂合复杂基因组的Survey分析,深入解析了Kmer分布图解读中的常见陷阱。文章重点探讨了如何超越理想二倍体模型,利用Smudgeplot等工具准确判断基因组倍性,并提供了从参数优化、污染判断到结果验证的全流程实战指南,帮助研究者规避错误,获得更准确的基因组大小、杂合度等关键信息。

yhn45678901的博客 1010

yolo自动化项目实例解析(九) 导航

比如我们经常使用的导航,说白了就是寻找两点之间最近的路径,也就是所谓的寻路,我们需要想办法让程序知道他要去哪里,路径包含(起点、轨迹、路径)

默子昂 1999

【GWO优化ICEEMDAN】基于灰狼算法GWO优化ICEEMDAN参数,四种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵研究(Matlab代码实现)

最小包络熵(Minimum Envelope Entropy)对IMF分量进行Hilbert变换,提取包络信号a(t);归一化包络信号并计算熵值:优势:对噪声敏感,适合提取周期性冲击特征。样本熵(Sample Entropy)构造m维向量序列,统计相似容限r内的匹配概率;样本熵公式:特点:参数一致性较好,适用于非平稳信号。信息熵(Information Entropy)表征信号不确定性,公式为:其中pk为信号类别的概率分布。低熵值对应高纯度分量。

2201_75454341的博客 1213

移动端抓包实战指南:从HTTPS解密到QUIC协议与证书绑定破解

HTTPS作为保障网络通信安全的核心协议,其工作原理基于TLS/SSL加密与证书信任链验证。在移动应用开发与测试中,抓包是调试接口、分析性能、排查问题的关键技术手段。然而,随着移动端安全性的提升,传统的代理抓包方法常因证书绑定、HTTP/3/QUIC协议等挑战而失效。这要求开发者掌握分层诊断思维,协同使用代理工具、协议分析工具及底层流量捕获工具。例如,面对证书绑定导致的流量不可见,需借助Wireshark进行协议层分析;针对基于UDP的QUIC协议,则需使用支持该协议的抓包工具或临时禁用特性。本文聚焦移动端

weixin_27722377的博客 299
上一篇: matlab自带VMD详解,VMD去噪,VMD分解
下一篇: 16种数据分解方法任意挑选,MATLAB代码,实现数据分解自由,一次性全部带走,速看!...
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 16
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