The invention discloses a particle swarm algorithm based on variable sub modal decomposition algorithm parameter optimization method, which belongs to the time-frequency analysis method for non-stationary signal category. The method mainly processes: first definition can reflect the characteristics of non-stationary signal mode function (Intrinsic Mode Function, IMF) feature decomposition effect IMF Fu Liye spectra the Fu Liye spectrum entropy, IMF entropy as a function of particle swarm optimization algorithm fitness function; then the initialization of PSO algorithm, and then began to search for the optimal number of adaptation letter solutions; finally, to get the optimal solution as the parametric variational modal decomposition algorithm. The method proposed by this invention is automatically solving the optimal parameter combination of variational mode decomposition algorithm K and alpha through particle swarm optimization, and the parameters K and alpha obtained are not only optimal, but also fast and efficient.
【技术实现步骤摘要】
一种基于粒子群算法的变分模态分解算法参数优化方法
本专利技术属于非平稳信号时频分析方法的范畴,应用于对非平稳信号进行变分模态分解时,确定其所对应的变分模态分解算法的参数K和α的最优组合。其中,K代表将非平稳信号分解为单分量IMF(特征模态函数)的个数,α为二次惩罚参数。
技术介绍
一直以来,经验模态分解(EmpiricalModeDecomposition,EMD)算法广泛用于分解非平稳信号来获取其特征模态函数(IntrinsicModeFunction,IMF),分解得到的IMF具有明确的物理意义,常用于非平稳信号的时频分。由于EMD算法采用循环筛分剥离的处理方式获得IMF分量,所以EMD算法存在如下缺陷:缺乏有力的数学理论支撑;算法采用递归筛选逐次分解,无法反向误差校正;通常存在模态混叠现象或模态丢失等,这些缺陷严重的制约了EMD的应用。针对EMD存在的上述问题,KonstantinDragomiretskiy和MominiqueZosso在2014年提出变分模态分解(VariationalModeDecomposition,VMD)算法。该方法在获取非平稳信号的IMF分量时摆脱了EMD算法处理信号的模式,提出了将信号分解过程转移到变分的框架内的方法,通过引入增广Lagrange函数将有约束转化为无约束,用ADMM算法求最优解来实现信号自适应分解,在这个迭代求解的过程中,每个IMF分量的频率中心及带宽不断更新,最终实现信号频带的自适应剖分及得到若干窄带IMF分量。该算法成功的克服了EMD算法的诸多不足。因此变分模态分解算法广泛应用于非平稳信号的时频分析 ...
【技术保护点】
一种基于粒子群算法的变分模态分解算法参数优化方法,该方法包括:步骤1:对多分量非平稳信号y进行傅立叶变换得到多分量非平稳信号y的频谱,统计出频谱波峰的个数并记为M,认为信号y含有的单分量IMF的个数为M;步骤2:初始化粒子群优化算法的参数:粒子群优化算法:
【技术特征摘要】
1.一种基于粒子群算法的变分模态分解算法参数优化方法,该方法包括:步骤1:对多分量非平稳信号y进行傅立叶变换得到多分量非平稳信号y的频谱,统计出频谱波峰的个数并记为M,认为信号y含有的单分量IMF的个数为M;步骤2:初始化粒子群优化算法的参数:粒子群优化算法:其中,x=[K,α],K代表将非平稳信号分解为单分量IMF的个数,α为影响分解单分量的带宽参数,表示第i个粒子在第n次迭代时的速度,表示第i个粒子在第n次迭代时的位置,n为迭代次数,下标i代表第i个粒子,v代表粒子速度,x代表粒子位置,bi代表第i个粒子搜索到的局部最优解,gbest代表整个粒子群迄今为止搜索到的最优位置,w表示惯性权重,e1、e2为学习因子,ξ为约束因子,λ每次迭代时为随机整数;位置x初始化:xi=round(10rand(1,1)(xmax-xmin))+xmin(c1)速度v初始化:vi=-1+round(2rand(1,1))(c2)round实现对某个数四舍五入取整,rand是在0到1之间随机取数,xmax、xmin分别代表自变量x=[K,α]的最大值和最小值;设置粒子群算法的粒子个数为Np,粒子群搜索次数为L,其中(M-M/2)≤K≤(M+M/2),10≤α≤6000;步骤3:采用步骤2每次迭代完成后得到的x=[K,α],作为变分模态分解算法的参数。然后使用变分模态分解算法对多分量非平稳信号y进行分解得到多个单分量IMF;步骤4:计算步骤3得到的所有IMF模态混叠度系数C1:C1=Imf_w_sum-K+1其中,Imf_w_sum表示所有单分量IMF中频率值的个数;步骤5:计算步骤3得到的所有IMF模态重复度系数C2C2=Imf_rw_sum+K其中:Imf_rw_sum表示所有IMF中不同频率值重复次数的和;步骤6:构建粒子群优化算法的适应度函数值:其中:E(p)表示粒子群优化算法的适应度函数值,C=C1·C2,β(j)是第j个IMF的傅立叶谱;步骤7:将步骤2中粒子群优化算法迭代L次,得到L个粒子群优...
【专利技术属性】
技术研发人员:于雪莲,曲学超,申威,李海翔,周云,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。