简介一套基于Python的SSA-VMD信号分解降噪方案包含完整源码与配套数据面向计算机、电子信息工程、数学等专业学生适用于课程设计、期末大作业或毕业设计中的信号处理实验。资源共3个文件由Python源码脚本、Excel数据表与CSV数据文件组成压缩包整体仅18KB轻量精简便于直接运行与二次开发。代码采用参数化编程关键参数可随时调整并配有几乎一行一注释的保姆级注释能够帮助初学者深入理解奇异谱分析与变分模态分解的算法原理、参数调节逻辑以及降噪实现流程显著降低入门门槛。目前已有442人学习下载在同类信号处理资料中具备一定参考价值下载后既可对照数据快速运行也可逐行研读源码在理解基础上替换数据、调整参数或扩展功能为课程设计、论文写作提供可复现的示例支撑。1. 调参是信号降噪里最耗时的一环很多人第一次拿到 VMD 变分模态分解第一反应是终于不用像 EMD 那样频繁模态混叠了。结果真正跑起来才发现VMD 的惩罚因子 alpha 和模态数 K 一旦设得不对分解出来的 IMF 要么把有用信号切成碎片要么把噪声完整保留下来。这份 Python 实现的 SSA-VMD 信号分解降噪完整源码核心思路就是让麻雀搜索算法自己去替你把 K 和 alpha 找出来而不是靠一遍遍画图试凑。它不是实验台上的教学 demo整个工程只有 SSA-VMD.py、A.csv 和 A.xlsx 三份文件一行一注释参数集中在头部环境是 anaconda、pycharm、python 和可选的 tensorflow。适合正在做课程设计、期末大作业或者毕业设计的人也适合基础偏薄弱但想真正把 VMD 调参看明白的入门者。2. VMD 的两个参数为什么值得用 SSA 去搜2.1 K 和 alpha 对分解结果的影响方式VMD 的原理可以理解为把一段时域信号 x(t) 分解成 K 个中心频率为 omega_k 的窄带 IMF 分量每个分量的带宽由惩罚因子 alpha 控制。构造的约束变分模型如下# 目标函数让每个模态的带宽估计之和最小 # 约束条件所有模态之和等于原始信号 # min { sum_k || d/dt [(delta(t) j/pi*t) * u_k(t)] * e^(-j*omega_k*t) ||^2 } # s.t. sum_k u_k x这里 K 决定的是分几层alpha 决定的是每层允许多宽。K 设小了不同频率成分会挤在同一个 IMF 里降噪时一滤就把有用信号滤掉K 设大了同一频率成分会被劈成好几段模态之间出现严重混叠重构回来的信号形状完全走样。alpha 偏小时每个模态的带宽大会吸收旁边频段的噪声alpha 偏大时模态带宽极窄又容易把微弱的有效成分当作噪声丢掉。实际调参里最麻烦的是这两个参数是耦合的alpha 加大之后原本合适的 K 可能就不再合适。很多课程设计里常见的做法是把 K 从 2 扫到 10alpha 从 100 扫到 5000三层循环跑一个下午最后挑一组视觉上最好看的分解结果。问题在于视觉上最好看的包络不一定就是降噪效果最好的而且这种网格搜索的方式没有任何复用价值换一段信号又要重新跑一遍。2.2 为什么是 SSA 而不是网格搜索或遗传算法麻雀搜索算法是 2020 年前后提出的群智能优化算法模拟麻雀觅食和反捕食行为。种群里的个体分为发现者、加入者和警戒者发现者负责提供觅食方向和区域加入者跟随发现者获得更好位置同时一部分麻雀承担侦察警戒任务一旦发现天敌就带动整个种群飞向安全区域。放到 VMD 参数寻优这个场景里每一只麻雀的位置就是一个二维向量第一位是 K 的取值第二位是 alpha 的取值。和网格搜索相比SSA 的优势在于不需要遍历整个参数空间。网格搜索在 K 和 alpha 构成的二维网格上是全量枚举计算量是乘法级别的SSA 只需要迭代若干代每代评估几十个个体的适应度值总体调用 VMD 的次数通常只有网格搜索的十分之一甚至更少。和遗传算法相比SSA 的控制参数更少对新手更友好。遗传算法涉及交叉概率、变异概率、选择策略、种群规模、精英保留等一整套机制哪个参数没配对收敛速度会明显变慢。SSA 的流程更线性化初始化种群、计算适应度、更新发现者位置、更新加入者位置、随机警戒、判断是否越界循环迭代。程序实现上更好理解出 bug 时查起来也更直接。2.3 适应度函数为什么选包络熵适应度函数是整个 SSA-VMD 搜索过程里真正决定什么算好分解的标准。常见的选择有包络熵、排列熵、信息熵、峭度各有利弊。这份源码采用的是包络熵。包络熵的计算过程是把信号做 Hilbert 变换得到解析信号取模得到包络归一化后代入信息熵公式def envelope_entropy(imf): # 对IMF做Hilbert变换得到解析信号 analytic hilbert(imf) # 包络是解析信号的幅值 envelope np.abs(analytic) # 归一化让包络总和为1 p envelope / np.sum(envelope) # 包络熵信息熵公式值越小说明包络越集中、冲击性越强 entropy -np.sum(p * np.log(p 1e-12)) return entropy算法逻辑不复杂但必须理解一个关键前提包络熵最小说明信号的包络呈现出明显的稀疏性。对于轴承故障、齿轮损伤这一类信号故障冲击成分会形成清晰的周期性尖峰包络熵会显著低于纯噪声或平稳振动的包络熵。因此当 SSA 找到一组使整体包络熵最小的 K 和 alpha 时意味着分解结果里突出了冲击成分、抑制了均匀分布的噪声这正是降噪希望达到的效果。注意一点如果原始数据是平稳信号或者语音信号包络熵可能并不完全适用那可以把适应度函数替换成排列熵或者谱峭度。源码在程序头部以函数形式做了封装换适应度函数时不需要动 SSA 主循环。3. SSA-VMD 程序结构与核心实现拆解3.1 文件构成和运行入口压缩包里三份文件的分工是清晰的SSA-VMD.py 是全部代码A.csv 和 A.xlsx 是同一份实验数据的两种存储格式。CSV 是逗号分隔方便 pandas 直接读取Excel 则是为了在 Windows 上快速双击预览。如果数据量特别大优先使用 CSVxlsx 在大文件场景下读取速度明显偏慢。main 函数的执行顺序分四步。第一步读数据先判断文件后缀再选择 pandas 读取方式第二步对信号做归一化把幅值压到 [-1, 1] 区间主要为了让不同量纲的数据在 VMD 计算里保持数值稳定第三步调用 SSA 搜索最优参数第四步用最优参数执行 VMD 分解并绘图。这四步的先后顺序不能乱尤其是归一化和 SSA 搜索之间先归一化再寻优能显著减少 alpha 搜索范围的选择难度。3.2 SSA 种群初始化与边界处理麻雀个体的位置编码直接决定搜索效率。源码里每只麻雀的位置是 [K, alpha]K 是整数alpha 是浮点数。S个麻雀初始位置在 [K_min, K_max] 和 [alpha_min, alpha_max] 范围内随机生成。边界范围设置上是源码注释最多的部分因为参数边界直接决定搜索结果是否合理alpha 上限过高会增加VMD迭代时间下限过低则会失去窄带约束意义。dim 2 # K 和 alpha 两个维度 K_min, K_max 2, 15 alpha_min, alpha_max 200, 5000 # 种群初始化每一行是 [K, alpha] pop np.zeros((N, dim)) pop[:, 0] np.random.randint(K_min, K_max 1, N) pop[:, 1] alpha_min np.random.random(N) * (alpha_max - alpha_min)这里有个容易出错的地方K 在后续 VMD 调用中必须作为整数传入但 SSA 的位置更新公式会不断产生浮点数。因此每一代更新完位置后必须把 K 取整并夹取到边界内。源码里是这样处理的pop[:, 0] np.clip(np.round(pop[:, 0]), K_min, K_max) pop[:, 1] np.clip(pop[:, 1], alpha_min, alpha_max)取整操作放在边界夹取之前还是之后是有讲究的。先 round 再 clip可以把边界外的概率大大降低反过来先 clip 再 round在整数边界附近会有偏差。两者最终结果差别很小但先 round 更符合直觉。为什么要每次迭代都做这一步是因为发现者和加入者的位置更新公式会同时改变两个维度没有任何一维能天然保持整数性。3.3 发现者、加入者与警戒者的位置更新公式每轮迭代中种群按适应度排序适应度最好的前 pNum 只麻雀作为发现者其余作为加入者。发现者的位置更新公式如下# i pNum 的麻雀是发现者 pop[i, j] pop[i, j] * np.exp(-i / (alpha * T)) if R2 ST \ else pop[i, j] Q * np.ones(1)这里 R2 是预警值ST 是安全阈值Q 是随机数。R2 小于 ST 表示环境安全发现者可以在当前位置附近精细搜索R2 大于等于 ST 表示捕食者出现所有麻雀需要快速飞离当前位置用随机扰动代替局部搜索。对应到 VMD 参数寻优里前半段 R2 大概率小于 ST种群在已有较优 K 和 alpha 附近细化后半段容易触发 R2 大于 ST强制部分个体跳出去探索新的参数区域避免所有麻雀都收敛到同一个局部最优点。加入者的位置更新策略是向当前最优个体靠拢pop[i, j] best_pos[j] np.abs(pop[i, j] - best_pos[j]) * np.dot(A, np.ones((dim, 1)))A 是 1 行 dim 列的随机矩阵且只有随机一个元素为 1其余为 0。代表的意思是加入者不是全维度向最优个体逼近而是随机选择一个维度学习。这样做的目的是减少早熟收敛的几率让 K 和 alpha 两个维度中相对更敏感的那个维度先靠近最优值另一个维度保留一定的自主性。实际运行中alpha 维度往往比 K 维度更早收敛这是正常的说明 alpha 对适应度函数的贡献更大。警戒者是每轮随机抽出的 sNum 只麻雀它们的更新逻辑是如果当前位置优于全局平均位置则向全局最优个体靠近否则向全局最差位置的反方向逃离。警戒者的数量通常占种群总数的 10% 到 20%它们的作用是打破种群的同质性。在实际信号分解场景中包络熵函数往往不是严格凸函数存在多个局部极小值警戒者数量太少会导致 SSA 反复收敛到同一个局部最优 K 和 alpha 组合上结果每次跑出来都一样反而值得警惕。3.4 VMD 模块调用与重构逻辑拿到最优 K 和 alpha 后进入最终分解阶段。