Python实现VMD信号分解降噪（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: import numpy as np # 导入NumPy库，用于科学计算 import pandas as pd # 导入Pandas库，用于数据处理和分析 import matplotlib.pyplot as plt # 导入Matplotlib库，用于绘图 from vmdpy import VMD # 导入VMD库，用于VMD分解 from scipy.signal import welch # 导入welch函数，用于信号频谱分析 from datetime import datetime # 导入datetime模块，用于日期和时间处理 #更多模型咸鱼搜索机器学习之心，支持模型定制 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 设置图表字体为微软雅黑，用于显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 设置正常显示图表中的负号 # In[ ]: # 从CSV文件读取数据 data = pd.read_csv("A.csv") #更多模型咸鱼搜索机器学习之心，支持模型定制 # 将时间列转换为秒级时间戳 t = data["time"].apply(lambda x: (datetime.strptime(x, '%Y/%m/%d %H:%M') - datetime(1970, 1, 1)).total_seconds()).values # # 读取Excel文件 # data = pd.read_excel('A.xlsx') # # 将“time”列转为字符串类型 # data["time"] = data["time"].astype(str)#使用csv文件时不需要 # # # t = data["time"].apply(lambda x: (datetime.strptime(x, '%Y-%m-%d %H:%M:%S') - datetime(1970, 1, 1)).total_seconds()).values#时间是用-分开的用这个 # In[3]: # 获取"A"列的数值作为噪声信号 noisy_signal = data["A"].values # In[4]: # VMD参数 alpha = 2000 tau = 0 K = 8 DC = 0 init = 1 tol = 1e-6 # In[5]: # 使用VMD进行降噪 u, u_hat, omega = VMD(noisy_signal, alpha, tau, K, DC, init, tol) # 计算重构信号（降噪信号） reconstructed_signal = u.sum(axis=0) # In[6]: # 创建一个图形窗口，设置图形大小为(15, 3) plt.figure(figsize=(15, 3)) # 绘制原始数据的图像 plt.plot(t, noisy_signal, label="原始数据") # 绘制降噪后的数据的图像 plt.plot(t, reconstructed_signal, label="降噪后的数据") # 设置 x 轴和 y 轴的标签 plt.xlabel("Time") plt.ylabel("A") #更多模型咸鱼搜索机器学习之心，支持模型定制 # 添加图例 plt.legend() # 调整 x 轴刻度密度 x_ticks = np.linspace(t[0], t[-1], 10) plt.xticks(x_ticks, [datetime.fromtimestamp(x).strftime('%Y/%m/%d %H:%M') for x in x_ticks], rotation=45) # 显示图像 plt.show() # In[7]: # 创建一个图形窗口，并将图形划分为 K 行 2 列的子图，设置图形大小为(20, 2*K) fig, axs = plt.subplots(K, 2, figsize=(20, 2*K), sharex='col') #更多模型咸鱼搜索机器学习之心，支持模型定制 # 绘制每个分解模态的图像 for i in range(K): axs[i, 0].plot(t, u[i, :]) # 绘制时间序列图像 axs[i, 0].set_title(f"IMF {i+1}") # 设置子图标题 axs[i, 0].set_ylabel("A") # 设置 y 轴标签 if i == K - 1: axs[i, 0].set_xlabel("Time") # 设置 x 轴标签（只在最后一行的子图上显示） #更多模型咸鱼搜索机器学习之心，支持模型定制 # 调整 x 轴刻度密度 x_ticks = np.linspace(t[0], t[-1], 10) for ax in axs[:, 0]: ax.set_xticks(x_ticks) ax.set_xticklabels([datetime.fromtimestamp(x).strftime('%Y/%m/%d %H:%M') for x in x_ticks], rotation=45) #更多模型咸鱼搜索机器学习之心，支持模型定制 # 计算每个分量的功率谱密度并绘制频谱图 for i in range(K): f_imf, Pxx_imf = welch(u[i, :], nperseg=240) # 计算功率谱密度 axs[i, 1].semilogy(f_imf, Pxx_imf) # 绘制频谱图 axs[i, 1].set_title(f"Frequency Spectrum of IMF {i+1}") # 设置子图标题 axs[i, 1].set_ylabel("Power Spectral Density") # 设置 y 轴标签 if i == K - 1: axs[i, 1].set_xlabel("Frequency [Hz]") # 设置 x 轴标签（只在最后一行的子图上显示） plt.tight_layout() # 调整子图布局 plt.show() # 显示图像 # In[ ]: