设为首页收藏本站
开启辅助访问 切换到宽版

科学网

 找回密码
  注册
科学网 › 标签 › 长期精密体温

tag 标签: 长期精密体温

相关帖子

 版块 作者 回复/查看 最后发表

没有相关内容

相关日志

71、体温信号总体经验模式分解(eemd)研究(二)
baishp 2020-3-31 16:02
71、体温信号总体经验模式分解(eemd)研究(二) 上篇博文写了“体温信号总体经验模式分解”中，同时分解出组数最多的17Gimf。这篇看看其它情况。在分解出10000组17Gimf的同时时，分解组数第二的是16Gimf，大约为6000多组。由于不明原因，也许是误操作，丢失了大部分数据。剩下的数据稍加补充，凑成了一个整数2100组。看看它的总体合成imf各分量周期-能量情况： figure(2); W=1080; H=720; fg=figure(2); set(fg,'position', ); set(gca,'position', ); hold on aaimf=zeros(16,95196); for i=1:210 aimf=zeros(16,95196); for j=1:10 k=(i-1)*10+j; imf=ST16(k).imf;%ST16为存有2100组16Gimf的结构变量 aimf=aimf+imf; end aimf=aimf/10; AL(i).imf=aimf; %下面计算该组aimf的正交指数 s = 0; for j = 1:17 for k =1:17 if j~=k fj=aimf(j,:); fk=aimf(k,:); fc=(fj*conj(fk)')/(x*x'); s = s + abs(fc); end end end AL(i).ort=s/2; aort(i)=s/2; aaimf=aaimf+aimf; end aaimf=aaimf/210; AAL16.imf=aaimf; for i=1:210 for j=1:15 imff=AL16(i).imf(j,:); =extr(imff); z9=ze(end); z1=ze(1); zl=length(ze); zq=2*( z9-z1)/(zl-1); AL16(i).zq(j)=zq; nl=imff*imff'; AL16(i).nl(j)=nl; plot(log(zq),log(nl),'.g') end end title('十合2100合16Gimf各分量周期-能量图') for j=1:15 imff=AAL16.imf(j,:); =extr(imff); z9=ze(end); z1=ze(1); zl=length(ze); zqj=2*( z9-z1)/(zl-1); zq(j)=zqj; nlj=imff*imff'; nl(j)=nlj; plot(log(zq),log(nl),'or') plot(log(zq),log(nl),'hr') end AAL16.zq=zq; AAL16.nl=nl; %下面计算该组aaimf的正交指数 s = 0; for j = 1:16 for k =1:16 if j~=k fj=aaimf(j,:); fk=aimf(k,:); fc=(fj*conj(fk)')/(x*x'); s = s + abs(fc); end end end AAL16.ort=s/2; aaort=s/2; 另外，原始（未加噪）的体温信号 x=TW793312的emd分解： =emd(x); 得到的是1组16Gimf。 for j=1:15 imff=imf0(j,:); =extr(imff); z9=ze(end); z1=ze(1); zl=length(ze); zq=2*(z9-z1)/(zl-1); zq0(j)=zq; nl=imff*imff'; nl0(j)=nl; figure(2) hold on plot(log(zq),log(nl),'xb') end 如下图： 图71-1 十合2100合及原分析信号16Gimf各分量周期-能量图 首先可以看到，虽然同为16Gimf，但原始未加噪信号之imf各分量周期-能量点，与总体合成后的imf各分量周期-能量点的分布，有很大差距。说明emd的总体合成计算是及其必要的。 另外，十合、2100合16Gimf各分量的周期-能量点的聚散性，与17Gimf基本上是一样的。不多说。 其余剩下的14Gimf、15Gimf、18Gimf、19Gimf组数分别为10、781、1486、21组。统一将其叠加取均合成，各得1组imf。求各组及原始分析信号imf0、原万合17Gimf、2100合16Gimf各分量之周期、能量，得各组的周期向量zq0、zq14、zq15、zq16、zq17、zq18、zq19.