“类EMD”分解7合1画图工具（python）

最后更新于：2024-10-26 20:43:55

这是在python环境下进行EMD，EEMD，CEEMD，CEEMDAN，ICEEMDAN，EWT，VMD这7种模态分解方法的合集。

可以快速实现模态分解、分解图绘制、分解及频谱图绘制

该程序是MATLAB实现类EMD分解7合1画图工具的姊妹篇，两者实现的功能大体一致

代码提供了不同模态分解方法的演示案例。

同学们需要做的基本只需要替换掉需要分解的数据即可，非常简单易用。

致力于实现优质、易用的程序，帮助研究人员快速实现目的

视频备用地址

一、代码运行环境

已测试python3.9，理论上其他python3.X可以使用，python2.X不能使用（试用版代码需要使用python3.11）

依赖包包括：PyEMD、numpy、Matplotlib、ewtpy

在运行程序前，请确保在当前python环境下安装了上述包，命令行的安装指令为：

pip install EMD-signal
pip install numpy
pip install Matplotlib
pip install ewtpy

二、程序介绍

1.demoEMD.py

用于测试”类EMD”分解功能的脚本文件，可以直接运行，其中调用了pEMDs和pEMDsandFFT。其中演示了使用EMD、EEMD、CEEMD、CEEMDAN、ICEEMDAN、EWT和VMD等7种”类EMD”方法对输入信号进行分解，并绘制分解图（包括二维和三维）、重构误差图和分解结果及其频谱图。

运行该文件，将绘制以下图片（以EMD分解为例，实际每种分解方法都会绘制图片）：

EMD分解图，绘制各个IMF分量

EMD分解及对应频谱图

另外在命令行窗口将会打印各种算法的运行时间：

2.funEMDs.py(试用版代码中为funEMDs.pyd)

集合了kEMDs、pEMDs、pEMDsandFFT等方法，具体实现PyEMDs函数调用实现分解以及画图等功能。

这几种方法介绍如下：

kEMDs：整合版”类EMD”分解函数，调用该函数会执行分解，不画图。该文件为函数文件，可以调用，不可以直接运行。该函数文件在pEMDs和pEMDsandFFT文件中调用。这个文件中实现了7种”类EMD”信号分解方法(EMD、EEMD、CEEMD、CEEMDAN、ICEEMDAN、EWT、VMD)的封装，属于偏底层的函数。

pEMDs：整合版”类EMD”分解函数,调用该函数将会分解并画图(模态分解图，无频谱)，会绘制重构误差图。该文件为函数文件，可以调用，不能直接运行。

pEMDsandFFT：具体包含的方法有：绘制信号模态分解与各IMF分量频谱对照图，也会绘制重构误差图。

def kEMDs(data, FsOrT, methodSel, options=None):
    """
    使用选定的信号分解方法对数据进行分解。
    
    参数:
    - data: 要分解的一维数据。
    - FsOrT: 采样频率或采样时间向量，如果为采样频率，该变量输入单个值；如果为时间向量，该变量为与y相同长度的一维向量。如果未知采样频率，可设置为1
    - methodSel: 选择的分解方法,可选值为'EMD','EEMD','CEEMD','CEEMDAN','ICEEMDAN','EWT','VMD'。
    - options: 一个包含分解方法特定选项的字典。
                - 'MaxNumIMFs'：最大的IMF数量，在EMD和EWT中可选设置，这个数量中包含趋势项
                - 'Nstd': 附加噪声标准差与数据标准差之比,默认为0.2。
                - 'NE': 对信号的平均次数,默认为100。
                - 'MaxIter': 最大迭代次数,默认为1000。
                - 'MaxNumIMFs': 最大的IMF数量,在EMD和EWT中可选设置,默认为None。
                - 'alpha': 惩罚因子,在VMD中设置,默认值为2000。
                - 'K': 指定分解模态数,仅在VMD中可设置。
                - 'tol': 收敛容差,在VMD中设置,是优化的停止准则之一,可以取1e-6~5e-6。
    返回值:
    - imf: 分解后的本征模态函数(IMF)，统一为n*m格式，其中n为模态数，m为数据点数。例如 imf(1,:)即IMF1，imf(end,:)即为残差。
      注意，调用该函数得到的imf，其排列均是从高频向低频排列，这也是为了方便大家研究使用而保持了统一
    - elapsedTime: 分解过程的运行时间。
    - reconError: 重构误差。
    """

def pEMDs(data, FsOrT, methodSel, options=None):
    """
    整合版"类EMD"分解函数,调用该函数将会分解并画图(模态分解图,无频谱),会绘制重构误差图。
    
