matlab实现VMD去噪、SVD去噪,代码详解

matlab VMD分解详解 VMD(变分模态分解)是一种全新的信号分解方法,可以将信号分解成多个模态分量,每个模态分量代表着信号中不同的振动模式。总之,VMD分解是一种非常实用的信号分解方法,能够帮助我们理解信号中不同的振动分量,并进一步分析其特征和应用价值。值得注意的是,不同的分解结果可能会导致不同的分析结果,因此需要进行多次分解并分析平均结果。下面的代码将计算分解后的各个 VMD 分量的功率谱,并计算各个分量的带宽范围的中心位置。但是,在进行分解之前,需要将需要分析的信号加载到MATLAB工作区,并创建VMD对象。 阅读详情
AI摘要

本期作者详细讲解MATLAB自带的vmd、svd分解函数的使用方法,包括函数输入输出、示例展示,还介绍了如何画模态分解图。同时说明了VMD和SVD的去噪方法,如VMD去噪是去除残余分量后重构信号,SVD则是常见的奇异值分解。

为了更好的利用MATLAB自带的vmd、svd函数,本期作者将详细讲解一下MATLAB自带的这两个分解函数如何使用,以及如何画漂亮的模态分解图。

VMD详解

首先给出官方vmd函数的调用格式。

[imf,residual,info] = vmd(x)

函数的输入:

这里的x是待分解的信号,一行或者一列都可以!

函数的输出:

第一个参数位置--imf:vmd分解得到的IMF分量。

第二个参数位置--residual:残余分量,残差表示原始信号x中未被vmd分解的部分。

第三个参数位置--info,是一个结构体,包含以下信息:

ExitFlag——终止标志。值0表示算法在达到最大迭代次数时停止。值为1表示算法在满足绝对和相对公差时停止。

CentralFrequencies——IMF的中心频率。

NumIterations——迭代总数。

AbsoluteImprovement——在最后两次迭代之间,IMF收敛的均方绝对改进。

RelativeImprovement——在最后两次迭代之间,IMF收敛的平均相对改进。

LagrangeMultiplier ——上一次迭代时的频域拉格朗日乘数。

示例:

以西储大学轴承故障的105.mat为例,进行vmd分解展示。代码如下:

clc
clear
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=2000;%采样点数
t=(0:L-1)*Ts;%时间序列
%----------------导入内圈故障的数据-----------------------------------------
load 105.mat
X = X105_DE_time(1:L); %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度),直接更改变量名,挑选一种即可。
[imf,residual,info] = vmd(X);
figure(1);
[p,q] = ndgrid(t,1:size(imf,2));
plot3(p,q,imf)
grid on
xlabel('Time Values')
ylabel('Mode Number')
zlabel('Mode Amplitude')

选取105.mat的2000个采样点,进行分解,结果图如下所示:287a2167990212808fedc25912af3315.png

还可以指定vmd的模态分解数和惩罚因子:

[imf,residual,info] = vmd(X,'NumIMF',6,'PenaltyFactor',2500,')

ebdf7f77dcb9e6f7618c10997ad4439b.png

可以看到,模态分解数变成了6个。

当分解模态数较多的时候,还可以这样画图:

clc
clear
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=2000;%采样点数
t=(0:L-1)*Ts;%时间序列
%----------------导入内圈故障的数据-----------------------------------------
load 105.mat
X = X105_DE_time(1:L); %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度),直接更改变量名,挑选一种即可。
[imf,residual] = vmd(X,'NumIMF',9);
t1 = tiledlayout(3,3,TileSpacing="compact",Padding="compact");
for n = 1:9
    ax(n) = nexttile(t1);
    plot(t,imf(:,n)')
    xlim([t(1) t(end)])
    txt = ["IMF",num2str(n)];
    title(txt)
    xlabel("Time (s)")
end
title(t1,"Variational Mode Decomposition")

结果如下:

b48ca54838ed627d6238525d004af530.png

VMD去噪

对分解的信号去除残余分量,然后进行重构,即为去噪,代码如下:

cleanX = sum(imf(:,2:8),2);
figure
plot(t,X,t,cleanX)
legend("Original X","Clean X")
xlabel("Time (s)")
ylabel("Signal")

这里选用IMF2-IMF8进行相加,丢弃了IMF1和IMF9。为什么要这么做呢,以下MATLAB官方文档给出的解释:

第一种模式包含最多的噪声,第二种模式是以重要特征的频率振荡。通过对除第一个和最后一个VMD模式之外的所有模式求和来构建干净的X信号,从而丢弃低频基线振荡和大部分高频噪声。

结果如下:

df22237b4e854b6318aece00a46661c3.png

105.mat下载地址:https://pan.baidu.com/s/1UX0dgLrW6SpjPFhML-OQeQ?pwd=puz2 


SVD去噪

SVD就是常见的奇异值分解,也算是一个古老的分解方法了。MATLAB官方关于svd的调用方法如下:

[U,S,V]=svd(A)

参数说明:A:要进行SVD分解的矩阵,且A不必为方阵。

U、S、V为返回的SVD分解的结果:

  • U:A的奇异向量组成的矩阵,AA’的正交单位特征向量组成U;

  • S:对角矩阵,对角元素是A的奇异值,非负且按降序排列;

  • V:A的奇异向量组成的矩阵,A’A的正交单位特征向量组成V。

SVD去噪:同样以105.mat为例:

clear
clc
load 105.mat
L=2000; %采样点数
y = X105_DE_time(1:L); %这里可以选取DE(驱动端加速度)、FE(风扇端加速度)、BA(基座加速度),直接更改变量名,挑选一种即可。
n=40;
%=============================
%==== 奇异值分解 ====
for i=1:L/2+1
t=i:i+L/2-1;
for j=1:L/2
A(j,i)=y(t(j)); %把一维信号重构为矩阵做奇异值分解
end
end
[U,S,V] = svd(A);
%=============================
%==== 重构信号 =====
X=zeros(size(A));
for i=1:n  %选取前n个大奇异值
X=X+U(:,i)*S(i,i)*V(:,i)';
end
JG=zeros(1,L);
for i=1:L
a=0;m=0;
for j1=1:L/2
for j2=1:L/2+1
if i+1==j1+j2
a=a+X(j1,j2); %把矩阵重构回一维信号
m=m+1;
end
end
end
JG(i)=a/m;
end
% JG(L/2+1:end)=X(:,end);
figure
fs=12000;%采样频率
Ts=1/fs;%采样周期
L=2000;%采样点数
t=(0:L-1)*Ts;%时间序列
plot(t,y,t,JG)
legend("Original X","Clean X")
xlabel("Time (s)")
ylabel("Signal")
title('奇异值降噪信号','FontSize',16)
%set(gca,’linewidth’,1.5);
set(gcf,'color','w')

3628545c66f7b4e918b263abdff9f502.png

105.mat下载地址:https://pan.baidu.com/s/1UX0dgLrW6SpjPFhML-OQeQ?pwd=puz2 


点击下方卡片关注,获取更多代码

类EMD的“信号分解方法”及MATLAB实现(第四篇)——VMD 重头戏来了。 在以往的应用经验里,VMD方法在众多模态分解方法中可以说是非常好的。从催更力度上看,这个方法也是格外受关注。笔者决定加快进度快一些写完这个方法,十月份了有些同学要开始做毕设,希望这篇文能帮上忙。 1. VMD(变分模态分解)的概念 VMD(Variational Mode Decomposition)即变分模态分解,与2014年由Dragomiretskiy[1]等人提出,虽然它也叫模态分解,但是和之前介绍过的EMD、EEMD、CEEMD、CEEMDAN这些模态分解方法在原理上有本质区别 阅读详情