VMD 程序内部是一个使用 ADMM 交替方向乘子法迭代求解的模块每次迭代都需要更新模态 u、中心频率 omega 和拉格朗日乘子 lambda。以下是一个标准 VMD 单次更新片段源码中是按类似逻辑封装成函数的def vmd_decompose(signal, K, alpha, tau0, tol1e-7): # u_hat: 频域模态初始化 # omega: 中心频率初始化 n len(signal) u_hat np.zeros((K, n), dtypecomplex) omega np.zeros((K,)) # 初始化omega为均匀分布 omega[:] np.linspace(0, np.pi, K, endpointFalse) # ADMM主循环 for i in range(max_iter): for k in range(K): # 更新第k个模态的频域表示 sum_u_hat np.sum(u_hat, axis0) - u_hat[k] u_hat[k] (signal_hat - sum_u_hat lambda_hat / 2) / \ (1 alpha * (freq - omega[k]) ** 2) # 更新中心频率按能量加权平均 omega[k] np.sum(freq * np.abs(u_hat[k]) ** 2) / \ np.sum(np.abs(u_hat[k]) ** 2 eps) # 双重上升更新拉格朗日乘子 lambda_hat tau * (signal_hat - np.sum(u_hat, axis0)) # 判断收敛更新前后模态差小于tol if np.linalg.norm(np.sum(u_hat, axis0) - signal_hat) / n tol: break拆开看这段代码里可以调的部分。tau 是噪声容忍度默认 0 表示完全重建信号对含噪明显的信号可以尝试 tau 设为 0.1 到 0.3让分解得到的模态之和不需要严格等于原始信号更利于低频趋势提取。tol 控制循环终止条件1e-7 是通用选择如果追求速度可以放宽到 1e-6。alpha 更新模态时出现在分母中alpha 越大模态在频域上的局部化程度越强谱线越瘦。降噪的最终动作不是分解本身而是分解后的筛选重构。源码输出的最后一个环节是把各 IMF 与原始信号做相关分析或频谱分析剔除明显以噪声能量为主的模态再把保留的 IMF 叠加。实操中我一般会看两个维度一是相关系数IMF 和原始信号相关系数低于 0.1 的模态大概率是噪声主导二是频谱峰值频率如果某个 IMF 的中心频率落在已知噪声频段内例如电源工频干扰可以直接丢弃。4. 实测数据降噪实验从 A.csv 到效果评估4.1 数据格式与环境配置A.csv 单列存储实际运行前先用 pandas 读进来检查一下长度和缺失值import pandas as pd data pd.read_csv(A.csv, headerNone, names[signal]) print(data.shape) print(data.head()) # 存在NaN时需要先填充或删除VMD不允许有缺失值 data data.dropna().reset_index(dropTrue)如果用户提供的信号是 xlsx 格式用pd.read_excel(A.xlsx, headerNone)即可。两个文件数据相同差异只在读取速度。数据量小看不出区别一旦超过十万行CSV 读取几乎瞬间完成而 xlsx 会卡顿一两秒。建议在 pycharm 里直接把 A.csv 作为默认数据源保持程序入口统一。运行环境方面SSA-VMD.py 核心依赖是 numpy、scipy、pandas、matplotlib。注意 scipy 里的Hilbert函数来自scipy.signal装新版本 scipy 时不要用from scipy.fftpack import hilbert这种旧写法新版已经移到 signal 模块了。TensorFlow 在这份源码中并没有被调用它是测试环境的预装组件实际跑 SSA-VMD 不必安装装了反而多占空间。4.2 参数设置建议与迭代配置源码头部的参数列表在运行前直接手动修改。针对 A.csv 的分量级下面这组参数是实践经验中比较稳的起点参数建议值说明种群大小 N15太小容易早熟太大拖慢单轮迭代最大迭代次数 T30一般 20 代后适应度变化趋于平缓发现者比例0.2即 pNum fpNum * N警戒者比例0.15即 sNum round(N * 0.15)K 搜索范围[2, 15]超过 15 会出现明显的过分解alpha 搜索范围[200, 5000]信号越光滑alpha 上限可以调小ST 安全阈值0.8警戒触发概率种群规模和迭代次数是直接影响运行时间的一对关系。A.csv 是几万点的信号单次 VMD 分解耗时在几百毫秒到一秒之间SSA 迭代 30 代每代算 15 次适应度总运行时间在 3 到 7 分钟量级属于可以接受的等待范围。如果信号长度超过 10 万点建议先把种群降到 10迭代次数保持 30不然单次测试要等十几分钟排查问题效率很低。4.3 降噪效果评估指标降噪效果不能只靠眼睛看图。