，能量向量nl0、nl14、nl15、nl16、nl17、nl18、nl19。 绘zq-nl图： figure(5); W=1080; H=720; fg=figure(5); set(fg,'position', ); set(gca,'position', ); hold on zq=zq0;%zq14、zq15、zq16、zq17、zq18、zq19 nl=nl0;%nl14、nl15、nl16、nl17、nl18、nl19。 plot(log(zq),log(nl),'o--b') title('不同分量个数的各合成imf组的周期-能量图') 得： 图71-2 原始信号imf0及各Gimf最大合imf各分量之周期-能量图 14Gimf周期-能量图与原分析信号imf0周期能量图极接近，可能跟14Gimf合成的组数10组太少有关。 此图仅作为资料保存。 各Gimf各分量周期： zq1412=zq14/12; zq14365=zq1412/365.2422; zq1512=zq15/12; zq15365=zq1512/365.2422; zq1612=zq16/12; zq16365=zq1612/365.2422; zq012=zq0/12; zq0365=zq012/365.2422; zq1712=zq17/12; zq17365=zq1712/365.2422; zq1812=zq18/12; zq18365=zq1812/365.2422; zq1912=zq19/12; zq19365=zq1912/365.2422; zq14= ; zq15= ; zq16= ; zq0= ; zq17= ; zq18= ; zq19= ; 图71-3 14Gimf、15Gimf、16Gimf各分量平均周期 图71-4 原体温分析信号之imf各分量平均周期 图71-5 17Gimf、18Gimf、19Gimf各分量平均周期 上面7栏中，第1列为“时辰”，第2列为“天”，第3列为“年”。 可以看出，14Gimf、15Gimf的数据是不能用的，因为连18年（多）这个大能量长周期都没有。而这个长周期，无论在图形中还是在上上篇博文自相关函数分析中都是已经确定无疑的。 其余各周期数据，目前暂且只能放在这里，在日后其它方法分析周期时作为佐证资料。 各合16Gimf各正交指数（向量）之均值、标准差 mort=mean(ort); sort=std(ort); maort=mean(aort); saort=std(aort); maaort=aaort; saaort=0; 图71-6 原体温信号imf0及各合16Gimf正交指数 ort0是原体温信号imf0的正交指数，ort是初次分解的16Gimf长度为2100的正交指数向量， aort为十合16Gimf长度为210的正交指数向量，aaort为2100合16Gimf之正交指数。 mort0、mort、maort、maaort；sort0、sort、saort、saaort分别是上述4个正交指数（向量） 的均值与标准差。 与上篇博文数据比较，可以看出16Gimf正交指数较17Gimf正交指数略小， 意即前者分解质量较后者略优。 上面是16Gimf正交指数 下面把初次分解的14Gimf、15Gimf、16Gimf、17Gimf、18Gimf、19Gimf之正交指数都调出来放在一起，加以比较： for i=1:10 ort14(i)=ST14_10(i).ort; end for i=1:781 ort15(i)=ST15_781(i).ort; end for i=1:1486 ort18(i)=ST18_1486(i).ort; end for i=1:21 ort19(i)=ST19_21(i).ort; end 图71-7 各Gimf正交指数 上表中，ort0是原体温分析信号imf0之正交指数，ort14、ort15、ort16、ort17、ort18、ort19分别是 14Gimf、15Gimf、16Gimf、17Gimf、18Gimf、19Gimf之正交指数（向量）。 向量名前加“m”的是其均值，加“s”的是其标准差。 可以很容易看出，分解出组数最多的17Gimf，其正交指数最大，意即分解质量最差。
个人分类: 斤斤计较|1941 次阅读|0 个评论
70、体温信号总体经验模式分解(eemd)研究(一)
baishp 2020-3-31 15:33