    参数:
    - data: 待分解的一维数据。
    - FsOrT: 采样频率或采样时间向量。如果为采样频率,该变量输入单个值;如果为时间向量,该变量为与data相同长度的一维向量。如果未知采样频率,可设置为1。
    - methodSel: 选择分解方法,可选值为'EMD','EEMD','CEEMD','CEEMDAN','ICEEMDAN','EWT','VMD'。
    - options: 一个包含其他可设置参数的字典。对于不同分解方法,需要设置的参数有所不同。
      - 'Nstd': 附加噪声标准差与数据标准差之比,默认为0.2。
      - 'NE': 对信号的平均次数,默认为100。
      - 'MaxIter': 最大迭代次数,默认为1000。
      - 'MaxNumIMFs': 最大的IMF数量,在EMD和EWT中可选设置,默认为None。
      - 'alpha': 惩罚因子,在VMD中设置,默认值为2000。
      - 'K': 指定分解模态数,仅在VMD中可设置。
      - 'tol': 收敛容差,在VMD中设置,是优化的停止准则之一,可以取1e-6~5e-6。
    
    返回值:
    - imf: 内涵模态分量,统一为n*m格式,其中n为模态数,m为数据点数。例如imf[0,:]即IMF1,imf[-1,:]即为残差。注意,调用该函数得到的imf,其排列均是从高频向低频排列,这也是为了方便大家研究使用而保持了统一。
    - elapsedTime: 程序运行时间,单位为秒。
    - reconError: 重构误差。
    """

def pEMDsandFFT(data, FsOrT, methodSel, options=None):
    """
    整合版"类EMD"分解函数,调用该函数将会分解并画图(模态分解图与各IMF分量频谱对照图),会绘制重构误差图。
    
    参数:
    - data: 待分解的一维数据。
    - FsOrT: 采样频率或采样时间向量。如果为采样频率,该变量输入单个值;如果为时间向量,该变量为与data相同长度的一维向量。如果未知采样频率,可设置为1。
    - methodSel: 选择分解方法,可选值为'EMD','EEMD','CEEMD','CEEMDAN','ICEEMDAN','EWT','VMD'。
    - options: 一个包含其他可设置参数的字典。对于不同分解方法,需要设置的参数有所不同。
      - 'Nstd': 附加噪声标准差与数据标准差之比,默认为0.2。
      - 'NE': 对信号的平均次数,默认为100。
      - 'MaxIter': 最大迭代次数,默认为1000。
      - 'MaxNumIMFs': 最大的IMF数量,在EMD和EWT中可选设置,默认为None。
      - 'alpha': 惩罚因子,在VMD中设置,默认值为2000。
      - 'K': 指定分解模态数,仅在VMD中可设置。
      - 'tol': 收敛容差,在VMD中设置,是优化的停止准则之一,可以取1e-6~5e-6。
    
    返回值:
    - imf: 内涵模态分量,统一为n*m格式,其中n为模态数,m为数据点数。例如imf[0,:]即IMF1,imf[-1,:]即为残差。注意,调用该函数得到的imf,其排列均是从高频向低频排列,这也是为了方便大家研究使用而保持了统一。
    - elapsedTime: 程序运行时间,单位为秒。
    - reconError: 重构误差。
    """

三、快速开始

0.安装相关包

在命令行执行以下指令，安装对应的工具包。

pip install EMD-signal
pip install numpy
pip install Matplotlib
pip install ewtpy

1.运行测试脚本

先在python的编辑器（例如vscode）里打开下载好的文件夹，然后运行demoEMDs.py程序，程序运行完毕后如果没报错，且正常画出分解图像，则说明运行环境正常，程序正确。

2.修改仿真数据/导入数据

复制一个demoEMDs.py的文件副本，在这个副本里做如下修改：

（1）第一种情况，你可能想要对你自己要研究的仿真数据进行模态分解测试，此时你需要对 demoEMDs.py 脚本文件中的第1小节内容进行修改替换即可。需要注意的是，请最好保持变量名的一致，即将待分解信号命名为data，采样频率或者时间轴命名为FsOrT。此时数据替换完成。