源码绘制了原始信号、分解后的 IMF 分量图、重构信号对比图和三张频谱图。除了主观观察至少算三个量信噪比提升量、均方根误差 RMSE、相关系数。工程上最常用的是把降噪前后信噪比变化作为主指标计算方式如下def snr(original, denoised): # 信号功率 / 噪声功率噪声是两者之差 Ps np.sum(original ** 2) Pn np.sum((original - denoised) ** 2) snr_value 10 * np.log10(Ps / Pn) return snr_value # 分解并筛选IMF imfs vmd_decompose(data.values.flatten(), Kint(best_K), alphafloat(best_alpha)) # 假设保留前4个低频IMF丢弃高频残差 reconstructed np.sum(imfs[:4], axis0) print(SNR after denoising:, snr(data.values.flatten(), reconstructed)) print(RMSE:, np.sqrt(np.mean((data.values.flatten() - reconstructed) ** 2)))这里有一个容易误读的细节信噪比公式里的 original 是含噪信号不是纯净信号所以算出来的信噪比提升其实是重构信号与原始含噪信号的接近程度。只有在已知纯净信号存在的仿真数据中才能准确计算出真实信噪比改善量。实际工程里面对一段只有含噪信号的记录我一般会同时观察频段能量分布原始信号中高频段能量占比高、重构后高频段能量明显下降同时时域幅值包络结构没有被削平这两条同时满足才能说明降噪有效。4.4 运行结果的一般特征A.csv 里信号经过 SSA-VMD 分解筛选后典型表现是前两到三个 IMF 是有效成分后续的 IMF 中心频率越来越高幅值越来越小相关系数断崖式下降。这个现象对应 VMD 的频域划分特性alpha 越大低频IMF的带宽越窄噪声会自然被推向靠后的 IMF。SSA 搜索结果在多次运行时存在微小差异因为种群初始化是随机的但 K 通常稳定在 4 到 7 之间alpha 稳定在 800 到 2500 之间。如果每次搜索出来的最优参数差别巨大优先检查是不是数据里有缺失值或异常尖峰它们会干扰包络熵计算。5. 三种提升降噪稳定性的可选技巧5.1 收敛判据与早熟现象排查SSA 常见的失败模式是适应度曲线在前五轮就完全走平后续没有任何变化。这未必是找到了最优解更可能是种群多样性已经丧失。排查方法很直接打印每一代最优个体位置。如果从第 3 代开始所有个体都集中到同一种 K 和 alpha 组合上说明发现者机制没有发挥作用。此时可以扩大警戒者比例到 0.2同时把加入者学习维度改成随机维度而不是固定一个维度。另外K 作为整数参数时存在天然的离散性问题可以单独对 K 做小概率随机扰动让种群有机会跳出整数陷阱。5.2 批量处理多个信号文件时如何复用搜索参数课程设计里通常只需要处理 A.csv 一段信号但工程实际里往往面临几十个不同工况下采集的文件。如果对每个文件都重新跑一遍 SSA耗时成倍增长。一个折中做法是随机抽三个文件分别做 SSA 搜索当三个文件的 K 结果一致、alpha 处在同一数量级时直接取平均 alpha 和众数 K作为整批信号的固定参数。VMD 对 K 的敏感性远高于 alphaK 固定后 alpha 在 [0.5 倍, 2 倍] 之间的浮动对分解结果的影响通常可以接受。5.3 用分量相关性自动筛选而不是人工挑 IMF人工观察频谱图选择哪些 IMF 参与重构带很强的主观性。可以让程序自动做筛选预先设定一个相关系数阈值默认 0.15低于阈值的 IMF 直接丢弃。对于振动信号和语音降噪场景这套规则往往比人工挑选更稳定因为人工看图容易把包含周期冲击的噪声分量误判为有用成分。def auto_reconstruct(imfs, original, threshold0.15): keep_indices [] for i, imf in enumerate(imfs): corr np.corrcoef(imf, original)[0, 1] if abs(corr) threshold: keep_indices.append(i) # 只重构保留的分量 return np.sum(imfs[keep_indices], axis0), keep_indices这个函数可以放在源码文件末尾直接替换原来的手动筛选部分。相关系数阈值本身也是可调参数信噪比低的信号建议降低到 0.1否则会把微弱有效成分滤掉反过来如果信号比较干净阈值可以提高到 0.2。滤波完成后记得保存重构信号np.savetxt(denoised.csv, reconstructed, delimiter,)保存成 CSV 而不是直接 plt.show 结束好处是后续可以用 Audacity 之类的音频工具直接导入检查听感特别是语音降噪场景视觉波形和实际听感经常是两回事。源码图的保存用plt.savefig(result.png, dpi300)不要截图否则论文里分辨率不够。本文还有配套的精品资源点击获取 
