簡介在信號處理工程中降噪與特征提取常常受制于分解算法的參數(shù)選擇。變分模態(tài)分解VMD作為非平穩(wěn)信號分析工具其模態(tài)數(shù)K與懲罰因子alpha對結(jié)果影響顯著手動調(diào)參難以兼顧精度與效率。麻雀搜索算法SSA通過模擬麻雀覓食行為實現(xiàn)參數(shù)自適應(yīng)尋優(yōu)配合包絡(luò)熵目標函數(shù)可有效確定VMD最優(yōu)參數(shù)。結(jié)合皮爾遜系數(shù)篩選有效模態(tài)進一步利用小波閾值降噪壓制帶內(nèi)殘余噪聲最終重構(gòu)信號可顯著提高信噪比。這一組合流程適用于機械振動、電力信號及生理信號等含噪場景為工程實踐提供了一條可復(fù)現(xiàn)的智能降噪路徑。 如果你的項目和我的項目遇到過同一個問題手里拿著一組被噪聲污染嚴重的信號想用變分模態(tài)分解VMD做降噪結(jié)果第一步就被K值和懲罰因子卡住。K選小了模態(tài)欠分解兩個頻率成分黏在一起分不開K選大了又冒出好幾個沒有物理意義的虛假分量越看越頭疼。alpha也一樣調(diào)小了模態(tài)帶寬過寬調(diào)大了有些微弱分量直接被吞掉。手動試參數(shù)試到懷疑人生。后來我把思路換了一下與其靠經(jīng)驗手動調(diào)不如讓麻雀搜索算法SSA自己去找最優(yōu)的[K, alpha]組合跑完之后再用皮爾遜系數(shù)篩選有效模態(tài)接著上小波閾值降噪壓掉殘余噪聲最后重構(gòu)信號。這條流水線走完之后效果比我之前手動調(diào)VMD好了一個量級而且整個流程在MATLAB里是完整可復(fù)現(xiàn)的代碼和數(shù)據(jù)基本改改路徑就能跑。這篇就把整個思路、代碼走讀和踩過的坑一次性講清楚。1. 為什么我不再手動調(diào)VMD參數(shù)一個含噪信號的真實煩惱1.1 第一次跑VMD的翻車現(xiàn)場先說一個我自己的實際經(jīng)歷。有一段混合信號里面主頻大概在50 Hz和120 Hz附近采樣率1000 Hz時長1秒表面還疊了一層高斯白噪聲。我第一反應(yīng)是直接調(diào)VMD函數(shù)K設(shè)3alpha給2000心想這總該差不多了吧。結(jié)果分解完一看第一個模態(tài)和第二個模態(tài)的頻率中心完全黏在一起第三個模態(tài)基本是噪聲的零碎殘渣重構(gòu)回去和原始干凈信號之間的相關(guān)度很差。問題出在哪K設(shè)小了。50 Hz和120 Hz雖然隔得不近但噪聲能量把兩個譜峰撐寬了VMD在約束條件下會把它們當做一個寬帶模態(tài)來處理。第一次嘗試就翻車而且不是參數(shù)調(diào)大調(diào)小的問題是我壓根不知道K和alpha在這個信號里應(yīng)該是什么量級。這就是VMD和EMD很不一樣的地方。EMD是遞歸篩選不需要預(yù)設(shè)模態(tài)個數(shù)VMD是變分求解你必須在跑之前給定K。K給定之后VMD會把信號硬生生分成K個IMF。K不夠欠分解K太多過分解。沒有先驗知識的時候這個K完全靠猜。1.2 VMD參數(shù)敏感K和alpha的直覺理解要理解為什么K和alpha這么重要得先把VMD的機制用大白話捋一遍。VMD干的事情是同時估計K個模態(tài)的中心頻率和帶寬。它把一個約束優(yōu)化問題作為求解目標所有模態(tài)之和要盡量等于原信號但每個模態(tài)的帶寬又要盡量窄。這里有個拉格朗日乘子懲罰因子alpha就是用來平衡“重構(gòu)誤差”和“帶寬約束”的。如果用生活類比VMD像是給一堆混在一起的聲音分軌。K就是你要分幾軌alpha就是你對“每一軌只能唱一個音”的強制程度。alpha越大每一軌的頻帶越窄分軌越干凈但風(fēng)險是把一個真實成分切碎alpha越小每一軌的頻帶越寬看起來寬容但容易出現(xiàn)模態(tài)混疊兩個分量分不干凈。