不需要写代码的网站开发软件留言页面设计模板

不需要写代码的网站开发软件,留言页面设计模板,代理 指定网站 host,网站基础建设和管理暂行办法MEMD 多元经验模态分解 Python代码 MEMD是一种多元经验模态分解算法#xff0c;是EMD从单个特征到任意数量特征的拓展#xff0c;用于分析多变量信号并提取其本征模态函数#xff08;IMF#xff09;。 这段代码能够帮助您执行MEMD分解#xff0c;并提取多个IMF#xff0…MEMD 多元经验模态分解 Python代码 MEMD是一种多元经验模态分解算法是EMD从单个特征到任意数量特征的拓展用于分析多变量信号并提取其本征模态函数IMF。 这段代码能够帮助您执行MEMD分解并提取多个IMF从而更好地理解您的多元时间序列数据。 代码功能 实施MEMD算法读取EXCEL并提取多元时间序列的IMFs。 可指导替换数据。 可视化分解结果每个特征的分量用不用颜色表示以便分析和进一步处理。直接打开Python环境先装个PyEMD库别问为啥用这个库问就是省事。别被EMD和MEMD的名字吓到本质上都是把复杂信号拆成不同频率的振动组合。咱们今天要玩的是多元版本的适合处理比如股票多指标同步分析这类场景。先上硬菜——核心分解代码from PyEMD import MEMD import pandas as pd import matplotlib.pyplot as plt data pd.read_excel(你的数据.xlsx).values # 记得做归一化不然不同量纲特征会打架 data (data - data.mean(axis0)) / data.std(axis0) # 关键的三行代码来了 memd MEMD() imfs memd(data) # 这个返回结构有点怪注意维度顺序 imfs imfs.transpose(2, 0, 1) # 调整为特征数, IMF数, 样本数这里有个坑MEMD返回的维度是样本数, IMF数, 特征数咱们得转置成更符合直觉的特征数, IMF数, 样本数。转置后的imfs[0]就是第一个特征的各阶IMF分量。可视化部分要玩点花样用颜色区分不同特征的分量plt.figure(figsize(15, 10)) colors [#2E75B6, #ED7D31, #70AD47] # 微软经典三色 for feat_idx in range(imfs.shape[0]): for imf_idx in range(imfs.shape[1]): plt.subplot(imfs.shape[0], imfs.shape[1], feat_idx*imfs.shape[1]imf_idx1) plt.plot(imfs[feat_idx, imf_idx], colorcolors[feat_idx % 3]) plt.title(fFeature {feat_idx1} - IMF {imf_idx1}) plt.grid(alpha0.3) plt.tight_layout() plt.show()这个嵌套循环的绘图方式可能看着有点绕但能确保每个特征的IMF分量按列排列同色系表示同一特征的不同频率成分。建议数据特征别超过3个不然颜色区分度会下降。实际跑数据时如果遇到内存爆炸试试把样本量砍半或者调整MEMD参数memd MEMD(nbsym4, # 镜像延拓的样本点数 spline_kindakima, # 插值方法选akima更平滑 n_phases16) # 投影方向数越大越准但越慢调整n_phases参数就像调节显微镜的焦距——数值越大分解越精细但计算量指数级增长。个人经验是16-32之间性价比最高。最后给个实用技巧分解后的IMFs别直接用来建模先做能量分析。用这个函数找出主要成分def energy_analysis(imfs): energy np.sum(imfs**2, axis-1) energy_ratio energy / np.sum(energy, axis1, keepdimsTrue) return energy_ratio energy_ratios energy_analysis(imfs) print(f各成分能量占比\n{energy_ratios.round(3)})输出结果类似[[0.7, 0.2, 0.1], ...]这样的数组每个子数组对应一个特征的各IMF能量分布。通常前两个IMF包含主要信息后面的可以当噪声处理。遇到分解结果出现模式混淆比如高频成分混入低频IMF可以试试对原始数据做滑动平均预处理或者用这个后处理技巧# 用Butterworth滤波器二次过滤 from scipy.signal import butter, filtfilt b, a butter(4, 0.2, highpass) refined_imfs filtfilt(b, a, imfs, axis-1)别完全相信自动分解结果多结合业务背景判断。曾经有个项目分解气温数据结果发现第三IMF和当地工厂排班周期吻合——这种隐藏信息才是MEMD最有价值的部分。