长河君 · 2026/9/16 1:18:02 · 阅读 1.2k SSA-VMD信号降噪Python实现：麻雀算法自动优化参数与完整源码
简介一套基于Python的SSA-VMD信号分解降噪方案包含完整源码与配套数据面向计算机、电子信息工程、数学等专业学生适用于课程设计、期末大作业或毕业设计中的信号处理实验。资源共3个文件由Python源码脚本、Excel数据表与CSV数据文件组成压缩包整体仅18KB轻量精简便于直接运行与二次开发。代码采用参数化编程关键参数可随时调整并配有几乎一行一注释的保姆级注释能够帮助初学者深入理解奇异谱分析与变分模态分解的算法原理、参数调节逻辑以及降噪实现流程显著降低入门门槛。目前已有442人学习下载在同类信号处理资料中具备一定参考价值下载后既可对照数据快速运行也可逐行研读源码在理解基础上替换数据、调整参数或扩展功能为课程设计、论文写作提供可复现的示例支撑。1. 调参是信号降噪里最耗时的一环很多人第一次拿到 VMD 变分模态分解第一反应是终于不用像 EMD 那样频繁模态混叠了。结果真正跑起来才发现VMD 的惩罚因子 alpha 和模态数 K 一旦设得不对分解出来的 IMF 要么把有用信号切成碎片要么把噪声完整保留下来。这份 Python 实现的 SSA-VMD 信号分解降噪完整源码核心思路就是让麻雀搜索算法自己去替你把 K 和 alpha 找出来而不是靠一遍遍画图试凑。它不是实验台上的教学 demo整个工程只有 SSA-VMD.py、A.csv 和 A.xlsx 三份文件一行一注释参数集中在头部环境是 anaconda、pycharm、python 和可选的 tensorflow。适合正在做课程设计、期末大作业或者毕业设计的人也适合基础偏薄弱但想真正把 VMD 调参看明白的入门者。2. VMD 的两个参数为什么值得用 SSA 去搜2.1 K 和 alpha 对分解结果的影响方式VMD 的原理可以理解为把一段时域信号 x(t) 分解成 K 个中心频率为 omega_k 的窄带 IMF 分量每个分量的带宽由惩罚因子 alpha 控制。构造的约束变分模型如下# 目标函数让每个模态的带宽估计之和最小 # 约束条件所有模态之和等于原始信号 # min { sum_k || d/dt [(delta(t) j/pi*t) * u_k(t)] * e^(-j*omega_k*t) ||^2 } # s.t. sum_k u_k x这里 K 决定的是分几层alpha 决定的是每层允许多宽。K 设小了不同频率成分会挤在同一个 IMF 里降噪时一滤就把有用信号滤掉K 设大了同一频率成分会被劈成好几段模态之间出现严重混叠重构回来的信号形状完全走样。alpha 偏小时每个模态的带宽大会吸收旁边频段的噪声alpha 偏大时模态带宽极窄又容易把微弱的有效成分当作噪声丢掉。实际调参里最麻烦的是这两个参数是耦合的alpha 加大之后原本合适的 K 可能就不再合适。很多课程设计里常见的做法是把 K 从 2 扫到 10alpha 从 100 扫到 5000三层循环跑一个下午最后挑一组视觉上最好看的分解结果。问题在于视觉上最好看的包络不一定就是降噪效果最好的而且这种网格搜索的方式没有任何复用价值换一段信号又要重新跑一遍。2.2 为什么是 SSA 而不是网格搜索或遗传算法麻雀搜索算法是 2020 年前后提出的群智能优化算法模拟麻雀觅食和反捕食行为。种群里的个体分为发现者、加入者和警戒者发现者负责提供觅食方向和区域加入者跟随发现者获得更好位置同时一部分麻雀承担侦察警戒任务一旦发现天敌就带动整个种群飞向安全区域。放到 VMD 参数寻优这个场景里每一只麻雀的位置就是一个二维向量第一位是 K 的取值第二位是 alpha 的取值。和网格搜索相比SSA 的优势在于不需要遍历整个参数空间。网格搜索在 K 和 alpha 构成的二维网格上是全量枚举计算量是乘法级别的SSA 只需要迭代若干代每代评估几十个个体的适应度值总体调用 VMD 的次数通常只有网格搜索的十分之一甚至更少。和遗传算法相比SSA 的控制参数更少对新手更友好。遗传算法涉及交叉概率、变异概率、选择策略、种群规模、精英保留等一整套机制哪个参数没配对收敛速度会明显变慢。SSA 的流程更线性化初始化种群、计算适应度、更新发现者位置、更新加入者位置、随机警戒、判断是否越界循环迭代。程序实现上更好理解出 bug 时查起来也更直接。2.3 适应度函数为什么选包络熵适应度函数是整个 SSA-VMD 搜索过程里真正决定什么算好分解的标准。常见的选择有包络熵、排列熵、信息熵、峭度各有利弊。这份源码采用的是包络熵。包络熵的计算过程是把信号做 Hilbert 变换得到解析信号取模得到包络归一化后代入信息熵公式def envelope_entropy(imf): # 对IMF做Hilbert变换得到解析信号 analytic hilbert(imf) # 包络是解析信号的幅值 envelope np.abs(analytic) # 归一化让包络总和为1 p envelope / np.sum(envelope) # 包络熵信息熵公式值越小说明包络越集中、冲击性越强 entropy -np.sum(p * np.log(p 1e-12)) return entropy算法逻辑不复杂但必须理解一个关键前提包络熵最小说明信号的包络呈现出明显的稀疏性。