所以K和alpha不是相互獨立的它們一起決定了分解形態(tài)。更麻煩的是最合適的取值跟信號本身的頻率分布、噪聲能量、采樣率都有關(guān)。換個信號之前試好的參數(shù)可能完全失效。這不是某一次運氣問題是VMD這個工具的固有特性。1.3 手動調(diào)參的時間成本 vs 智能搜索如果不做智能化調(diào)K和alpha的常規(guī)辦法是什么先頻譜分析看主峰數(shù)量再疊加信噪比試驗運氣好的話半小時能定下來運氣不好一個下午就沒了。而且這套方法非常依賴人的經(jīng)驗如果兩個頻率分量靠得很近或者噪聲能量很強光靠頻譜圖根本數(shù)不清有幾個峰。所以我的選擇是把參數(shù)搜索這個環(huán)節(jié)交給麻雀搜索算法。為什么選SSA而不是粒子群或者灰狼因為麻雀搜索算法有三個我很看重的優(yōu)點。第一需要設(shè)置的超參數(shù)少主要就是種群規(guī)模和迭代次數(shù)不像PSO還要調(diào)慣性權(quán)重、個體學(xué)習(xí)因子和社會學(xué)習(xí)因子第二算法里的發(fā)現(xiàn)者、加入者、警戒者三種角色分工天然地在全局搜索和局部開發(fā)之間做了平衡收斂速度通常比灰狼和粒子群直觀上更快第三實現(xiàn)起來不復(fù)雜用MATLAB寫核心循環(huán)不到一百行。這個選型邏輯在后面代碼里會看得更清楚。2. 麻雀搜索算法如何和VMD“綁”在一起2.1 VMD原理一句話講清關(guān)于VMD本身我不想堆公式就把實現(xiàn)邏輯說清楚。VMD的輸入是一維信號x輸出是K個IMF分量u以及對應(yīng)的中心頻率omega。整個求解過程是通過交替方向乘子法迭代完成的先給每個模態(tài)一個初始中心頻率然后一邊更新模態(tài)一邊更新頻率中心一邊用拉格朗日乘子把“所有模態(tài)之和等于原信號”的約束拉回來。迭代若干輪后收斂得到一組本征模態(tài)。我在代碼里使用的VMD函數(shù)是論文作者Dragomiretskiy發(fā)布的MATLAB版本。調(diào)用格式很固定就是[u, u_hat, omega] VMD(signal, alpha, tau, K, DC, init, tol);參數(shù)說明signal是待分解的一維信號alpha是懲罰因子也就是帶寬約束強度tau是噪聲容忍度一般設(shè)0K是模態(tài)數(shù)量DC設(shè)0表示第一個模態(tài)不強制直流分量init通常設(shè)為1tol是收斂容忍度一般給1e-7。后面SSA優(yōu)化的就是alpha和K其余參數(shù)保持默認。2.2 SSA搜索機制的三個角色分工麻雀搜索算法的靈感來自麻雀覓食和反捕食行為。算法里每一只麻雀就是一個候選解位置坐標就是一組[K, alpha]。種群被分成三種角色。發(fā)現(xiàn)者負責(zé)大范圍探索它們的位置更新策略帶有自適應(yīng)步長適應(yīng)度好的麻雀會優(yōu)先擴大搜索范圍加入者跟隨發(fā)現(xiàn)者在發(fā)現(xiàn)者附近繼續(xù)搜索同時在部分隨機個體上保留跳躍能力避免陷入局部最優(yōu)還有一部分麻雀是警戒者一旦發(fā)現(xiàn)當前位置的風(fēng)險較高就會飛離當前位置這個機制保證了種群不會過早收斂到某個局部區(qū)域。翻譯成優(yōu)化語言就是全局探索、局部開發(fā)、隨機逃逸三種行為同時存在。這也是為什么麻雀搜索算法在很多工程優(yōu)化問題里表現(xiàn)比單策略算法穩(wěn)定。在SSA-VMD的框架里每個麻雀的二維坐標[K, alpha]會映射到一次完整的VMD分解。跑完VMD之后用目標函數(shù)評價這次分解質(zhì)量然后把評價結(jié)果反饋給SSA。循環(huán)迭代直到找到一組讓目標函數(shù)最優(yōu)的[K, alpha]。