关于 信息熵的几种算法实现，是大学时期做的毕业论文

这是一个样本的实验，现将振动信号进行CEEMD分解，得到imf分量，在求imf分量的相关系数啦筛选分量，并求一个样本的信息熵特征，构造一个特征向量矩阵，然后自己选择类器进行分类。

这是一个样本的实验，现将振动信号进行LMD分解，得到分解后的PF分量，在求分量的相关系数啦筛选分量，在求每一个PF分量的样本熵特征，构造一个特征向量，你指的拥有，有帮助的话，希望你好评，谢谢，有问题加我主页qq。

信息熵的程序实例 方便初学者的学习 用于特征提取 模式识别 故障诊断

LZ 复杂度分析 随着人们对非线性方法的分析越加深入，他们发现，虽然关联维度和最大李雅谱诺夫指数在分析脑电时具有一定的帮助，但是它们对数据的依赖性太强，对干扰和噪声太敏感，而且要得到可靠的结果需要大量的数据，这对于高度不平稳的脑电波来说无疑是相当大的局限。科研人员迫切需要一种数据量少且具有一定抗干扰能力的方法，这时LZ复杂度算法应运而生，它是一种表征时间序列里出现新模式的速率的方法。这个方法最先由Lempel和Ziv提出，因此取名为Lempel-Ziv复杂度。直到1987年，才由Kaspar和Schuster提出了该算法的计算机实现方法。 对于一个待求字符串S(S1，S2，…，Sn)以及另一个字符串Q(q1，q2，…，qn)，SQ表示S和Q的级联，SQ=( S1，S2，…，Sn，q1，q2，…，qn)。令SQv是SQ减去最后一个字符所得字符串。判断Q是否是SQv的一个子串，如果Q是SQv的一个子串，说明Q中的字符是可从S复制的，这时把待求序列的下一个字符级联到Q。如果Q不是SQv的一个子串，则表示Q是插入字符。这时把Q级联到S，S=SQ，重新构造Q，重复以上过程直到Q取待求序列的最后一位结束。每次Q级联到S，表明出现一种新模式，用c表示一个字符串中新模式的数量。例如对于S=(10101010)，应用上面的方法可以得到c(8)=3个新模式：1，0 ，101010。