时序分解 | Matlab实现GWO-CEEMDAN基于灰狼算法优化CEEMDAN时间序列信号分解

news2024/11/25 14:33:46

时序分解 | Matlab实现GWO-CEEMDAN基于灰狼算法优化CEEMDAN时间序列信号分解

效果一览

在这里插入图片描述

基本介绍

1.CEEMDAN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，采用智能优化算法对这2个参数进行优化，适应度函数包括包络熵、样本熵、信息熵、排列熵，可随时切换（Matlab完整源码和数据）
2.直接替换Excel数据即可用，注释清晰，适合新手小白
3.附赠时间序列测试数据，可直接运行main一键出图

程序设计

完整源码和数据获取方式私信博主回复：Matlab实现GWO-CEEMDAN基于灰狼算法优化CEEMDAN时间序列信号分解。

%% 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），采用优化CEEMDAN，求取CEEMDAN最佳的两个参数
clear
clc
close all
xz = 1;  %xz=1 or 2, 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
da = xlsread('测试数据.xlsx','B:B'); %这里选取测试数据，B代表Excel中的第B列，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。
plot(da);
title('原始信号')
set(gcf,'color','w')

%% 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=20;              % 最大迭代数目
SearchAgents_no=10;       % 种群规模

%% 调用NGO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,'linewidth',1);
title('迭代曲线图')
xlabel('迭代次数');
ylabel('适应度值');
legend('GWO优化CEEMDAN')
set(gcf,'color','w')
display(['GWO最佳位置为: ', num2str(bestX)]);  %输出最佳位置
display(['GWO最佳适应度值为 : ', num2str(fMin)]);  %输出最佳适应度值

%% CEEMDAN分解图
X = da;
Nstd = bestX(1);
NR = fix(bestX(2));
MaxIter = 10;
[anmodes,its]=ceemdan(X,Nstd,NR,MaxIter);
plotimf(anmodes,size(anmodes,1),'r',' CEEMDAN分解结果'); %画图
xlswrite('GWO-CEEMDAN分解结果.xlsx',anmodes);

%% 频谱图
fs=1;
N=400;
u=anmodes;
figure('Name','频谱图','Color',[1 1 1])
for i=1:size(u,1) 
    subplot(size(u,1) ,1,i)
    [cc,y_f]=plot_fft(u(i,:),fs,1);
    plot(y_f,cc,'b','LineWIdth',1);
    ylabel(['IMF',num2str(i)]);
end