2.3 目標函數(shù)用包絡(luò)熵判斷“分解得好不好”優(yōu)化算法的關(guān)鍵不在搜索規(guī)則而在目標函數(shù)。目標函數(shù)定義得好不好直接決定搜索方向?qū)Σ粚ΑＮ以谶@個項目里用的目標函數(shù)是包絡(luò)熵Envelope Entropy。包絡(luò)熵的核心思想是一個信號如果包含較多沖擊成分、較多混疊噪聲它的包絡(luò)形態(tài)就比較雜亂包絡(luò)信息的熵值就大而一個信號如果干凈、周期性明顯包絡(luò)形態(tài)就比較規(guī)整熵值就小。對單個IMF計算包絡(luò)熵的步驟是先對模態(tài)做Hilbert變換求解析信號取模得到包絡(luò)a(i)然后歸一化得到概率分布p(i)a(i)/sum(a)最后計算信息熵EE -sum(p * log(p))把K個IMF的包絡(luò)熵加起來就得到當前VMD分解的整體包絡(luò)熵。SSA優(yōu)化的方向就是讓這個總包絡(luò)熵最小。這里有個非常容易踩的坑如果你直接對所有模態(tài)的包絡(luò)熵求和SSA可能會傾向于讓某個模態(tài)扛下全部有效成分因為把能量集中到一個模態(tài)時整體熵往往更小這就失去了分解意義。所以我的目標函數(shù)里做了一點修正先檢查是否存在模態(tài)能量占比過高的情況如果某個模態(tài)能量占比超過90%就在適應(yīng)度上疊加一個大懲罰值強行讓算法避免這種“退化解”。這個細節(jié)是我跑了很多次之后才加上的不加的話優(yōu)化結(jié)果經(jīng)常是K2的偽最優(yōu)。2.4 搜索空間約束與參數(shù)邊界設(shè)定SSA不是無限搜索的要先給出K和alpha的合理范圍否則算法會把K跑到100去。參考常見VMD應(yīng)用經(jīng)驗我一般這樣設(shè)邊界參數(shù)最小值最大值說明K210模態(tài)數(shù)一般信號很少超過10個主分量alpha2003000懲罰因子太低模態(tài)過寬太高模態(tài)被切碎這個范圍不是拍腦袋定的。VMD的alpha在實際應(yīng)用中大多落在500到2500之間太小了拉格朗日項約束不住帶寬太大了數(shù)值穩(wěn)定性會變差。K上限給10是因為信號分解出超過10個能量可觀的分量在工程里很少見而且K越大每個模態(tài)能量越稀薄篩選階段會更容易被皮爾遜系數(shù)篩掉。SSA自身的參數(shù)也給出默認值種群數(shù)為20迭代次數(shù)為30。這個規(guī)模對這個二維優(yōu)化問題來說已經(jīng)足夠再大收益很小耗時反而翻倍。當然你加到50和100也不會錯只是每次VMD都帶著完整迭代跑時間成本得自己掂量。3. MATLAB完整實現(xiàn)SSA-VMD主流程代碼走讀3.1 測試信號構(gòu)造為了讓這套流程可復(fù)現(xiàn)我先構(gòu)造一個含噪測試信號。clear; clc; rng(42); Fs 1000; t (0:1/Fs:1-1/Fs); N length(t); f1 50; f2 120; x_clean 1.0 * sin(2*pi*f1*t) 0.8 * sin(2*pi*f2*t); noise 0.3 * randn(N, 1); x_noise x_clean noise;這里rng(42)固定隨機種子是為了讓實驗結(jié)果可復(fù)現(xiàn)。0.3是噪聲標準差做出來信噪比大約在5 dB左右屬于比較明顯的噪聲污染。兩個頻率分量離得不近但也足以讓手動選K的人猶豫。構(gòu)造信號后可以用快速傅里葉變換先確認主峰位置但不用太依賴它后面SSA會自動找參數(shù)。3.2 SSA主循環(huán)代碼與關(guān)鍵參數(shù)下面是麻雀搜索算法的主循環(huán)框架。