对于轴承故障、齿轮损伤这一类信号故障冲击成分会形成清晰的周期性尖峰包络熵会显著低于纯噪声或平稳振动的包络熵。因此当 SSA 找到一组使整体包络熵最小的 K 和 alpha 时意味着分解结果里突出了冲击成分、抑制了均匀分布的噪声这正是降噪希望达到的效果。注意一点如果原始数据是平稳信号或者语音信号包络熵可能并不完全适用那可以把适应度函数替换成排列熵或者谱峭度。源码在程序头部以函数形式做了封装换适应度函数时不需要动 SSA 主循环。3. SSA-VMD 程序结构与核心实现拆解3.1 文件构成和运行入口压缩包里三份文件的分工是清晰的SSA-VMD.py 是全部代码A.csv 和 A.xlsx 是同一份实验数据的两种存储格式。CSV 是逗号分隔方便 pandas 直接读取Excel 则是为了在 Windows 上快速双击预览。如果数据量特别大优先使用 CSVxlsx 在大文件场景下读取速度明显偏慢。main 函数的执行顺序分四步。第一步读数据先判断文件后缀再选择 pandas 读取方式第二步对信号做归一化把幅值压到 [-1, 1] 区间主要为了让不同量纲的数据在 VMD 计算里保持数值稳定第三步调用 SSA 搜索最优参数第四步用最优参数执行 VMD 分解并绘图。这四步的先后顺序不能乱尤其是归一化和 SSA 搜索之间先归一化再寻优能显著减少 alpha 搜索范围的选择难度。3.2 SSA 种群初始化与边界处理麻雀个体的位置编码直接决定搜索效率。源码里每只麻雀的位置是 [K, alpha]K 是整数alpha 是浮点数。S个麻雀初始位置在 [K_min, K_max] 和 [alpha_min, alpha_max] 范围内随机生成。边界范围设置上是源码注释最多的部分因为参数边界直接决定搜索结果是否合理alpha 上限过高会增加VMD迭代时间下限过低则会失去窄带约束意义。dim 2 # K 和 alpha 两个维度 K_min, K_max 2, 15 alpha_min, alpha_max 200, 5000 # 种群初始化每一行是 [K, alpha] pop np.zeros((N, dim)) pop[:, 0] np.random.randint(K_min, K_max 1, N) pop[:, 1] alpha_min np.random.random(N) * (alpha_max - alpha_min)这里有个容易出错的地方K 在后续 VMD 调用中必须作为整数传入但 SSA 的位置更新公式会不断产生浮点数。因此每一代更新完位置后必须把 K 取整并夹取到边界内。源码里是这样处理的pop[:, 0] np.clip(np.round(pop[:, 0]), K_min, K_max) pop[:, 1] np.clip(pop[:, 1], alpha_min, alpha_max)取整操作放在边界夹取之前还是之后是有讲究的。先 round 再 clip可以把边界外的概率大大降低反过来先 clip 再 round在整数边界附近会有偏差。两者最终结果差别很小但先 round 更符合直觉。为什么要每次迭代都做这一步是因为发现者和加入者的位置更新公式会同时改变两个维度没有任何一维能天然保持整数性。3.3 发现者、加入者与警戒者的位置更新公式每轮迭代中种群按适应度排序适应度最好的前 pNum 只麻雀作为发现者其余作为加入者。发现者的位置更新公式如下# i pNum 的麻雀是发现者 pop[i, j] pop[i, j] * np.exp(-i / (alpha * T)) if R2 ST \ else pop[i, j] Q * np.ones(1)这里 R2 是预警值ST 是安全阈值Q 是随机数。R2 小于 ST 表示环境安全发现者可以在当前位置附近精细搜索R2 大于等于 ST 表示捕食者出现所有麻雀需要快速飞离当前位置用随机扰动代替局部搜索。对应到 VMD 参数寻优里前半段 R2 大概率小于 ST种群在已有较优 K 和 alpha 附近细化后半段容易触发 R2 大于 ST强制部分个体跳出去探索新的参数区域避免所有麻雀都收敛到同一个局部最优点。加入者的位置更新策略是向当前最优个体靠拢pop[i, j] best_pos[j] np.abs(pop[i, j] - best_pos[j]) * np.dot(A, np.ones((dim, 1)))A 是 1 行 dim 列的随机矩阵且只有随机一个元素为 1其余为 0。代表的意思是加入者不是全维度向最优个体逼近而是随机选择一个维度学习。这样做的目的是减少早熟收敛的几率让 K 和 alpha 两个维度中相对更敏感的那个维度先靠近最优值另一个维度保留一定的自主性。实际运行中alpha 维度往往比 K 维度更早收敛这是正常的说明 alpha 对适应度函数的贡献更大。警戒者是每轮随机抽出的 sNum 只麻雀它们的更新逻辑是如果当前位置优于全局平均位置则向全局最优个体靠近否则向全局最差位置的反方向逃离。警戒者的数量通常占种群总数的 10% 到 20%它们的作用是打破种群的同质性。在实际信号分解场景中包络熵函数往往不是严格凸函数存在多个局部极小值警戒者数量太少会导致 SSA 反复收敛到同一个局部最优 K 和 alpha 组合上结果每次跑出来都一样反而值得警惕。