python时间序列EMD分解预测

2024-02-29 23:18

本文主要是介绍python时间序列EMD分解预测,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!

经验模态分解
经验模态分解的python实现

安装包

pyhht

github地址

pip install pyhht
from pyhht.emd import EMD
from pyhht.visualization import plot_imfs
emd = EMD(data.RUL[:10000])
imfs = emd.decompose()
PyEMD

github地址
注:作者将安装包名写错,安装后将文件名改为 PyEMD即可。

pip install EMD-signal

经验模态分解python初步实现

import math
import numpy as np 
import pylab as pl
import matplotlib.pyplot as plt
import scipy.signal as signal
from scipy import fftpack  
import scipy.signal as signal
from scipy import interpolate#判定当前的时间序列是否是单调序列
def ismonotonic(x):max_peaks=signal.argrelextrema(x,np.greater)[0]min_peaks=signal.argrelextrema(x,np.less)[0]all_num=len(max_peaks)+len(min_peaks)if all_num>0:return Falseelse:return True#寻找当前时间序列的极值点
def findpeaks(x):return signal.argrelextrema(x,np.greater)[0]#判断当前的序列是否为 IMF 序列
def isImf(x):N=np.size(x)pass_zero=np.sum(x[0:N-2]*x[1:N-1]<0)#过零点的个数peaks_num=np.size(findpeaks(x))+np.size(findpeaks(-x))#极值点的个数if abs(pass_zero-peaks_num)>1:return Falseelse:return True#获取当前样条曲线
def getspline(x):N=np.size(x)peaks=findpeaks(x)print '当前极值点个数:',len(peaks)if(len(peaks)<=3):if(len(peaks)<2):peaks=np.concatenate(([0],peaks))peaks=np.concatenate((peaks,[N-1]))#这里是为了防止样条次数不够,无法插值的情况t=interpolate.splrep(peaks,y=x[peaks], w=None, xb=None, xe=None,k=len(peaks)-1)return interpolate.splev(np.arange(N),t)t=interpolate.splrep(peaks,y=x[peaks])return interpolate.splev(np.arange(N),t)
#     f=interp1d(np.concatenate(([0,1],peaks,[N+1])),np.concatenate(([0,1],x[peaks],[0])),kind='cubic')
#     f=interp1d(peaks,x[peaks],kind='cubic')
#     return f(np.linspace(1,N,N))#经验模态分解方法
def emd(x):imf=[]while not ismonotonic(x):x1=xsd=np.infwhile sd>0.1 or  (not isImf(x1)):print isImf(x1)s1=getspline(x1)s2=-getspline(-1*x1)x2=x1-(s1+s2)/2sd=np.sum((x1-x2)**2)/np.sum(x1**2)x1=x2imf.append(x1)x=x-x1imf.append(x)return imf

改进算法

import math
import numpy as np 
import pylab as pl
import matplotlib.pyplot as plt
import scipy.signal as signal
from scipy import fftpack  
import scipy.signal as signal
from scipy import interpolate#判定当前的时间序列是否是单调序列
def ismonotonic(x):max_peaks=signal.argrelextrema(x,np.greater)[0]min_peaks=signal.argrelextrema(x,np.less)[0]all_num=len(max_peaks)+len(min_peaks)if all_num>0:return Falseelse:return True#寻找当前时间序列的极值点
def findpeaks(x):#     df_index=np.nonzero(np.diff((np.diff(x)>=0)+0)<0)#     u_data=np.nonzero((x[df_index[0]+1]>x[df_index[0]]))
#     df_index[0][u_data[0]]+=1#     return df_index[0]return signal.argrelextrema(x,np.greater)[0]#判断当前的序列是否为 IMF 序列
def isImf(x):N=np.size(x)pass_zero=np.sum(x[0:N-2]*x[1:N-1]<0)#过零点的个数peaks_num=np.size(findpeaks(x))+np.size(findpeaks(-x))#极值点的个数if abs(pass_zero-peaks_num)>1:return Falseelse:return True#获取当前样条曲线
def getspline(x):N=np.size(x)peaks=findpeaks(x)
#     print '当前极值点个数:',len(peaks)peaks=np.concatenate(([0],peaks))peaks=np.concatenate((peaks,[N-1]))if(len(peaks)<=3):
#         if(len(peaks)<2):
#             peaks=np.concatenate(([0],peaks))
#             peaks=np.concatenate((peaks,[N-1]))
#             t=interpolate.splrep(peaks,y=x[peaks], w=None, xb=None, xe=None,k=len(peaks)-1)
#             return interpolate.splev(np.arange(N),t)t=interpolate.splrep(peaks,y=x[peaks], w=None, xb=None, xe=None,k=len(peaks)-1)return interpolate.splev(np.arange(N),t)t=interpolate.splrep(peaks,y=x[peaks])return interpolate.splev(np.arange(N),t)
#     f=interp1d(np.concatenate(([0,1],peaks,[N+1])),np.concatenate(([0,1],x[peaks],[0])),kind='cubic')
#     f=interp1d(peaks,x[peaks],kind='cubic')
#     return f(np.linspace(1,N,N))#经验模态分解方法
def emd(x):imf=[]while not ismonotonic(x):x1=xsd=np.infwhile sd>0.1 or  (not isImf(x1)):
#             print isImf(x1)s1=getspline(x1)s2=-getspline(-1*x1)x2=x1-(s1+s2)/2sd=np.sum((x1-x2)**2)/np.sum(x1**2)x1=x2imf.append(x1)x=x-x1imf.append(x)return imf

这篇关于python时间序列EMD分解预测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/760424

相关文章

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1:用psutil库(推荐)三、方法2:用os.system调用

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块(module)Python 包(package)是啥?那么 __in

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB