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.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py

Python GUI框架中的PyQt详解

《PythonGUI框架中的PyQt详解》PyQt是Python语言中最强大且广泛应用的GUI框架之一,基于Qt库的Python绑定实现,本文将深入解析PyQt的核心模块,并通过代码示例展示其应用场... 目录一、PyQt核心模块概览二、核心模块详解与示例1. QtCore - 核心基础模块2. QtWid