相关推荐

基于VMD-SVD的信号去噪算法

基于VMD-SVD的信号去噪过程 (1)首先,输入信号通过VMD进行分解,得到一系列的模态函数IMF。 (2)然后,对每个模态函数分别进行SVD分解。 (3)之后,对于每个IMF的SVD结果,在保留信号主要成分的同时,裁剪掉一些较小的奇异值(即去除噪声成分)。阈值的三种选择方法: ①阈值设为奇异值突变的值:在这种方法中,利用SVD计算出奇异值,然后找出这些奇异值之间突然变化(例如,从较大值突然变为较小值的点,也称为拐点)的位置,那个点可能是信号与噪声的分界点。将此处的数值设定为阈值,用来剔除那些低于此

yuchunyu12的博客 1341

matlab自带VMD详解,VMD去噪,VMD分解

为了更好的利用MATLAB自带的vmd函数,本期作者将详细讲解一下MATLAB自带的vmd函数如何使用,以及如何画漂亮的模态分解图。首先给出官方vmd函数的调用格式。[imf,residual,info]=vmd(x)函数的输入:这里的x是待分解的信号,一行或者一列都可以!函数的输出:第一个参数位置--imf:vmd分解得到的IMF分量。第二个参数位置--residual:残余分量,残差表示原...

淘个代码 2万+

使用鲸鱼优化算法改进VMD实现数据去噪

然而,VMD的性能受到初始参数的影响,因此需要寻找更好的算法以改进它的性能。在本文中,我们将介绍如何使用鲸鱼优化算法来改进VMD算法,从而使其在去噪方面更加强大。然后,我们初始化了鲸鱼群体的位置,定义了目标函数,并运行了优化算法。最后,我们提取了分离后的信号并输出了结果,同时绘制出了原始信号和去噪信号的图形。为了提高算法的性能,可以使用优化算法来调整VMD算法中的参数。我们将使用Matlab来实现鲸鱼优化算法中的代码。通过结合鲸鱼优化算法和VMD算法实现数据去噪,我们可以有效地提高算法的性能和准确性。

持续更新 832

VMD分解,matlab代码,包络线,包络谱,中心频率,峭度值,能量熵,样本熵,模糊熵,排列熵,多尺度排列熵,近似熵,包络熵,频谱图,希尔伯特变换,包含所有程序MATLAB代码,-西储大学数据集为例

以西储大学数据为例,进行VMD分解,·并采用matlab代码绘制包络线,包络谱,计算中心频率,峭度值,能量熵,样本熵,模糊熵,排列熵,多尺度排列熵,近似熵,包络熵,希尔伯特变换(包含所有MATLAB代码,一文全部搞定!——西储大学数据集为例)

淘个代码 2万+

【信号去噪】基于遗传算法优化VMD实现信号去噪附matlab代码

为准确提取轴承故障特征信息,提出以包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法.通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合.原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型.通过实测故障信号分析表明,该方法能够从噪声干扰中有

qq_59747472的博客 981

【数字信号去噪】基于matlab中值滤波+奇异值分解(SVD)数字信号降噪【含Matlab源码 1021期】

中值滤波+奇异值分解(SVD)数字信号降噪 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 4200

matlab实现VMD去噪、SVD去噪,源代码详解

通过对除第一个和最后一个VMD模式之外的所有模式求和来构建干净的X信号,从而丢弃低频基线振荡和大部分高频噪声。为了更好的利用MATLAB自带的vmd、svd函数,本期作者将详细讲解一下MATLAB自带的这两个分解函数如何使用,以及如何画漂亮的模态分解图。SVD就是常见的奇异值分解,也算是一个古老的分解方法了。U:A的奇异向量组成的矩阵,AA’的正交单位特征向量组成U;V:A的奇异向量组成的矩阵,A’A的正交单位特征向量组成V。参数说明:A:要进行SVD分解的矩阵,且A不必为方阵。

淘个代码 735

VMD分解的matlab程序

基于matlab的VMD分解程序,直接可以调用,效果比EMD分解和小波包分解的效果更好

基于随机奇异值分解和软阈值的大数据集中健壮高效的谐波去噪(Matlab代码实现)

