PSO VMD 粒子群优化VMD的两个参数，惩罚系数和分解层数。并做包络谱，频谱等分析。

灰狼优化VMD的两个参数，惩罚系数和分解层数。并做包络谱，频谱等分析。有仿真数据直接运行。 采用平方包络谱峭度、包络熵、谱峭度、相关系数等作为适应度函数。

粒子群优化VMD 有示例

1.python程序 2.有数据集，可直接运行

VMD研究确定中心频率以及分类的模态数，亲测可用！！！

SVMD 是一种稳健的方法，它可以连续提取模式并且不需要知道模式的数量（与 VMD 不同）。 该方法将模式视为具有最大紧凑频谱的信号，正如 VMD 所做的那样。 已经证明，在不知道模式数量的情况下，SVMD 方法会收敛到与知道精确模式数量的 VMD 相同的模式。 此外，SVMD 的计算复杂度远低于 VMD。 此外，SVMD 相对于 VMD 的另一个优势是对模式中心频率的初始值具有更强的鲁棒性。

1、有完整原始数据 2、python程序 3、程序详细，可直接运行

Visual Molecular Dynamics

大地电磁信号是解释地质构造的重要信息载体,其受长周期和随机噪声影响严重,导致地质构造的反演结果出现严重的偏差。为了解决该问题,基于变分模态分解(Variational Mode Decomposition,VMD)提出了一种综合性的大地电磁信号去噪算法。对原始电磁信号进行多分辨VMD处理去除长周期噪声,采用小波包阈值去噪法去除信号的随机噪声,使用信号重构得到去噪处理后的大地电磁信号。使用此方法对工程实测大地电磁信号进行处理,结果表明,此方法能够对大地电磁信号的长周期噪声和随机噪声进行抑制,并且极大限度地保存了信号的有效分量,提高了时域信号的周期性,全频分段的视电阻率曲线得到了明显优化。

1.里面有一片类似的轴承故障诊断论文 2.计算了VMD的能量熵和样本熵 3.做了多种数据集，包括单特征和多特征pca归一化 4.利用了粒子群算法优化SVM参数 5.python代码齐全