【数字信号去噪】基于matlab遗传算法优化变分模态分解VMD数字信号去噪（目标函数为样本熵)【含Matlab源码 1982期】
一、遗传算法优化VMD参数简介
1 变分模态分解
VMD分解算法实际上是一个变分问题的求解过程, 它是将原信号分解为K个模态函数uk (t) , 使得每个模态函数的估计带宽之和最小, 则相应的约束变分模型可表达为
式中:{uk}={u1, …, uk}表示的是分解得到的K个子模态;{wk}={w1, …, wk}表示的是各分量的频率中心。
为了将上述约束性变分问题转变为非约束性变分问题, 引入二次惩罚项因子α和拉格朗日乘子λ (t) , 则扩展的拉格朗日表达式为
式中:α为惩罚参数;λ为拉格朗日乘子。采用乘法算子交替方向法 (Alternate direction method of multipliers, ADMM) [10]解决变分问题, 通过迭代更新ukn+1、wkn+1以及λn+1得到上述函数的最优解。
ukn+1的取值问题可表达为
利用Parseval傅立叶等距变换, 上式可变为
2) 根据式 (4) 、式 (5) 在频域内更新uk、wk;
- 更新λ, 其中
2 遗传算法VMD参数优化
利用VMD算法进行信号分解时需要设置参数, 研究发现在进行分解时, 模态数K和惩罚参数α对分解的结果影响较大。实际获取的信号是复杂多变的, 模态数K和惩罚参数α难以确定, 因此选择合适的参数组合是利用VMD算法进行信号分解的关键。
如果设置一个参数不变, 优化另一个参数, 通过这种方式讨论对去噪效果的影响, 就忽略了两个参数相互作用的结果, 陷入局部优化的僵局。遗传算法 (GA) 是一种智能优化算法, 具有较强的全局非线性优化能力[12], 因此引入遗传算法, 借助于适应度函数对目标函数在解空间进行全局并行随机搜索, 快速准确地获取优化参数。
利用遗传算法求解优化问题时, 主要需要经过6个步骤, 编码、初始群体生成、适应度值评价检测、选择、交叉、变异, 使得种群进化为新一代更好适应性的种群。图1是建立适应度函数的优化结果。
二、部分源代码
%% 基于遗传算法(genetic algorithm, GA))优化变分模态分解（variational mode decomposition,VMD）参数
clc
clear
close all
addpath('toolf')
warning off
% 读取数据
[file,path,indx] = uigetfile({'*.xlsx';'*.xls';'*.txt';'*.*'},'File Selector');
if indx == 1||indx==2
data=xlsread(strcat(path, file));
elseif indx == 3
data=load(strcat(path, file));
else
disp('请选择数据集进行实验');
return;
end
%采样频率
fs=12800;
% 读取前1000长度的信号
len=1000;
s=data(1:len);
% 采样时间
t = (0:len-1)/fs;
%% 设定遗传算法参数
popsize =8; % 种群大小
iter =30; % 最大迭代次数
dim = 2; % 变量个数
lb = [100 3]; % alpha范围 K范围 下限
ub = [2000 7]; % 上限
pc=0.8; %交叉概率，0和1之间
pm=0.2; %变异概率，0和1之间
%% 遗传算法GA优化VMD参数
tic , % 开始计时
GA_VMD(popsize,iter,dim,lb,ub,pc,pm,0); % 0表示不保存IMF，1，导出IMF并保存
toc, % 结束计时
function ret = Cross(pcross, lenchrom, chrom, sizepop, bound)
for i = 1:sizepop
pick = rand(1, 2);
while prod(pick) == 0
pick = rand(1, 2);
end
index = ceil(pick .* sizepop);
pick = rand;
while pick == 0
pick = rand;
end
if pick > pcross
continue;
end
flag = 0;
while flag == 0
pick = rand;
while pick == 0
pick = rand;
end
pos = ceil(pick .* sum(lenchrom));
pick = rand;
v1 = chrom(index(1), pos);
v2 = chrom(index(2), pos);
chrom(index(1), pos) = pick * v2 + (1 - pick) * v1;
chrom(index(2), pos) = pick * v1 + (1 - pick) * v2;
flag1 = test(lenchrom, bound, chrom(index(1), :));
flag2 = test(lenchrom, bound, chrom(index(2), :));
if flag1 * flag2 == 0
flag = 0;
else
flag = 1;
end
end
end
ret = chrom;
end
function ret = Mutation(pmutation, lenchrom, chrom, sizepop, pop, bound)
for i = 1:sizepop
pick = rand;
while pick == 0
pick = rand;
end
index = ceil(pick * sizepop);
pick = rand;
if pick > pmutation
continue;
end
flag = 0;
while flag == 0
pick = rand;
while pick == 0
pick = rand;
end
pos = ceil(pick * sum(lenchrom));
v = chrom(i, pos);
v1 = v - bound(pos, 1);
v2 = bound(pos, 2) - v;
pick = rand;
if pick > 0.5
delta = v2 * (1 - pick^((1 - pop(1) / pop(2))^2));
chrom(i, pos) = v + delta;
else
delta = v1 * (1 - pick^((1 - pop(1) / pop(2))^2));
chrom(i, pos) = v - delta;
end
flag = test(lenchrom, bound, chrom(i, :));
end
end
ret = chrom;
end
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
三、运行结果
四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 刘嘉敏,彭玲,刘军委,袁佳成.遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析[J].机械科学与技术. 2017,36(11)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。
原文链接：qq912100926.blog.csdn.net/article/details/125858574
- 点赞
- 收藏
- 关注作者
评论（0）