许多信号包含多个具有时变瞬时频率(IFs)的组成部分,它们共同具有一个轨迹趋势,例如机械振动信号、语音信号和生物医学信号。借鉴通用参数化时频变换(GPTF 变换)的思想,我们使用参数化核函数来表示重采样函数,并进一步构建时变和时不变的重采样算子来消除 IF 的变化并重新定位 IF 的位置。demo_pnasData.m 展示了对实验数据(cytoC_ms_1scan_000001.csv)展示了基于四种算法(rSVD、rSVD-ST、NASR 和 rQRd)的四个去噪结果。行百里者,半于九十。

weixin_46039719的博客 495

vmdmatlab代码-VMD:变分模式分解及其变体

vmd matlab代码变分模式分解 (VMD) 及其变体 原始 VMD 代码:VMD.m K. Dragomiretskiy, D. Zosso, Variational Mode Decomposition, IEEE Trans. on Signal Processing 多元变分模式分解代码:MVVMD.m N. Rehman, H. Aftab, Multivariate Variational Mode Decomposition, arXiv:1907.04509, 2019. 我们的作品:MVMD.p、STMVMD.p、MAC.p、MVMD.pyd、STMVMD.pyd。 现在只有 Matlab R2016a 的 pcodes 和 Python 3.6.5 的 pydcodes 可用。 请注意:我们只允许使用这些程序来验证我们的论文“多维变分模式分解及其短时对应物”。 除非另行通知,否则不允许用于其他目的。 如果您对以上代码有任何疑问,请联系我。 输入和参数: 信号 - 要分解的时域信号 alpha - 数据保真度约束的平衡参数 tau - 双上升的时间步长(选择 0

vmd代码,vmd代码解释,matlab

用于信号处理的vmd代码,可对信号进行分解处理。

【信号去噪-VMD】基于黏菌算法优化变分模态分解SMA-VMD实现信号去噪附Matlab代码

变分模态分解(VMD)是一种自适应信号分解方法,它能够将信号分解为一组固有模态函数(IMF)和残差。VMD算法具有良好的时频分辨率,能够有效地提取信号中的有用信息。然而,VMD算法也存在一些问题,例如分解结果容易受到噪声的影响,分解精度不高。为了解决这些问题,本文提出了一种基于黏菌算法优化变分模态分解(SMA-VMD)的信号去噪方法。该方法将黏菌算法应用于VMD算法的参数优化,通过优化VMD算法的参数,提高VMD算法的分解精度和抗噪声能力。

qq_59747472的博客 1312

Python爬虫实战:5分钟搞定东方财富网股票数据抓取(附完整代码)

本文详细介绍了如何利用Python爬虫技术,快速抓取东方财富网的实时股票数据。通过逆向分析其JSONP数据接口,构建了包含请求处理、数据清洗、分页调度及多格式存储的完整自动化采集系统,并提供了应对反爬策略与生产部署的进阶优化思路,附有可直接运行的完整代码。

weixin_29084231的博客 875

基于排列熵-SVMD-SVD信号去噪算法附Matlab代码

在工业监测(如设备振动信号)、生物医疗(如脑电、心电信号)、环境感知(如传感器采集数据)等领域,原始信号常被多源噪声(如电磁干扰、机械噪声、热噪声)污染,导致信号关键特征(如设备故障冲击脉冲、心电 QRS 波群)被掩盖,影响后续分析与诊断精度。传统去噪方法(如小波阈值去噪、自适应滤波)虽能抑制部分噪声,但面对 “非线性、非平稳、强耦合” 的复杂信号时,易出现 “过平滑(丢失特征)” 或 “欠滤波(噪声残留)” 问题。

matlab_dingdang的博客 1568

基于ASP.NET+SQLServer的美妆网站的设计与实现

通过本次ASP.NET MVC美妆商城项目的开发,我们实现了一个功能完善、性能稳定的在线购物平台。该项目不仅提升了用户的购物体验,也为商家提供了一个高效的商品管理和销售渠道。未来,我们将持续优化系统功能,提升用户体验,以适应不断变化的市场需求。