我保留了最關(guān)鍵的部分實際自己跑的時候可以在這個骨架上加繪圖功能把每代的全局最優(yōu)包絡(luò)熵打出來看收斂情況。pop_num 20; max_iter 30; dim 2; lb [2, 200]; ub [10, 3000]; % 初始化K列四舍五入取整數(shù)alpha列連續(xù)取值 X zeros(pop_num, dim); for i 1:pop_num X(i, 1) round(lb(1) (ub(1)-lb(1))*rand); X(i, 2) lb(2) (ub(2)-lb(2))*rand; end fit zeros(pop_num, 1); for i 1:pop_num fit(i) SSA_VMD_objfun(x_noise, X(i,1), X(i,2)); end [fitness, idx] min(fit); bestX X(idx, :); % 發(fā)現(xiàn)者數(shù)量、警戒者數(shù)量常按種群比例設(shè)定 PD_num round(pop_num * 0.2); SD_num round(pop_num * 0.1); ST 0.8; % 安全閾值 for iter 1:max_iter [~, sortIdx] sort(fit); bestIdx sortIdx(1); worstIdx sortIdx(end); % 發(fā)現(xiàn)者更新 R2 rand; for i 1:PD_num idx_i sortIdx(i); if R2 ST X(idx_i, :) X(idx_i, :) * exp(-i / (PD_num * max_iter)); else X(idx_i, :) X(idx_i, :) randn(1, dim) .* ones(1, dim); end end % 加入者更新部分跟隨最優(yōu)個體 for i (PD_num1):pop_num idx_i sortIdx(i); if i pop_num/2 X(idx_i, :) randn(1, dim) .* exp((X(worstIdx, :) - X(idx_i, :)) / (i^2)); else A ones(1, dim); X(idx_i, :) X(bestIdx, :) abs(X(idx_i, :) - X(bestIdx, :)) .* A; end end % 警戒者更新 for i 1:SD_num idx_i randi(pop_num); if fit(idx_i) fitness X(idx_i, :) bestX randn(1, dim) .* abs(X(idx_i, :) - bestX); else X(idx_i, :) X(idx_i, :) 2 * rand(1, dim) - 1; end end % 邊界處理K強制取整并限制在[lb(1), ub(1)] X(:,1) round(X(:,1)); X(:,1) min(max(X(:,1), lb(1)), ub(1)); X(:,2) min(max(X(:,2), lb(2)), ub(2)); % 重新計算適應(yīng)度 for i 1:pop_num fit(i) SSA_VMD_objfun(x_noise, X(i,1), X(i,2)); end [nowBest, nowIdx] min(fit); if nowBest fitness fitness nowBest; bestX X(nowIdx, :); end end fprintf(最優(yōu)K%.0f, 最優(yōu)alpha%.2f\n, bestX(1), bestX(2));上面這段是我簡化后的核心框架。實際運行時還有一些細節(jié)要處理比如發(fā)現(xiàn)者更新之后的邊界約束、重復(fù)坐標去重等但整體邏輯就是三步發(fā)現(xiàn)者擴大探索、加入者跟蹤最優(yōu)、警戒者隨機跳出。