3.4 VMD 模块调用与重构逻辑拿到最优 K 和 alpha 后进入最终分解阶段。VMD 程序内部是一个使用 ADMM 交替方向乘子法迭代求解的模块每次迭代都需要更新模态 u、中心频率 omega 和拉格朗日乘子 lambda。以下是一个标准 VMD 单次更新片段源码中是按类似逻辑封装成函数的def vmd_decompose(signal, K, alpha, tau0, tol1e-7): # u_hat: 频域模态初始化 # omega: 中心频率初始化 n len(signal) u_hat np.zeros((K, n), dtypecomplex) omega np.zeros((K,)) # 初始化omega为均匀分布 omega[:] np.linspace(0, np.pi, K, endpointFalse) # ADMM主循环 for i in range(max_iter): for k in range(K): # 更新第k个模态的频域表示 sum_u_hat np.sum(u_hat, axis0) - u_hat[k] u_hat[k] (signal_hat - sum_u_hat lambda_hat / 2) / \ (1 alpha * (freq - omega[k]) ** 2) # 更新中心频率按能量加权平均 omega[k] np.sum(freq * np.abs(u_hat[k]) ** 2) / \ np.sum(np.abs(u_hat[k]) ** 2 eps) # 双重上升更新拉格朗日乘子 lambda_hat tau * (signal_hat - np.sum(u_hat, axis0)) # 判断收敛更新前后模态差小于tol if np.linalg.norm(np.sum(u_hat, axis0) - signal_hat) / n tol: break拆开看这段代码里可以调的部分。tau 是噪声容忍度默认 0 表示完全重建信号对含噪明显的信号可以尝试 tau 设为 0.1 到 0.3让分解得到的模态之和不需要严格等于原始信号更利于低频趋势提取。tol 控制循环终止条件1e-7 是通用选择如果追求速度可以放宽到 1e-6。alpha 更新模态时出现在分母中alpha 越大模态在频域上的局部化程度越强谱线越瘦。降噪的最终动作不是分解本身而是分解后的筛选重构。源码输出的最后一个环节是把各 IMF 与原始信号做相关分析或频谱分析剔除明显以噪声能量为主的模态再把保留的 IMF 叠加。实操中我一般会看两个维度一是相关系数IMF 和原始信号相关系数低于 0.1 的模态大概率是噪声主导二是频谱峰值频率如果某个 IMF 的中心频率落在已知噪声频段内例如电源工频干扰可以直接丢弃。4. 实测数据降噪实验从 A.csv 到效果评估4.1 数据格式与环境配置A.csv 单列存储实际运行前先用 pandas 读进来检查一下长度和缺失值import pandas as pd data pd.read_csv(A.csv, headerNone, names[signal]) print(data.shape) print(data.head()) # 存在NaN时需要先填充或删除VMD不允许有缺失值 data data.dropna().reset_index(dropTrue)如果用户提供的信号是 xlsx 格式用pd.read_excel(A.xlsx, headerNone)即可。两个文件数据相同差异只在读取速度。数据量小看不出区别一旦超过十万行CSV 读取几乎瞬间完成而 xlsx 会卡顿一两秒。建议在 pycharm 里直接把 A.csv 作为默认数据源保持程序入口统一。运行环境方面SSA-VMD.py 核心依赖是 numpy、scipy、pandas、matplotlib。注意 scipy 里的Hilbert函数来自scipy.signal装新版本 scipy 时不要用from scipy.fftpack import hilbert这种旧写法新版已经移到 signal 模块了。TensorFlow 在这份源码中并没有被调用它是测试环境的预装组件实际跑 SSA-VMD 不必安装装了反而多占空间。4.2 参数设置建议与迭代配置源码头部的参数列表在运行前直接手动修改。针对 A.csv 的分量级下面这组参数是实践经验中比较稳的起点参数建议值说明种群大小 N15太小容易早熟太大拖慢单轮迭代最大迭代次数 T30一般 20 代后适应度变化趋于平缓发现者比例0.2即 pNum fpNum * N警戒者比例0.15即 sNum round(N * 0.15)K 搜索范围[2, 15]超过 15 会出现明显的过分解alpha 搜索范围[200, 5000]信号越光滑alpha 上限可以调小ST 安全阈值0.8警戒触发概率种群规模和迭代次数是直接影响运行时间的一对关系。A.csv 是几万点的信号单次 VMD 分解耗时在几百毫秒到一秒之间SSA 迭代 30 代每代算 15 次适应度总运行时间在 3 到 7 分钟量级属于可以接受的等待范围。如果信号长度超过 10 万点建议先把种群降到 10迭代次数保持 30不然单次测试要等十几分钟排查问题效率很低。