毕业设计大牛哥 1502

ITK-snap进行分割区域标注、三维显示及改变显示颜色

在进行医学图像器官分割时,无论我们是用传统方法还是深度学习,最后肯定要用到手动分割的区域作为金标准来验证我们方法的精度。但是手动标注器官的轮廓是十分耗时的,这里我介绍一个比较简单的标注方法,以肺分割作为例子。 我们使用ITK-snap作为分割标注工具。 当切片间距离比较小时,比如1mm,一个患者的完整HRCT序列通常在200张以上,如果让医生一一进行分割区域标注是非常耗时乏味的。因此,我们可以使用最简单的阈值法比如OSTU,加上基本的形态学操作对肺进行粗分割得到粗略的分割掩码,在此基础上再手动的对分割结果进

u010409517的博客 2万+

【数字信号去噪】麻雀算法优化VMD信号去噪(目标函数为包络熵局部极小值)【含Matlab源码 2111期】

麻雀算法优化VMD信号去噪(目标函数为包络熵局部极小值) 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版)或下载付费资源,可赠送奶茶价版付费专栏指定代码1份; 1719

SAP IDOC实战:如何用EDI实现跨公司采购订单自动生成销售订单(附完整配置步骤)

本文详细解析了如何利用SAP IDOC与EDI技术,实现跨公司采购订单自动生成销售订单的完整流程。通过实战案例,从业务蓝图设计、输出条件配置、伙伴参数设定到IDOC消息类型处理,提供了清晰的配置步骤与故障排查指南,帮助企业打通内部业务流,构建高效的自动化闭环。

weixin_29215815的博客 731

【数字信号去噪】基于matlab麻雀算法优化VMD信号去噪(目标函数为包络熵局部极小值)【含Matlab源码 2111期】

麻雀算法优化VMD信号去噪(目标函数为包络熵局部极小值) 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 3258

Deep Reinforcement Learning - 1. DDPG原理和算法

Deep Reinforcement Learning - 1. DDPG原理和算法 背景描述 DDPG的定义和应用场景 DDPG算法相关基本概念定义 DDPG实现框架和算法 DDPG对于DPG的关键改进 下一篇 以下用RL作为Reinforcement Learning 的简称。背景描述概括来说,RL要解决的问

kenneth_yu的博客 14万+

openEuler 20.03 LTS面向RK3399移植系列(3)—openEuler 20.03 LTS面向Firefly RK3399的第一个版本(Linux kernel 4.4)

任务动机:完成openEuler面向RK3399开发板的移植。 任务描述:按照固件烧写准备,固件获取,固件打包和烧写的步骤实现openEuler面向RK3399开发板的移植,整理过程和相关命令记录到文档。 1. 制作openEuler的rootfs.img 1.1 开发环境 树莓派--openEuler系统 openEuler 20.03 LTS 的内测版本镜像,下载。 1.2 具体操作 1.2.1 ssh远程连接树莓派 确定树莓派IP ssh连接 1.2.2 制作rootfs.img

火种源码的机器人技术专栏 2371

【数字信号去噪】杜鹃鲶鱼优化算法优化变分模态分解CCO-VMD数字信号去噪(优化K值 alpha值 综合指标 适应度函数包络熵)【含Matlab源码 14789期】

杜鹃鲶鱼优化算法优化变分模态分解CCO-VMD数字信号去噪 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1040

1. 迈进 SAP UI5 开发世界的第一步 - Hello World

SAP UI5 是一个用于开发企业级 Web 应用的前端框架,基于 HTML 和 JavaScript. 作为教程的第一步,我们需要了解最基础的 HTML 知识。 请大家在电脑上任意新建一个文件夹,将其命名,比如我取的名称为 Walkthrough. 进入 Walkthrough 文件夹,再新建一个文件夹名叫 01,代表本教程的第一个步骤。 进入 01 文件夹,新建一个 webapp 文件夹。这个名称是 web 应用约定俗成所使用的,大家都倾向于用这个名称,当然你要是想用其他名称也没有问题。......

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 9013
上一篇: 215个优化算法优化30余个机器学习预测模型,一键更改多/单输入,多/单步预测,Python预测全家桶
下一篇: 保姆级教程之GADF-CNN-SSA-Xgboost,东南大学齿轮箱故障诊断,MATLAB代码,力荐!
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
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