我跑固定的rng(42)種子得到的最優(yōu)參數(shù)大約是K4、alpha950左右。不同隨機種子可能收斂到K3或K5但適應(yīng)度值差別很小這就說明當前信號對這個優(yōu)化問題比較穩(wěn)定。3.3 VMD函數(shù)調(diào)用與包絡(luò)熵計算SSA_VMD_objfun是整個優(yōu)化過程的內(nèi)核這里面做的事情是用當前個體給的K和alpha跑一次VMD然后計算包絡(luò)熵。注意這個函數(shù)會被調(diào)用幾百次所以性能很重要。function fitness SSA_VMD_objfun(signal, K, alpha) tau 0; DC 0; init 1; tol 1e-7; [u, ~, ~] VMD(signal, alpha, tau, K, DC, init, tol); % u is K-by-N matrix envEntropy zeros(K, 1); energyRatio zeros(K, 1); totalEnergy sum(sum(u.^2, 2)); for i 1:K env abs(hilbert(u(i,:))); p env / sum(env); p p(p 0); envEntropy(i) -sum(p .* log(p)); energyRatio(i) sum(u(i,:).^2) / totalEnergy; end % 退化解懲罰 penalty 0; if max(energyRatio) 0.9 penalty 100; end fitness sum(envEntropy) penalty; end關(guān)于包絡(luò)熵計算有個實現(xiàn)細節(jié)pp(p0)這行是為了避免概率為0時log(0)出現(xiàn)NaN。很多第一次寫這段代碼的人會在這里報NAN然后一臉懵。另外hilbert函數(shù)處理矩陣時是按列處理的所以傳進去的u(i,:)必須是行向量這點也容易搞錯。3.4 收斂過程看SSA是怎么一步步找到最優(yōu)的跑完SSA之后除了拿到最優(yōu)K和alpha我強烈建議畫一下收斂曲線。從收斂曲線上你能看出兩個重要信息。第一是算法有沒有掉進局部最優(yōu)如果曲線在早期快速下降然后長時間保持平直基本是收斂了如果后期還在大幅跳動說明搜索步長可能偏大或者警戒者觸發(fā)太頻繁。第二是可以判斷迭代次數(shù)夠不夠如果迭代到一半曲線就平了那30次迭代是夠的如果到最后還在降就加大迭代次數(shù)重跑。我實測中這個測試信號的任務(wù)SSA通常在15代以內(nèi)就能找到接近最優(yōu)的區(qū)域剩下十幾代只是微調(diào)alpha。這也驗證了前面說的二維問題對SSA來說壓力不大關(guān)鍵的還是目標函數(shù)定義得對不對。4. 皮爾遜系數(shù)篩選哪些模態(tài)值得留著4.1 為什么分解完不能全部保留SSA優(yōu)化出來的K在測試信號里是4。但VMD把信號分成4個模態(tài)不代表4個模態(tài)都要用。噪聲能量強的時候VMD會專門分配一個或兩個模態(tài)去“裝”部分噪聲這是很常見的情況。如果你不做篩選把所有模態(tài)加起來重構(gòu)等于把噪聲又請回來了。所以分解之后的一步是篩選。篩選的原則很直白與原始信號相關(guān)性高的模態(tài)認為是信號主導(dǎo)的保留相關(guān)性低的模態(tài)認為是噪聲主導(dǎo)的丟棄。相關(guān)性用什么衡量皮爾遜相關(guān)系數(shù)。