主要介绍多尺度分散熵以及精细复合多尺度分散熵如何提取

分散熵及多尺度分散熵，可以用来评价信号的规则程度

1、有数据集 2、有随机森林分类、决策树、KNN、朴素贝叶斯的简单对比 3、可直接运行

多尺度熵程序代码，仅供参考 一共四段，这是第一段function [h]=mseduochidu(x,m,r) a=length(x); for i=1:1:m %以1为步长1至m b=fix(a/i); %fix向0取整 for j=1:1:b

多尺度（样本）熵分析（MSE） 该代码的基础来自PhysioNet软件库（请参阅和 ）。 介绍了使用样本熵（SampEn）的MSE概念。 该软件包包含一个C库和一个围绕它的Python包装器。 C库编译 没有外部依赖项（数学库除外），只是： gcc -shared -o libsampen.so -O -Wall -fPIC sampen.c -lm 此命令在当前目录中生成文件“ libsampen.so”。 注意：请勿更改文件名，Python包装器将搜索该名称。 Python包装器 在python中，假设当前目录包含一个包含存储库文件和libsampen.so的目录（例如，名为MultiScaleEntropy ）， import MultiScaleEntropy 将加载MultiScaleEntropy模块，该模块具有两个最重要的功能： sampen ：计算序列的s

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

35多尺度熵（Multiscale entropy

自编多尺度样本熵程序，实例中用于一段轴承故障数据，简单易懂。MultiscaleSampleEntropy函数中的SampleEntropy也可以单独拎出来计算单个样本熵。

MATLAB源程序

多通道多尺度熵的matlab代码。可对多通道的心电、脑电进行特征提取。