70、体温信号总体经验模式分解(eemd)研究(一) 我在博文《51、根据imf分量个数分组_我的eemd方法(一)》谈了eemd分组分解方法。现在继续研究eemd。 令输入 x=TW793312(:)';%体温分析信号，行向量。 nstd=0.1; n=10000; 进行分解。 原分析信号x：imf0=emd(x)，得到的imf0是一组16个分量（含残余项。下同）的imf， 但经过加噪处理的信号xr: lx=length(x); sd=std(x); r=randn(1,lx); ran=r*sd*nstd; xr=x+ran; 经过试运行后，确认得到分量个数最多的分解，是17个分量的分解。 因此分解次数n=10000次是针对17个分量的分解而言。 由于n=10000太大，分做了10次运行，每次运行n=1000次，10次运行花了4天3夜。另外由于系统不稳、不熟、失误而丢失数据，总共花了将近10天（夜）才完成这项任务。 程序： function =imfstr(x,nstd,n); lx=length(x); sd=std(x); dv=17;% dv=size(imf,1);分解所得imf个数 i=1; ST= ; ST2= ; ST_1= ; ST_3= =emd(xr); %分解所得imf个数等于原分析信号分解所得imf个数时 if size(imf,1)==dv; ST(i).imf=imf; ST(i).ort=o; ST(i).ran=ran; i=i+1; %分解所得imf个数比原分析信号分解所得imf个数多出3个时 elseif size(imf,1)=dv+3; ST3(m3).imf=imf; ST3(m3).ort=o; ST3(m3).ran=ran; m3=m3+1; %分解所得imf个数比原分析信号分解所得imf个数多出2个时 elseif size(imf,1)==dv+2; ST2(m2).imf=imf; ST2(m2).ort=o; ST2(m2).ran=ran; m2=m2+1; %分解所得imf个数比原分析信号分解所得imf个数多出1个时 elseif size(imf,1)==dv+1; ST1(m1).imf=imf; ST1(m1).ort=o; ST1(m1).ran=ran; m1=m1+1; %分解所得imf个数比原分析信号分解所得imf个数少出1个时 elseif size(imf,1)==dv-1; ST_1(m_1).imf=imf; ST_1(m_1).ort=o; ST_1(m_1).ran=ran; m_1=m_1+1; %分解所得imf个数比原分析信号分解所得imf个数少出2个时 elseif size(imf,1)==dv-2; ST_2(m_2).imf=imf; ST_2(m_2).ort=o; ST_2(m_2).ran=ran; m_2=m_2+1; %分解所得imf个数比原分析信号分解所得imf个数少出3个时 elseif size(imf,1)=dv-3; ST_3(m_3).imf=imf; ST_3(m_3).ort=o; ST_3(m_3).ran=ran; m_3=m_3+1; end end end 为了叙述方便，以后我把16个分量的imf称作“16Gimf”，17个分量的imf称作“17Gimf”。。。余类推。 将16Gimf的数量记做“n16Gimf”，17Gimf的数量记做“n17Gimf”。。。余类推。 在n=10000次的目标下，最后得到的结果是： n19Gimf=9; n18Gimf=702; n17Gimf=10000; n16Gimf=6386; n15Gimf=354; n14Gimf=3; 下面只看10000组17Gimf。我把10组，100组、1000组、10000组 17Gimf 加和取均得到的17Gimf分别称为十合17Gimf、百合17Gimf、千合17Gimf、万合17Gimf。研究的目的有三个个：1，看imf各分量的“周期-能量”点在加和取均过程中的聚散性；2，看imf各分量的“异常极值点（大于0的极小值与小于0的极大值）”在加和取均过程中的位置聚散性与数量变化趋势。3，看各合之imf组的正交指数变化情况。 下面函数ALf=ALST(ST)中，输入 ST 是存有1000组17Gimf的结构变量，输出 ALf 是存有100组的十合17Gimf的结构变量： function ALf=ALST(ST); Lx=size(ST(1).imf,2); for h=1:10 STh=ST((h-1)*100+1:(h-1)*100+100); for i=1:10 BL(i).imf=zeros(17,Lx); for j=1:10 k=(i-1)*10+j; BL(i).imf=BL(i).imf+STh(k).imf; end AL(i).imf=BL(i).imf/10; end ALf((h-1)*10+1:(h-1)*10+10)=AL; end 