Python-实战：基于白鲸BWO算法的VMD超参数优化(python基本功)

Python-实战：基于白鲸BWO算法的VMD超参数优化

目录

1、白鲸优化算法

 2、BWO优化VMD参数

3、实战

3.1 原始时间序列数据

 3.2 VMD分解--直接设置参数

 3.3 采用BWO优化VMD

4、代码

---

推荐整理分享Python-实战：基于白鲸BWO算法的VMD超参数优化(python基本功)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:基础python,python基础csdn,pythone基础,python基础训练,python基础csdn,python基础csdn,基础python,pythone基础,内容如对您有帮助，希望把文章链接给更多的朋友！

        在博客的基础上，本文利用白鲸优化算法对VMD的参数进行优化，采用python实现。

1、白鲸优化算法

        白鲸优化算法([Beluga whale optimization，BWO)是由是由 Changting Zhong 等于2022 年提出的一种群体智能优化算法。其灵感来源于白鲸的群体觅食行为，具有3个阶段，分别是：探索、开发、鲸落，如下

 2、BWO优化VMD参数

        时间序列越复杂，包络熵的计算值越大，反之亦然。因此，应用VMD对信号进行分解后，计算每个子序列的包络值，包络最小的序列为所分解序列的趋势项。

        当分解数K较小时，可能导致信号分解不足，趋势项中混入其他干扰项，导致包络熵值变大。当取适当的K值时，趋势项的包络熵变小。因此，将分解出的IMF中的最小的那个熵（局部包络熵）最小化时，VMD分解为最佳。

        那么如何去找到局部包络熵，就需要用到白鲸优化算法，当前其他的优化算法都是可以实现的。适应度函数如下：

'''适应度函数,最小化各VMD分量的局部包络熵'''def fitness(pop,data): np.random.seed(0) K = int(pop[0]) alpha = int(pop[1]) #print(K,alpha) tau = 0 DC = 0 init = 1 tol = 1e-7 imf,res,u_hat,omega=VMD(data, alpha, tau, K, DC, init, tol) comp=np.vstack([imf,res.reshape(1,-1)]) SE = 0 se_imf=[] for i in range(comp.shape[0]): temp= BaoLuoShang(comp[i,:]) SE +=temp se_imf.append(temp) # fit = SE # fit = SE/K fit = min(se_imf) np.random.seed(int(time.time())) return fit 3、实战3.1 原始时间序列数据

 3.2 VMD分解--直接设置参数alpha = 10.0K = 3 tau = 0 DC = 0 init = 1 tol = 1e-7imf,res,u_hat,omega=VMD(data, alpha, tau, K, DC, init, tol)

 3.3 采用BWO优化VMD

最优的k和alpha为5和4

t:1 ,best fit=2.7628 ,best pop= [2, 108]t:2 ,best fit=2.7628 ,best pop= [2, 108]t:3 ,best fit=2.7538 ,best pop= [4, 51]t:4 ,best fit=2.7538 ,best pop= [4, 51]t:5 ,best fit=2.7441 ,best pop= [2, 20]t:6 ,best fit=2.7288 ,best pop= [5, 4]t:7 ,best fit=2.7288 ,best pop= [5, 4]t:8 ,best fit=2.7288 ,best pop= [5, 4]t:9 ,best fit=2.7288 ,best pop= [5, 4]t:10 ,best fit=2.7288 ,best pop= [5, 4]4、代码

详细代码见评论区