[发明专利]一种基于粒子群算法的变分模态分解算法参数优化方法

摘要

发明公开了一种基于粒子群算法的变分模态分解算法参数优化方法,属于非平稳信号时频分析方法的范畴.该方法主要流程首先定义能够反映非平稳信号特征模态函数(Intrinsic Mode Function，IMF)分解效果的特征量即IMF傅立叶谱的熵，以IMF的傅立叶谱熵函数作为粒子群优化算法的适应度函数；再对PSO算法进行初始化，然后开始搜索适应度函的数最优解；最后，把得到的最优解作为变分模态分解算法的参数。本发明提出的方法，即通过粒子群算法自动求解出变分模态分解算法K，α的最优参数组合，求出的参数K和α不仅最优，而且快速高效。

主权项

一种基于粒子群算法的变分模态分解算法参数优化方法，该方法包括：步骤1:对多分量非平稳信号y进行傅立叶变换得到多分量非平稳信号y的频谱，统计出频谱波峰的个数并记为M，认为信号y含有的单分量IMF的个数为M；步骤2:初始化粒子群优化算法的参数：粒子群优化算法：其中，x＝[K,α]，K代表将非平稳信号分解为单分量IMF的个数，α为影响分解单分量的带宽参数，表示第i个粒子在第n次迭代时的速度，表示第i个粒子在第n次迭代时的位置，n为迭代次数，下标i代表第i个粒子，v代表粒子速度，x代表粒子位置，bi代表第i个粒子搜索到的局部最优解，gbest代表整个粒子群迄今为止搜索到的最优位置，w表示惯性权重，e1、e2为学习因子，ξ为约束因子，λ每次迭代时为随机整数；位置x初始化：xi＝round(10rand(1,1)(xmax‑xmin))+xmin                (c1)速度v初始化：vi＝‑1+round(2rand(1,1))                          (c2)round实现对某个数四舍五入取整，rand是在0到1之间随机取数，xmax、xmin分别代表自变量x＝[K,α]的最大值和最小值；设置粒子群算法的粒子个数为Np，粒子群搜索次数为L，其中(M‑M/2)≤K≤(M+M/2)，10≤α≤6000；步骤3:采用步骤2每次迭代完成后得到的x＝[K,α]，作为变分模态分解算法的参数。然后使用变分模态分解算法对多分量非平稳信号y进行分解得到多个单分量IMF；步骤4:计算步骤3得到的所有IMF模态混叠度系数C1:C1＝Imf_w_sum‑K+1其中，Imf_w_sum表示所有单分量IMF中频率值的个数；步骤5:计算步骤3得到的所有IMF模态重复度系数C2C2＝Imf_rw_sum+K其中：Imf_rw_sum表示所有IMF中不同频率值重复次数的和；步骤6:构建粒子群优化算法的适应度函数值：其中：E(p)表示粒子群优化算法的适应度函数值，C＝C1·C2，β(j)是第j个IMF的傅立叶谱；步骤7:将步骤2中粒子群优化算法迭代L次，得到L个粒子群优化算法的适应度函数值Ep，从这些Ep寻找出最大值，认为该最大值对应的[K,α]为最优解；步骤8：将步骤7得到的最优解作为变分模态分解算法的参数，再对多分量非平稳信号y进行变分模态分解得到多个IMF；判断IMF时域和频域波形，当不同IMF之间没有相同频率，而且同一IMF内没有出现两个及以上的频率时，则认为步骤7最优解判定正确；否则，返回步骤1重新计算最优解。