4.3 降噪效果评估指标降噪效果不能只靠眼睛看图。源码绘制了原始信号、分解后的 IMF 分量图、重构信号对比图和三张频谱图。除了主观观察至少算三个量信噪比提升量、均方根误差 RMSE、相关系数。工程上最常用的是把降噪前后信噪比变化作为主指标计算方式如下def snr(original, denoised): # 信号功率 / 噪声功率噪声是两者之差 Ps np.sum(original ** 2) Pn np.sum((original - denoised) ** 2) snr_value 10 * np.log10(Ps / Pn) return snr_value # 分解并筛选IMF imfs vmd_decompose(data.values.flatten(), Kint(best_K), alphafloat(best_alpha)) # 假设保留前4个低频IMF丢弃高频残差 reconstructed np.sum(imfs[:4], axis0) print(SNR after denoising:, snr(data.values.flatten(), reconstructed)) print(RMSE:, np.sqrt(np.mean((data.values.flatten() - reconstructed) ** 2)))这里有一个容易误读的细节信噪比公式里的 original 是含噪信号不是纯净信号所以算出来的信噪比提升其实是重构信号与原始含噪信号的接近程度。只有在已知纯净信号存在的仿真数据中才能准确计算出真实信噪比改善量。实际工程里面对一段只有含噪信号的记录我一般会同时观察频段能量分布原始信号中高频段能量占比高、重构后高频段能量明显下降同时时域幅值包络结构没有被削平这两条同时满足才能说明降噪有效。4.4 运行结果的一般特征A.csv 里信号经过 SSA-VMD 分解筛选后典型表现是前两到三个 IMF 是有效成分后续的 IMF 中心频率越来越高幅值越来越小相关系数断崖式下降。这个现象对应 VMD 的频域划分特性alpha 越大低频IMF的带宽越窄噪声会自然被推向靠后的 IMF。SSA 搜索结果在多次运行时存在微小差异因为种群初始化是随机的但 K 通常稳定在 4 到 7 之间alpha 稳定在 800 到 2500 之间。如果每次搜索出来的最优参数差别巨大优先检查是不是数据里有缺失值或异常尖峰它们会干扰包络熵计算。5. 三种提升降噪稳定性的可选技巧5.1 收敛判据与早熟现象排查SSA 常见的失败模式是适应度曲线在前五轮就完全走平后续没有任何变化。这未必是找到了最优解更可能是种群多样性已经丧失。排查方法很直接打印每一代最优个体位置。如果从第 3 代开始所有个体都集中到同一种 K 和 alpha 组合上说明发现者机制没有发挥作用。此时可以扩大警戒者比例到 0.2同时把加入者学习维度改成随机维度而不是固定一个维度。另外K 作为整数参数时存在天然的离散性问题可以单独对 K 做小概率随机扰动让种群有机会跳出整数陷阱。5.2 批量处理多个信号文件时如何复用搜索参数课程设计里通常只需要处理 A.csv 一段信号但工程实际里往往面临几十个不同工况下采集的文件。如果对每个文件都重新跑一遍 SSA耗时成倍增长。一个折中做法是随机抽三个文件分别做 SSA 搜索当三个文件的 K 结果一致、alpha 处在同一数量级时直接取平均 alpha 和众数 K作为整批信号的固定参数。VMD 对 K 的敏感性远高于 alphaK 固定后 alpha 在 [0.5 倍, 2 倍] 之间的浮动对分解结果的影响通常可以接受。5.3 用分量相关性自动筛选而不是人工挑 IMF人工观察频谱图选择哪些 IMF 参与重构带很强的主观性。可以让程序自动做筛选预先设定一个相关系数阈值默认 0.15低于阈值的 IMF 直接丢弃。对于振动信号和语音降噪场景这套规则往往比人工挑选更稳定因为人工看图容易把包含周期冲击的噪声分量误判为有用成分。def auto_reconstruct(imfs, original, threshold0.15): keep_indices [] for i, imf in enumerate(imfs): corr np.corrcoef(imf, original)[0, 1] if abs(corr) threshold: keep_indices.append(i) # 只重构保留的分量 return np.sum(imfs[keep_indices], axis0), keep_indices这个函数可以放在源码文件末尾直接替换原来的手动筛选部分。相关系数阈值本身也是可调参数信噪比低的信号建议降低到 0.1否则会把微弱有效成分滤掉反过来如果信号比较干净阈值可以提高到 0.2。滤波完成后记得保存重构信号np.savetxt(denoised.csv, reconstructed, delimiter,)保存成 CSV 而不是直接 plt.show 结束好处是后续可以用 Audacity 之类的音频工具直接导入检查听感特别是语音降噪场景视觉波形和实际听感经常是两回事。源码图的保存用plt.savefig(result.png, dpi300)不要截图否则论文里分辨率不够。本文还有配套的精品资源点击获取