变分模态分解（VMD）-Python代码

变分模态分解（VMD）-Python代码

---

1、 VMD原理

变分模态分解（VMD）的原理推荐两个参考连接 变分模态分解原理步骤和VMD算法的介绍

2、 VMD代码

代码可直接运行

import numpy as np
import matplotlib.pyplot as plt
from vmdpy import VMD
-----测试信号及其参数--start-------------
T=1000;fs=1/T;t=np.arange(1,T+1)/T
f_1=2;f_2=24;f_3=288
v_1=(np.cos(2*np.pi*f_1*t));v_2=1/4*(np.cos(2*np.pi*f_2*t));v_3=1/16*(np.cos(2*np.pi*f_3*t))
v=[v_1,v_2,v_3] # 测试信号所包含的各成分
f=v_1+v_2+v_3+0.1*np.random.randn(v_1.size)  # 测试信号
-----测试信号及其参数--end----------
alpha=2000 # alpha 带宽限制经验取值为抽样点长度1.5-2.0倍
tau=0 # tau 噪声容限，即允许重构后的信号与原始信号有差别。
K=3 # K 分解模态（IMF）个数
DC=0 # DC 若为0则让第一个IMF为直流分量/趋势向量
init=1 # init 指每个IMF的中心频率进行初始化。当初始化为1时，进行均匀初始化。
tol=1e-7 # 控制误差大小常量，决定精度与迭代次数
u, u_hat, omega = VMD(f, alpha, tau, K, DC, init, tol) # 输出U是各个IMF分量，u_hat是各IMF的频谱，omega为各IMF的中心频率
# 画原始信号和它的各成分
plt.figure(figsize=(10,7));plt.subplot(K+1, 1, 1);plt.plot(t,f)
for i,y in enumerate(v):
    plt.subplot(K+1, 1, i+2);plt.plot(t,y)
plt.suptitle('Original input signal and its components');plt.show()
# 分解出来的各IMF分量
plt.figure(figsize=(10,7))
plt.plot(t,u.T);plt.title('all Decomposed modes');plt.show()  # u.T是对u的转置
# 分解出来的各IMF分量
# plt.figure(figsize=(10, 7), dpi=80)
# for i in range(K):
#     plt.subplot(K, 1, i + 1)
#     plt.plot(t,u[i, :])
#     plt.title('IMF{}'.format(i + 1))
# plt.show()
# 分解出来的各IMF分量的频谱
# print(u_hat.shape,t.shape,omega.shape)
plt.figure(figsize=(10, 7), dpi=80)
for i in range(K):
    plt.subplot(K, 1, i + 1)
    plt.plot(t,u_hat[:, i])
    plt.title('spectra of the modes{}'.format(i + 1))
plt.tight_layout();plt.show()
# 各IMF的中心频率
plt.figure(figsize=(12, 7), dpi=80)
for i in range(K):
    plt.subplot(K, 1, i + 1)
    plt.plot(omega[:,i]) # X轴为迭代次数，y轴为中心频率
    plt.title('mode center-frequencies{}'.format(i + 1))
plt.tight_layout();plt.show()