下面函数中，输入x是原体温分析信号，ALf是存有100组十合17Gimf的结构变量， 输出AL是存有100组十合17Gimf及其异常极值点、各分量周期-能量信息及各组正交指数的结构变量； AAL 是存有10组百合17Gimf及其异常极值点、各分量周期-能量信息及各组正交指数的结构变量； AAAL 是存有1组千合17Gimf及其异常极值点、各分量周期-能量信息及各组正交指数的结构变量； ALp、AALp、AAALp分别是100组十合17Gimf、10组百合17Gimf、1组千合17Gimf的第JJ分量中异常极值点平均数 function =A123L(x,ALf); x=x(:)';%行向量 Lx=length(x);% 95196; zs=zeros(1,Lx); figure(20); W=1080; H=720; fg=figure(20); set(fg,'position', ); set(gca,'position', ); figure(25); W=1080; H=720; fg=figure(25); set(fg,'position', ); set(gca,'position', ); figure(30); W=1080; H=720; fg=figure(30); set(fg,'position', ); set(gca,'position', ); %以下提取ALf各种参数，并作图 JJ=12;%选定十合17Gimf的第JJ个分量。 ALp=0;%十合17Gimf第JJ分量的异常极值点数。 for i=1:100 aimf=ALf(i).imf; for j=1:16 imff=aimf(j,:); =extr(imff);%输出分别为极小值、极大值、过零点 mnd=length(mn);%极小值个数 mxd=length(mx);%极大值个数 mnxd=mnd+mxd;%极值个数 AL(i).mnxd(j)=mnxd;%极值个数存档 mnz=find(imff(mn)0);%大于零的极小值 mnzd=length(mnz);%大于零的极小值个数 mxf=find(imff(mx)0);%小于零的极大值 mxfd=length(mxf);%小于零的极大值个数 AL(i).mnzc{j}=mn(mnz);%大于零的极小值位置存档 AL(i).mxfc{j}=mx(mxf);%小于零的极大值位置存档 mzfd=mnzd+mxfd;%异常极值总数 AL(i).mzfd(j)=mzfd;%异常极值总数存档 mdt=mzfd/mnxd;%异常极值占极值总数比例 AL(i).mdt(j)=mdt;%存档 z9=zr(end);%最后一个过零点位置 z1=zr(1);%第一个过零点位置 zl=length(zr);%过零点数量 zq=2*( z9-z1)/(zl-1);%imff周期 AL(i).zq(j)=zq;%周期存档 nl=imff*imff';%imff的能量。 AL(i).nl(j)=nl;%能量存档。 figure(20) hold on plot(log(zq),log(nl),'.g')%此imff的周期-能量点 figure(25) hold on plot(j,AL(i).mdt(j),'.g')%此imff的异、常极值点数比 end ALp=ALp+AL(i).mzfd(JJ);%各组17Gimf的第JJ分量异常极值个数累计 mnz=AL(i).mnzc(JJ);%各组imf的第JJ分量大于零极小值调出 mnz=cell2mat(mnz);%转换 mxf=AL(i).mxfc(JJ);%各组imf的第JJ分量小于零极大值调出 mxf=cell2mat(mxf);%转换 AL(i).imf=ALf(i).imf; imff=AL(i).imf(JJ,:);%imfJJ分量调出 figure(30) hold on plot(mnz,imff(mnz),'.g')%打印出100组十合17Gimf的第JJ分量大于零的极小值 hold on plot(mxf,imff(mxf),'.g')%打印出100组十合17Gimf的第JJ分量小于零的极大值 hold on plot(zs) %下面计算该组aimf的正交指数 s = 0; for j = 1:17 for k =1:17 if j~=k fj=aimf(j,:); fk=aimf(k,:); fc=(fj*conj(fk)')/(x*x'); s = s + abs(fc); end end end AL(i).ort=s/2; end ALp=ALp/100;0组十合17Gimf第JJ分量的异常极值点数平均。 %以下将AL中的100组十合17Gimf累加平均，得到10组百合17Gimf，存于AAL for i=1:10 AAL(i).imf=zeros(17,Lx); for j=1:10 k=(i-1)*10+j; AAL(i).imf=AAL(i).imf+AL(k).imf;组十合17Gimf累加 end AAL(i).imf=AAL(i).imf/10;%平均，得到1组百合17Gimf，存于AAL。 end % AAL存了10组百合17Gimf。 %以下提取AAL各种参数，并作图 AALp=0; for i=1:10 aaimf=AAL(i).imf; for j=1:16 imff=aaimf(j,:); =extr(imff); mnd=length(mn);%极小值个数 mxd=length(mx);%极大值个数 mnxd=mnd+mxd; AAL(i).mnxd(j)=mnxd;%极值个数之和 mnz=find(imff(mn)0);%大于零的极小值 mnzd=length(mnz);%大于零的极小值个数 mxf=find(imff(mx)0);%小于零的极大值 mxfd=length(mxf);%小于零的极大值个数 AAL(i).mnzc{j}=mn(mnz);%大于零的极小值位置 AAL(i).mxfc{j}=mx(mxf);%小于零的极大值位置 mzfd=mnzd+mxfd;%异常极值总数 AAL(i).mzfd(j)=mzfd;%异常极值总数存档 mdt=mzfd/mnxd;%异常极值占极值总数比例 AAL(i).mdt(j)=mdt; z9=zr(end); z1=zr(1); zl=length(zr); zq=2*( z9-z1)/(zl-1); AAL(i).zq(j)=zq; nl=imff*imff'; AAL(i).nl(j)=nl; figure(20) hold on plot(log(zq),log(nl),'*b') figure(25) hold on plot(j,mdt,'*b') end AALp=AALp+AAL(i).mzfd(JJ);% 10组百合17Gimf的第12分量异常极值个数累加。 mnz=AAL(i).mnzc(JJ);%各组imf的第12分量大于零极小值调出 mnz=cell2mat(mnz);%转换 mxf=AAL(i).mxfc(JJ);%各组imf的第12分量小于零极大值调出 mxf=cell2mat(mxf);%转换 imff=AAL(i).imf(JJ,:); % 17Gimf第12分量调出 figure(30) hold on plot(mnz,imff(mnz),'*b')%打出10组百合17Gimf的第12分量大于零的极小值 hold on plot(mxf,imff(mxf),'*b')%打出10组百合17Gimf的第12分量小于零的极大值 plot(zs) %下面计算该组aaimf的正交指数 s = 0; for j = 1:17 for k =1:17 if j~=k fj=aaimf(j,:); fk=aaimf(k,:); fc=(fj*conj(fk)')/(x*x'); s = s + abs(fc); end end end AAL(i).ort=s/2; end AALp=AALp/10;%得到10组百合17Gimf的第12分量的异常极值点数平均值 %以下将AAL中的10组百合17Gimf累加平均，得到1组千合17Gimf，存于AAAL AAAL.imf=zeros(17,Lx); for i=1:10 AAAL.imf=AAAL.imf+AAL(i).imf; end AAAL.imf=AAAL.imf/10; %以下提取AAAL各种参数，并作图 aaaimf=AAAL.imf; for j=1:16 imff=aaaimf(j,:); =extr(imff); mnd=length(mn);%极小值个数 mxd=length(mx);%极大值个数 mnxd=mnd+mxd; AAAL.mnxd(j)=mnxd;%极值个数之和 mnz=find(imff(mn)0);%大于零的极小值 mnzd=length(mnz);%大于零的极小值个数 mxf=find(imff(mx)0);%小于零的极大值 mxfd=length(mxf);%小于零的极大值个数 AAAL.mnzc{j}=mn(mnz);%大于零的极小值位置 AAAL.mxfc{j}=mx(mxf);%小于零的极大值位置 mzfd=mnzd+mxfd;%异常极值总数 AAAL.mzfd(j)=mzfd;%异常极值总数存档 mdt=mzfd/mnxd;%异常极值占极值总数比例 AAAL.mdt(j)=mdt; z9=zr(end); z1=zr(1); zl=length(zr); zq=2*( z9-z1)/(zl-1);%imff周期 AAAL.zq(j)=zq;%周期存档 nl=imff*imff';%imff的能量。 