金豺算法优化VMD参数,六种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵、包络谱峰值因子...

本文主要是介绍金豺算法优化VMD参数,六种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵、包络谱峰值因子...,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

声明:对于作者的原创代码,禁止转售倒卖,违者必究!


本期采用金豺优化算法(Golden Jackal optimization, GJO)优化VMD参数。选取六种适应度函数进行优化,以此确定VMD的最佳k和α参数。6种适应度函数分别是:最小包络熵,最小样本熵,最小信息熵,最小排列熵,排列熵/互信息熵包络谱峰值因子,代码中可以一键切换。

关于优化VMD参数的更多详细内容还可以参考这一篇:运行速度终于变快了!优化VMD参数,五种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵

金豺优化算法于2022年发表在中科院1区top SCI期刊《Expert Systems with Applications》上,属于高被引论文,深受欢迎。谷歌学术被引次数为167次。

a6f7facea56d8e7f1824a9cc3be349a2.png

c2d490040123c146e0266f5dd628415e.png

对于前面五种适应度函数,之前的文章介绍过很多了。本文新增一个包络谱峰值因子作为适应度函数,关于包络谱峰值因子的介绍如下:

b01a2e040314d152fe47af9b49d2049e.png

参考文献:张龙,熊国良,黄文艺.复小波共振解调频带优化方法和新指标[J].机械工程学报,2015,51(03):129-138.

至于应该选择哪种作为自己的适应度函数,大家可以看这篇文章。VMD为什么需要进行参数优化,最小包络熵/样本熵/排列熵/信息熵,适应度函数到底该选哪个

同样以西储大学数据集为例,选用105.mat中的X105_BA_time.mat数据中1000个数据点。没有数据的看这篇文章。西储大学轴承诊断数据处理,matlab免费代码获取

1.最小包络熵作为适应度函数

7bbb8ca24462748f5b791fc179b93c18.png

a9b145e66e53180894bae8153d256639.png

2.最小样本熵作为适应度函数

3b08aa53b18d54aefb9fb6291b6d08a0.png

162d5b379a351d5a349b3d751f15424e.png

3.最小信息熵作为适应度函数

2c9e5cc1fa033e43490f700f05b8b0dc.png

d0bce7434f726ce0b411fcc3d42c35c9.png

4.最小排列熵作为适应度函数

3f342be672b66c27bb3f688eef796de7.png

e2a7e2a14e94bbed811feb5a56a57ffb.png

5.复合指标作为适应度函数

有关复合指标的介绍如下:

b049cc819c85d7560ca33e650c116f32.jpeg

结果图:

2b24378345fc5522e0b47fa6b4d50fda.png

d3ef7a1fdcb7bc0e5a9fa66849d46de5.png

6.包络谱峰值因子作为适应度函数

0c083c3926a70a07c382003439420242.png

ca6a3e0d9f9f1ecb5410afa53e7ff2e7.png

本文的部分代码

%% 以最小包络熵、最小样本熵、最小信息熵、最小排列熵,排列熵/互信息熵,包络谱峰值因子,为目标函数(任选其一),采用金豺算法优化VMD,求取VMD最佳的两个参数
clear
clc
close all
%选取数据
load 105.mat
data = X105_DE_time(6001:7000); %这里选取105的DEtime数据,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。
%% 选取适应度函数类型
xz = 1;  
% 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,
% 选择5,以复合指标:排列熵/互信息熵为适应度函数。
% 选择6,以包络谱峰值因子为适应度函数。
if xz == 1  fobj=@(x)EnvelopeEntropyCost(x,data);          %最小包络熵
elseif xz == 2fobj=@(x)SampleEntropyCost(x,data);            %最小样本熵
elseif xz == 3  fobj=@(x)infoEntropyCost(x,data);              %最小信息熵
elseif xz == 4fobj=@(x)PermutationEntropyCost(x,data);       %最小排列熵
elseif xz == 5fobj=@(x)compositeEntropyCost(x,data);       %复合指标:排列熵/互信息熵
elsefobj=@(x)Envelopepeakfactor(x,data);       %复合指标:排列熵/互信息熵
end%% 设置参数
lb = [100 3];    %惩罚因子和K的下限
ub = [2500 10];  %惩罚因子和K的上限
dim = 2;            % 优化变量数目
Max_iter=20;       % 最大迭代数目
SearchAgents_no=30;       %种群规模
%% 调用GJO函数
[GTO_bestfit, GJO_bestX, GJO_Convergence_curve] = GJO(SearchAgents_no,Max_iter,lb,ub,dim,fobj);
%% 画适应度函数曲线图,并输出最佳参数
if xz == 6GJO_Convergence_curve = -GJO_Convergence_curve;GTO_bestfit = -GTO_bestfit;
end
figure
plot(GJO_Convergence_curve,'Color',[0.9 0.5 0.1],'Marker','>','LineStyle','--','linewidth',1);title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
legend('GJO优化VMD')
display(['The best solution obtained by GJO is : ', num2str(fix(GJO_bestX))]);  %输出最佳位置
display(['The best optimal value of the objective funciton found by GJO is : ', num2str(GTO_bestfit)]);  %输出最佳适应度值

大家注意看到xz这个变量,当选择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,选择5,以复合指标:排列熵/互信息熵为适应度函数。,选择6,以包络谱峰值因子为适应度函数。这样大家切换起来就很方便了。

代码获取方式:支付后会显示网盘链接!

ea1c2ac46fcf6369b7d9f71a302aea19.jpeg

这篇关于金豺算法优化VMD参数,六种适应度函数任意切换,最小包络熵、样本熵、信息熵、排列熵、排列熵/互信息熵、包络谱峰值因子...的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/355953

相关文章

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Kotlin 作用域函数apply、let、run、with、also使用指南

《Kotlin作用域函数apply、let、run、with、also使用指南》在Kotlin开发中,作用域函数(ScopeFunctions)是一组能让代码更简洁、更函数式的高阶函数,本文将... 目录一、引言:为什么需要作用域函数?二、作用域函China编程数详解1. apply:对象配置的 “流式构建器”最

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Android Kotlin 高阶函数详解及其在协程中的应用小结

《AndroidKotlin高阶函数详解及其在协程中的应用小结》高阶函数是Kotlin中的一个重要特性,它能够将函数作为一等公民(First-ClassCitizen),使得代码更加简洁、灵活和可... 目录1. 引言2. 什么是高阶函数?3. 高阶函数的基础用法3.1 传递函数作为参数3.2 Lambda

Vue中组件之间传值的六种方式(完整版)

《Vue中组件之间传值的六种方式(完整版)》组件是vue.js最强大的功能之一,而组件实例的作用域是相互独立的,这就意味着不同组件之间的数据无法相互引用,针对不同的使用场景,如何选择行之有效的通信方式... 目录前言方法一、props/$emit1.父组件向子组件传值2.子组件向父组件传值(通过事件形式)方

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时