目录

1 原理

2 实战

2.1 原始时间序列

?2.2 直接设置参数进行VMD分解

?2.3 WOA优化VMD超参数

?2.4 利用优化的参数进行VMD分解

?3 代码

在VMD--变分模态分解的使用中，他的k和alpha对分解结果影响很大，大量文章对这两个参数进行 了优化选择，比如通过分析模态的fft频谱，有通过优化算法的优化选择，网上也有少量matlab案例，但python的基本上没有，针对这个，本人写了一个python版本的。

时间序列越复杂，样本熵SE的计算值越大，反之亦然。因此，应用VMD对信号进行分解后，计算每个子序列的SE值，SE最小的序列为所分解序列的趋势项。

当分解数K较小时，可能导致信号分解不足，趋势项中混入其他干扰项，导致SE值变大。当取适当的K值时，趋势项的SE变小。因此，将分解出的IMF中的最小的那个熵SE（局部样本熵）最小化时，VMD分解为最佳

当然样本熵有其局限性，所以目前又有很多方法，比如最小化包络熵、最小化谱相关峭度等，本文依旧以最小化局部样本熵为出发点编程

? ? ? ? 由于我们是最小化局部样本熵，所以适应度曲线是一条下降的曲线

最优的k和alpha为9和65

看我的博客评论区