企业官网建设流程全解析

网站 子域名,做网站需要哪些资质,微信怎么建设网站,英文网站一般用什么字体ICEEMDANPE小波降噪重构#xff08;改进自适应噪声完备集合经验模态分解排列熵小波降噪重构#xff09; 对信号采用ICCEMDAN进行分解后判定分解分量的排列熵值 #xff0c;将大于预知的分量通过小波软/硬阈值降噪处理#xff0c;随后进行重构。 数据为excel数据#xff0c…ICEEMDANPE小波降噪重构改进自适应噪声完备集合经验模态分解排列熵小波降噪重构 对信号采用ICCEMDAN进行分解后判定分解分量的排列熵值 将大于预知的分量通过小波软/硬阈值降噪处理随后进行重构。 数据为excel数据使用时替换数据集即可 matlab代码含有部分注释代码逻辑清晰 数据为excel数据使用时替换数据集即可 需要可以直接联系信号处理玩到后期总得和各种分解算法打交道。最近在折腾一种混合降噪方法把ICEEMDAN、排列熵和小波阈值这几个工具串起来用。直接上干货先看整体流程先用改进的自适应噪声完备集合经验模态分解ICCEMDAN把信号拆成多个IMF分量计算每个分量的排列熵值把熵值超标的成分扔给小波阈值处理最后重构干净信号。先解决数据读取问题。Matlab处理Excel数据其实挺简单注意字符串和数值列别混了就行data xlsread(your_data.xlsx); % 替换文件名 signal data(:,2); % 假设信号在第二列 fs 1000; % 采样率自己改 t (0:length(signal)-1)/fs;接着是核心的ICEEMDAN分解。这里推荐用第三方工具箱自己手写分解算法容易掉头发[imf, noise] iceemdan(signal, 0.2, 100, 10); % 噪声强度0.2,迭代100次,IMF数量10 figure; for i1:size(imf,1) subplot(size(imf,1),1,i); plot(t, imf(i,:)); % 绘制各阶IMF end注意noise参数返回的是每次迭代添加的噪声调试时可以用来监控分解稳定性。遇到过分解模态数不够的情况可以适当调大最后一个参数。排列熵计算是关键筛选步骤。这里有个坑熵值阈值需要根据信号特性动态调整。举个计算单分量熵的例子function pe permutationEntropy(signal, m, tau) % m嵌入维度tau延迟时间 [~, symbols] phaseSpaceReconstruction(signal, m, tau); counts histcounts(symbols, Normalization, probability); pe -sum(counts .* log2(counts)); % 香农熵计算 end % 调用示例 pe_values zeros(1, size(imf,1)); for i1:size(imf,1) pe_values(i) permutationEntropy(imf(i,:), 3, 1); end threshold mean(pe_values) 0.5*std(pe_values); % 动态阈值设定实际测试中发现当嵌入维度m3、延迟tau1时对高频噪声的敏感度刚好合适。阈值设定别死板有时候需要加个滑动窗口来平滑。到小波阈值处理环节了。Matlab的wdenoise函数其实已经很好用不过这里用传统方法更直观clean_imf imf; for i1:size(imf,1) if pe_values(i) threshold [c, l] wavedec(imf(i,:), 5, db4); % 5层分解 thr wthrmngr(sqtwolog, c); % 通用阈值 c_rec wthresh(c, s, thr); % 软阈值 clean_imf(i,:) waverec(c_rec, l, db4); end end硬阈值h处理后的信号容易产生振荡软阈值虽然衰减大但更平滑。碰到脉冲类噪声可以试试半软阈值。最后重构信号就是简单的线性叠加reconstructed sum(clean_imf, 1); figure; plot(t, signal, b, t, reconstructed, r--); legend(原始信号,降噪信号);验证效果别只用肉眼建议计算信噪比和均方误差snr_value 10*log10(var(signal) / var(signal - reconstructed)); mse mean((signal - reconstructed).^2); disp([SNR提升至:, num2str(snr_value), dB]);整套代码跑下来实测对机械振动信号中的间歇性噪声效果拔群。遇到过分解层数过多导致细节丢失的情况这时候需要回头调整ICEEMDAN的模态数参数。数据量大的时候记得预分配数组不然Matlab分分钟卡死给你看。