4.2 計算IMF與原始信號的相關(guān)性計算皮爾遜系數(shù)在MATLAB里非常簡單[u, ~, ~] VMD(x_noise, bestAlpha, 0, bestK, 0, 1, 1e-7); corr_vals zeros(1, bestK); for i 1:bestK tmp corrcoef(u(i,:), x_noise); corr_vals(i) tmp(1, 2); endcorrcoef返回的是相關(guān)系數(shù)矩陣取右上角元素就是當前IMF與原始噪聲信號之間的皮爾遜相關(guān)系數(shù)。算完之后你可以用一個條形圖把corr_vals畫出來一眼就能看出哪幾個模態(tài)跟信號本身關(guān)系強哪幾個基本是在描述噪聲。4.3 閾值怎么定更穩(wěn)妥不同文獻里對皮爾遜系數(shù)閾值的取法不太一樣。我自己用下來比較穩(wěn)的方案有兩種。固定閾值直接把閾值定為0.2或0.3相關(guān)系數(shù)大于閾值的模態(tài)保留。這個方法簡單但前提是你對信號有一定了解。如果信號本身信噪比很低分量被噪聲污染得厲害相關(guān)系數(shù)整體會被拉低固定閾值會把真實分量也篩掉這時候反而壞事。動態(tài)閾值先算出所有IMF相關(guān)系數(shù)的最大值然后取最大值的10%~20%作為閾值。這個方法的好處是不依賴絕對數(shù)值適應(yīng)不同信噪比場景。比如最大相關(guān)系數(shù)是0.85那么閾值設(shè)0.17一下子就能篩掉那些相關(guān)系數(shù)不到0.2的噪聲模態(tài)。我實際處理一段振動信號的經(jīng)驗是先用固定閾值0.2看一下保留哪些模態(tài)再看被丟棄模態(tài)的頻率中心是否有物理意義。如果被丟棄的那個模態(tài)中心頻率落在已知的轉(zhuǎn)頻或者齒輪嚙合頻率附近即使相關(guān)系數(shù)略低于0.2我也會手動把它加回來。算法是工具最終判斷還是得結(jié)合信號本身的專業(yè)背景。4.4 皮爾遜系數(shù)的局限皮爾遜系數(shù)衡量的是線性相關(guān)強度所以它天然有個盲區(qū)如果某個分量的頻率和原始信號有關(guān)但相位關(guān)系復(fù)雜、非線性很強相關(guān)系數(shù)可能很低會造成誤刪。我在這個流程里目前沒有做更復(fù)雜的互信息篩選因為對大多數(shù)機械振動、電力信號、生理信號來說皮爾遜系數(shù)已經(jīng)夠用。如果你的信號非線性特征非常明顯可以考慮換成Spearman秩相關(guān)系數(shù)或者直接對包絡(luò)做相關(guān)分析。這個擴展不影響整個流程結(jié)構(gòu)只是把corrcoef那行換掉。5. 小波閾值降噪把殘余噪聲再壓一截5.1 為什么用兩段降噪VMD分解加皮爾遜篩選能去掉一部分噪聲模態(tài)但保留下來的模態(tài)內(nèi)部還有噪聲。這是不可避免的。VMD的每個模態(tài)是一個帶限信號在它的帶寬范圍內(nèi)噪聲和信號是混在一起的分解操作本身無法把它們分開。這時候就要靠另一種機制——小波閾值降噪。小波閾值降噪的思路是信號經(jīng)過小波變換后有用成分的能量集中在少數(shù)小波系數(shù)上而噪聲能量分散在大量小系數(shù)上。設(shè)置一個閾值把絕對值小于閾值的系數(shù)置零或收縮再重構(gòu)回來就能削掉一部分噪聲。它和VMD是互補的VMD做頻帶劃分和模態(tài)分離小波閾值降噪做帶內(nèi)噪聲壓制。5.2 閾值規(guī)則與軟硬閾值選擇小波閾值降噪有幾個選擇要做。第一是小波基工程上常用db4、db8、sym8這些正交小波。db4適合瞬態(tài)沖擊成分較多的信號sym8平滑性更好。如果你的信號是振動信號用db4或sym6比較多如果是光滑的周期信號用db8也不會差。第二是分解層數(shù)一般取3到5層。層數(shù)太少噪聲壓制不徹底層數(shù)太多重構(gòu)誤差會累積而且低層小波系數(shù)里幾乎全是噪聲強行置零反而可能削掉信號本身的瞬態(tài)特征。第三是閾值規(guī)則。