变分模态分解

使用Matlab实现VMD分解，这是一种变分模态分解技术，适用于信号分解及分析。

经典的经验模态分解方法，特别适用于研究生初学者进行故障诊断和信号处理。

这份资源提供了EMD算法的MATLAB源代码，可用于对信号进行分解提取本征模态函数(IMF)。

利用Matlab编写的经验模态分解算法的主函数是eemd.m。这一算法通过Matlab实现经验模态分解过程，为数据分析和信号处理提供了一种有效的工具。

变分模式分解（VMD）是最近引入的自适应数据分析方法，广泛应用于各个领域。然而，针对宽带非线性线性调频信号(NCS)，我们提出了一种名为变分非线性线性调频模式分解(VNCMD)的新方法。VNCMD利用解调技术，克服了传统VMD窄带假设的局限性，有效地从宽带NCS中提取信号模式。我们的方法通过交替方向乘法器方法(ADMM)解决了这一最优解调问题，可视为时频(TF)滤波器组同时提取所有信号模式。实验结果表明，VNCMD在分析包含接近或交叉模式的NCS方面具有显著效果。同时，我们提供了Matlab代码以重现研究结果。

利用经验模态分解（EMD）提取IMF向量与残余向量的Matlab程序。包含主函数emdplus.m和样本熵函数samp的详细注解。EMD.m函数为广泛使用的版本，能直接运行且验证有效。

Matlab仿真matlab_EMD使用MATLAB进行经验模态分解的计算。代码需要整理和测试。

项目简介 这是一个使用UNVARTOP方法进行2D拓扑优化的MATLAB代码示例（用于教育目的）。 代码来源 该代码基于D. Yago, J. Cante, O. Lloberas-Valls和J. Oliver的研究，发表于《结构和多学科优化》（2020年）。 方法特点 采用非平滑变分拓扑优化（UNVARTOP）方法，通过特征函数定义的材料方法进行双材料设置。 使用判别函数获得清晰边界，进而计算特征函数。 最优拓扑的计算涉及到封闭形式的代数系统解和松弛拓扑导数（RTD）。 最终的灵敏度通过拉普拉斯平滑法进行正则化，以控制网格大小。 在优化过程中，参考伪时间逐步增加，以获得中间收敛的最优拓扑，即增量时间提前方案。该方法提供最终最佳解决方案及在少量迭代中针对不同体积百分比的最佳拓扑集。 系统要求 在您的操作系统中必须安装MATLAB。

优化经验模态分解和支持向量机在滚动轴承故障诊断中的应用 为解决滚动轴承故障诊断难题，提出一种融合自适应波形匹配延拓方法的改进经验模态分解（EMD）和粒子群优化算法（PSO）优化的支持向量机（SVM）的两阶段诊断方法。 方法: 改进EMD: 采用自适应波形匹配延拓方法有效抑制EMD端点效应，提升信号分解准确性。 特征提取: 对典型正常及故障振动信号进行改进EMD分解，提取能量信息作为特征。 模型训练: 利用提取的特征，结合PSO算法对SVM进行参数优化，构建高精度故障诊断模型。 在线诊断: 实时采集振动信号，经改进EMD分解和特征提取后，输入训练好的模型进行诊断，输出结果。 验证: 采用美国西储大学轴承数据集进行方法验证，结果表明该方法能够有效识别滚动轴承故障。

提供了一种基于全变分正则化的图像去噪算法，并附带Matlab实现代码。内包含代码运行结果示例图，可直观展示算法的去噪效果。