Python实现ABC-VMD信号分解降噪（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: import copy # 导入copy模块，用于复制对象 import numpy # 导入numpy库，用于数值计算 import random # 导入random模块，用于生成随机数 import datetime # 导入datetime模块，用于处理日期和时间 import math # 导入math模块，提供数学计算函数 import pandas as pd # 导入pandas库，用于数据处理和分析 import numpy as np # 导入numpy库，用于数值计算 import matplotlib.pyplot as plt # 导入matplotlib库，用于数据可视化 from vmdpy import VMD # 从vmdpy模块中导入VMD类，用于执行VMD分解 import tensorflow as tf # 导入tensorflow库，用于构建和训练神经网络模型 import warnings # 导入warnings模块，用于控制警告的显示 from scipy.fftpack import hilbert, fft, ifft # 从scipy.fftpack模块中导入hilbert、fft、ifft函数，用于信号处理中的傅里叶变换 from math import log # 导入math模块中的log函数，用于计算对数 from typing import List # 导入typing模块中的List类型，用于注释函数参数的类型 warnings.filterwarnings("ignore") # 忽略警告信息，不显示警告 # In[2]: data = pd.read_csv('A.csv', usecols=[0,1]) # 从名为'A.csv'的文件中读取数据，只使用第0列和第1列的数据，并将结果存储在变量data中。 # In[3]: tau = 0. # 设置tau的初始值为0。 #更多模型咸鱼搜索机器学习之心，支持模型定制 DC = 0 # 设置DC的初始值为0。 init = 1 # 设置init的初始值为1。 tol = 1e-7 # 设置tol的值为1e-7，表示容差的阈值。 # In[4]: class ProblemModel: def __init__(self, bounds=None): self.bounds = bounds # 初始化类的实例时，将参数bounds赋值给实例变量self.bounds def getIndependentVar(self): if self.bounds is not None: # 如果self.bounds不为None independentVar = [] for bound in self.bounds: # 在每个bound范围内生成一个随机数，并添加到independentVar列表中 independentVar.append(bound[0] + random.random() * (bound[1] - bound[0])) return independentVar # 返回生成的独立变量列表 else:#更多模型咸鱼搜索机器学习之心，支持模型定制 pass # 如果self.bounds为None，则不执行任何操作 def getNewVar(self, var_1, var_2): if self.bounds is not None: # 如果self.bounds不为None newVar = [] step_random = random.random() # 生成一个0到1之间的随机数 for v_1, v_2 in zip(var_1, var_2): # 根据var_1和var_2的值生成一个新的变量，并添加到newVar列表中 newVar.append(v_1 + step_random * (v_2 - v_1)) return newVar # 返回生成的新变量列表 else: pass # 如果self.bounds为None，则不执行任何操作 #更多模型咸鱼搜索机器学习之心，支持模型定制 def getValue(self, variable): if len(variable) == 2: # 如果variable列表长度为2 K = int(variable[0]) # 将variable的第一个元素转换为整数赋值给变量K alpha = variable[1] # 将variable的第二个元素赋值给变量alpha if K < self.bounds[0][0]: # 如果K小于bounds的第一个元素的第一个值 K = self.bounds[0][0] # 将K赋值为bounds的第一个元素的第一个值 if K > self.bounds[0][1]: # 如果K大于bounds的第一个元素的第二个值 K = self.bounds[0][1] # 将K赋值为bounds的第一个元素的第二个值 if alpha < self.bounds[1][0]: # 如果alpha小于bounds的第二个元素的第一个值 alpha = self.bounds[1][0] # 将alpha赋值为bounds的第二个元素的第一个值 if alpha > self.bounds[1][1]: # 如果alpha大于bounds的第二个元素的第二个值 alpha = self.bounds[1][1] # 将alpha赋值为bounds的第二个元素的第二个值 u, u_hat, omega = VMD(data['A'], alpha, tau, K, DC, init, tol) # 调用VMD函数，传入相应参数，并将返回的结果分别赋值给变量u、u_hat和omega EP = [] for i in range(K): # 对于范围为K的循环迭代 H = np.abs(hilbert(u[i, :])) # 对u[i, :]进行希尔伯特变换并取绝对值，赋值给变量H e1 = [] for j in range(len(H)): # 对于范围为H长度的循环迭代 p = H[j] / np.sum(H) # 计算H[j]占H所有元素之和的比例，赋值给变量p e = -p * log(p, 2) # 计算信息熵并赋值给变量e e1.append(e) # 将e添加到e1列表中 E = np.sum(e1) # 计算e1列表中所有元素的和，并赋值给变量E EP.append(E) # 将E添加到EP列表中 s = np.sum(EP) / K # 计算EP列表中所有元素的和除以K，并赋值给变量s return s # 返回变量s作为结果 else: return 1 # 如果variable列表长度不为2，则返回1作为结果 # In[5]: class NectarSource: problem_src = None # 类变量problem_src，用于存储问题源 def __init__(self, position): self.position = position # 实例变量position，存储蜜源的位置 self.value = self.problem_src.getValue(position) # 实例变量value，根据问题源的getValue方法计算蜜源的值 if self.value >= 0: # 如果蜜源的值大于等于0 self.fitness = 1 / (1 + self.value) # 计算蜜源的适应度 else: self.fitness = 1 + math.fabs(self.value) # 计算蜜源的适应度（值小于0时） self.trail = 0 # 初始化实例变量trail为0，用于存储蜜源的信息素浓度 # In[6]: class ABCAlgor: LIMIT = 10 # 类变量LIMIT，用于指定蜜源的最大尝试次数 #更多模型咸鱼搜索机器学习之心，支持模型定制 def __init__(self, problem, employedNum, onlookerNum, maxIteration): NectarSource.problem_src = problem # 将问题源赋值给类变量problem_src self.problem = problem # 实例变量problem，存储问题源 self.employedNum = employedNum # 实例变量employedNum，指定雇佣蜜蜂数量 self.onlookerNum = onlookerNum # 实例变量onlookerNum，指定观察蜜蜂数量 self.maxIteration = maxIteration # 实例变量maxIteration，指定最大迭代次数 self.nectarSrc = [] # 实例变量nectarSrc，存储蜜源列表 self.bestNectar = NectarSource(self.problem.getIndependentVar()) # 实例变量bestNectar，存储最优蜜源 self.resultRecord = [] # 实例变量resultRecord，存储迭代过程中的结果记录 for i in range(self.employedNum): self.nectarSrc.append(NectarSource(self.problem.getIndependentVar())) # 初始化蜜源列表 def updateNectarSrc(self, index): src = self.nectarSrc[index] # 获取指定索引的蜜源 src_another = random.choice(self.nectarSrc) # 从蜜源列表中随机选择另一个蜜源 while src_another is src: src_another = random.choice(self.nectarSrc) # 如果随机选择的蜜源与当前蜜源相同，则重新选择 src_new = NectarSource(self.problem.getNewVar(src.position, src_another.position)) # 基于当前蜜源和另一个蜜源生成新的蜜源 if src_new.fitness > src.fitness: # 如果新蜜源的适应度大于当前蜜源的适应度 self.nectarSrc[index] = src_new # 更新蜜源列表中的蜜源为新蜜源 else:#更多模型咸鱼搜索机器学习之心，支持模型定制 self.nectarSrc[index].trail += 1 # 否则，当前蜜源的信息素浓度加1 def employedProcedure(self): length = len(self.nectarSrc) # 获取