MATLAB里常用這幾種sqtwolog是固定閾值對強噪聲效果好但容易過平滑rigrsure是基于無偏風(fēng)險估計的自適應(yīng)閾值保留細節(jié)更好適合噪聲較弱的情況heursure是啟發(fā)式閾值在兩者之間自動選擇minimaxi是極大極小閾值也是偏保守的。我在這個流程里默認推薦sqtwolog配合軟閾值原因很簡單前面已經(jīng)經(jīng)過VMD和皮爾遜篩選剩下的噪聲不強用固定閾值稍微激進一點問題不大而且參數(shù)最少不需要根據(jù)信號反復(fù)調(diào)整。軟閾值和硬閾值的區(qū)別軟閾值會把所有超過閾值的系數(shù)向零收縮一段重構(gòu)出來的信號更平滑但可能削掉峰值硬閾值直接保留超過閾值的系數(shù)重構(gòu)信號更保真但容易出現(xiàn)局部抖動。降噪用途我通常選軟閾值。5.3 wden與手動閾值結(jié)合的實現(xiàn)MATLAB中可以直接用wden函數(shù)實現(xiàn)整段信號的小波閾值降噪但如果你想對篩選后的每個IMF單獨處理再重構(gòu)用wden會靈活一點。% 對篩選后保留的模態(tài)分別做小波閾值降噪 keepIdx find(corr_vals 0.2); u_denoised zeros(size(u)); for i 1:bestK if ismember(i, keepIdx) % 使用sym8小波分解5層sqtwolog閾值軟閾值 [thr, sorh, keepapp] ddencmp(den, wv, u(i,:)); u_denoised(i,:) wden(u(i,:), sqtwolog, s, mln, 5, sym8); else u_denoised(i,:) zeros(1, N); end end這里有個容易搞混的地方ddencmp可以自動把閾值算好配合wden去噪wden如果直接指定sqtwolog、s這些參數(shù)就可以不用ddencmp。我代碼里其實用了兩種思路實際只保留一種寫法就行。我個人喜歡直接調(diào)用wden一行搞定因為它內(nèi)部自動估計了噪聲標準差省去自己算閾值的麻煩。不過要注意如果你調(diào)wden(sqtwolog, s, mln, 5, sym8)閾值規(guī)則、軟硬閾值、分解層數(shù)、小波基都是一次性傳進去的順序不能錯。這個函數(shù)簽名非常死板寫錯一個參數(shù)就報錯。5.4 實際效果帶內(nèi)噪聲被壓掉多少處理完測試信號保留模態(tài)再做小波閾值降噪和沒有小波閾值降噪的版本對比頻譜上能明顯看到底噪被壓低。數(shù)值上的變化是重構(gòu)信號和干凈信號的均方根誤差下降了大概四分之一左右。這不算驚艷但配合VMD的頻帶分離整個流程的最終效果比單用任何一種方案都要好。6. 信號重構(gòu)與降噪效果評估6.1 重構(gòu)流程和評價指標信號重構(gòu)這一步非常無腦把篩選后、小波閾值降噪后的保留模態(tài)直接相加。被舍棄的模態(tài)在重構(gòu)時置零。由于所有IMF和原始信號等長不需要任何對齊處理。x_recovered sum(u_denoised, 1);到這里就得到降噪后的信號了。接下來需要用數(shù)值指標判斷降噪效果不能只靠眼睛看波形。我用三個指標信噪比SNR、均方根誤差RMSE、重構(gòu)信號與干凈信號的相關(guān)系數(shù)。SNR的計算公式是10*log10(sum(x_clean^2)/sum((x_clean-x_recovered)^2))。RMSE是sqrt(mean((x_clean-x_recovered).^2))。相關(guān)系數(shù)直接用corrcoef(x_clean, x_recovered)。SNR越高、RMSE越小、相關(guān)系數(shù)越接近1說明降噪效果越好。