（2）第二种情况，你可能是想对一段真实采集的数据进行模态分解，此时需要根据你的文件类型的不同（excel,txt,csv等），将数据导入python的方法有所不同。导入完成后请将这个待分解信号命名为data。

3.保留你需要的分解方法，并设置参数

demoEMDs.py中演示了七种方法的分解案例，你可以删掉不需要的分解方法，只保留你需要的部分即可。而相关参数设置，大家可以参照案例中的写法设置。

上述替换过程大家有不清楚的，请参考视频。

4.运行程序

此时运行程序即可。

四、关于完整版与公开版代码

功能	完整版	公开版
绘制类EMD分解图、绘制类EMD分解图及其频谱图、重构误差图	√	√
软件全部源码（函数py文件）	√	×
可导出分解结果imf、重构误差值	√	×
绘图无水印	√	×
可分析数据长度	无限制	1000个点以内

五、获取公开版程序（需使用电脑浏览器打开）

类EMD分解7合1公开版python代码

文件尺寸: 95.89 KB

更新: 29-07-2024

下载

试用版代码需要使用python3.11

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需91.5元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

您需要先支付 91.5元 才能查看此处内容！立即支付

七、完整版代码重要更新

20240729 完成初版代码

八、常见问题

问题1：VMD中参数K和分解出来的数量是什么关系？

回答1：K的值等于IMF数量加1，也就是如果设置K=4，则会分解出3个IMF分量和1个趋势项res。

问题2：VMD中K的数值应该怎样选取？

回答2：对于K的取值，可以通过一些评价指标来进行评估，综合研判取值。比如使用中心频率判断、使用相关系数判断、使用峭度值判断等，不过没有放之四海而皆准的方法。在使用VMD算法进行信号分解时，需要综合考虑信号的特性、应用需求和实际效果等因素，来确定k的取值，最简单的方法就是参考研究领域相关论文的常用方法。

问题3：除了VMD，其他分解方法可以设置分解得到的imf的数量吗？

在网站现有的“类EMD”分解方法中，只有VMD分解是可以指定imf数的；EMD和EWT可以设置分解数量上限，比如上限设置为5，分解出来的结果可能是5个分量，或者小于5个；其他的分解方法的分解数量均是自适应的，无法指定。

问题4：参数NE、Nstd、MaxIter该怎么设置？

NE: 噪声系数的数量。这是一个整数，代表生成噪声实例的次数。增加NE可以改善结果的一致性，但会增加计算时间。一般来说，NE的设置可以在50到100之间，具体可以根据你的数据和计算能力进行调整。

Nstd: 噪声标准差。这是一个浮点数，它定义了添加到信号中的噪声的标准偏差。通常，Nstd的值设置在0.1到0.2之间，它会影响到信号分解的精度。设置过高可能会引入太多噪声，过低则可能对噪声的效果不够。

MaxIter: 最大迭代次数。这是在执行经验模式分解过程中，每个模式（IMF）最大允许的迭代次数。如果迭代次数过少，可能无法得到一个好的IMF，如果过多，可能会导致计算时间过长。一般情况下，MaxIter的值可以设置在100到1000之间，具体取决于你的数据的复杂性和计算能力。

问题5：为什么使用python和MATLAB做出的分解结果不相同？

虽然EMD分解的原理是相对明确的，但是在具体的编程实现的过程中还涉及很多具体计算过程，比如包络的求取、停止准则的选定等等，其中参数或者计算方式的变化都会影响到最终结果，MATLAB和python的EMD实现是两个不同的库，在这些细节之处难免存在差异（即使都是用在MATLAB上的官方库和第三方库之间都会有差异），所以使用python和MATLAB进行EMD分解得到的结果不同是正常现象。

在试用版代码中可以使用但是看不到源码，在完整版代码中可以看到全部源码。

问题6：提示No module named ‘PyEMD’，即使安装EMD-signal包后，from pyemd import EMD依旧失败

解决方法：

1.首先在终端运行：

pip uninstall PyEMD
pip uninstall EMD-signal

2.然后运行：
pip install EMD-signal

即可解决。

问题7，报错提示np.find_common_type was removed in the NumPy 2.0 release. 如下图

解决方法：

在109行的EMD处右键，点击Go to Definition

在跳转打开的EMD.py文件中，找到第768行，将该行注释掉，并在下行输入：

dtype = np.promote_types(x.dtype, y.dtype)

修改后如下图：

此时再运行demoEMDs.py就不会报错了。