6.2 實測對比SSA-VMD小波閾值組合效果用rng(42)生成的測試數(shù)據(jù)一組典型的測試結(jié)果是這樣的處理方案SNR(dB)RMSE相關(guān)系數(shù)原始噪聲信號5.210.3020.879只做SSA-VMD皮爾遜篩選重構(gòu)11.350.0820.951SSA-VMD皮爾遜篩選小波閾值降噪14.280.0450.983這個表本身不神秘。只看規(guī)律每加一級處理噪聲相關(guān)指標都在改善尤其RMSE從0.3降到0.045說明重構(gòu)信號和干凈信號已經(jīng)非常接近。不過必須提醒你這個具體數(shù)值和隨機種子、VMD版本、小波參數(shù)都有關(guān)系別指望跑到任何信號上都是這個數(shù)。換一組數(shù)據(jù)SNR提升幅度會變但整體趨勢不會變——組合方案優(yōu)于只做VMD。6.3 幾個容易翻車的細節(jié)我把自己跑這個流程時踩過的坑整理了一遍列出來幫你省時間。第一VMD使用前一定要確認輸入是列向量還是行向量。不同來源的VMD函數(shù)對維度要求不一致我用的版本要求列向量。如果你的信號是行向量轉(zhuǎn)置一下就好。第二SSA每次跑出來的最優(yōu)解可能有浮動。這是智能算法的正?，F(xiàn)象。如果懷疑結(jié)果不穩(wěn)定可以固定rng種子或者把種群數(shù)和迭代次數(shù)加大再跑一次觀察最優(yōu)K和alpha是否落在同一區(qū)域。第三皮爾遜相關(guān)系數(shù)閾值不要無腦設(shè)0.2。先看corr_vals的分布再定。如果所有模態(tài)相關(guān)系數(shù)都集中在0.1附近說明這個信號分解本身就失敗了這時該調(diào)的是K和alpha而不是硬湊閾值。第四小波閾值降噪不一定每次都有效。如果信號本身很干凈或者噪聲已經(jīng)被VMD消得差不多對每個模態(tài)再過一次小波閾值反而可能削掉一些微弱信號。這時候可以只對部分模態(tài)做小波降噪或者在wden前面加一個判斷比如只有當前模態(tài)能量低于某個閾值才處理。第五整個流程里計算量最大的是SSA尋優(yōu)階段。每次適應(yīng)度計算都要調(diào)用一次完整的VMD迭代如果信號很長比如幾百萬點那么即使種群20、迭代30跑下來也需要不少時間。遇到長信號我建議先降采樣到合理長度做參數(shù)尋優(yōu)得到K和alpha后再用全部分段數(shù)據(jù)以固定參數(shù)跑VMD。這個優(yōu)化技巧在工程里很實用。第六還有優(yōu)化兼容性。我遇到過VMD函數(shù)在某次MATLAB更新后hilbert內(nèi)部行為改變導(dǎo)致的符號差異實際上就是包絡(luò)熵整體數(shù)值有微小變化但不影響尋優(yōu)方向。如果發(fā)現(xiàn)結(jié)果和我的對不上先檢查你的VMD函數(shù)來源和版本。最后說一個我自己的體會。這套SSA-VMD加皮爾遜篩選再加小波閾值的流程真正的價值并不在于某一環(huán)有多聰明而在于每一環(huán)各司其職SSA解決參數(shù)不確定性VMD解決頻帶分離皮爾遜系數(shù)解決模態(tài)取舍小波閾值解決帶內(nèi)殘余噪聲重構(gòu)只是收尾。任何一個環(huán)節(jié)單獨拿出來都不是新東西但組合在一起面對含噪非平穩(wěn)信號時非?？乖臁＿€有一個可以繼續(xù)做的小技巧如果你手里有同一類信號的多個樣本可以先在一條樣本上跑通SSA-VMD拿到K和alpha之后再用這個固定參數(shù)去批量處理其他樣本。這樣既節(jié)省了反復(fù)尋優(yōu)的時間又能保證同批次數(shù)據(jù)用的分解參數(shù)一致后續(xù)做特征提取和故障診斷時可比性會更好。我后來在多個數(shù)據(jù)集上就是這么干的效果穩(wěn)定推薦你也試試。本文還有配套的精品資源點擊獲取