AAAL.nl(j)=nl;%能量存档。 figure(20) hold on plot(log(zq),log(nl),'^k') figure(25) hold on plot(j,mdt,'^k') end imff=aaaimf(JJ,:); =extr(imff); mnz=find(imff(mn)0); mxf=find(imff(mx)0); AAALp=length(mnz)+length(mxf); figure(30) hold on plot(mn(mnz),imff(mn(mnz)),'^k') plot(mx(mxf),imff(mx(mxf)),'^k') plot(zs) %下面计算该组aaaimf的正交指数 s = 0; for j = 1:17 for k =1:17 if j~=k fj=aaaimf(j,:); fk=aaaimf(k,:); fc=(fj*conj(fk)')/(x*x'); s = s + abs(fc); end end end AAAL.ort=s/2; end 上面所得到的AAAL是存有1组千合17Gimf的结构变量。它由存有1000组原初17Gimf的结构变量ST所得。 最初分解了10000组17Gimf，因此有10个这样的ST变量，记为ST01、ST02、ST03、ST04、ST05、ST06、ST07、ST08、ST09、ST10。分别作同样运算，得到10个这样的AAAL结构变量，分别记为AAAL01、AAAL02、 AAAL03、AAAL04、AAAL05、AAAL06、AAAL07、AAAL08、AAAL09、AAAL10。 令AAAL= ; 以下函数输入此AAAL，输出AAAAL含1组万合17Gimf，及其各分量之异常极值点信息。 AAAALp是其指定的第JJ分量的异常极值点个数。x是原体温分析信号。 function =A34L(x,AAAL); x=x(:)'; Lx=length(x); z=zeros(1,Lx); %以下将10组AAAL的千合17Gimf累加平均，得到1组万合17Gimf， %存于AAAAL中。 AAAAL.imf=zeros(17,Lx); for i=1:10 AAAAL.imf=AAAAL.imf+AAAL(i).imf; end AAAAL.imf=AAAAL.imf/10; %以下提取AAAAL各种参数，并作图 aaaaimf=AAAAL.imf; for j=1:16 imff=aaaaimf(j,:); =extr(imff); mnd=length(mn);%极小值个数 mxd=length(mx);%极大值个数 mnxd=mnd+mxd; AAAAL.mnxd(j)=mnxd;%极值个数之和 mnz=find(imff(mn)0);%大于零的极小值 mnzd=length(mnz);%大于零的极小值个数 mxf=find(imff(mx)0);%小于零的极大值 mxfd=length(mxf);%小于零的极大值个数 AAAAL.mnzc{j}=mn(mnz);%大于零的极小值位置 AAAAL.mxfc{j}=mx(mxf);%小于零的极大值位置 mzfd=mnzd+mxfd;%异常极值总数 AAAAL.mzfd(j)=mzfd;%异常极值总数存档 mdt=mzfd/mnxd;%异常极值占极值总数比例 AAAAL.mdt(j)=mdt; z9=zr(end); z1=zr(1); zl=length(zr); zq=2*( z9-z1)/(zl-1);%imff周期 AAAAL.zq(j)=zq;%周期存档 nl=imff*imff';%imff的能量。 AAAAL.nl(j)=nl;%能量存档。 figure(20) hold on plot(log(zq),log(nl),'or')%^b plot(log(zq),log(nl),'pr') figure(25) hold on plot(j,mdt,'or')% log()*b plot(j,mdt,'pr') end imff=AAAAL.imf(12,:); =extr(imff); mnz=find(imff(mn)0); mxf=find(imff(mx)0); AAAALp=length(mnz)+length(mxf); figure(30) hold on plot(mn(mnz),imff(mn(mnz)),'or')%^b plot(mn(mnz),imff(mn(mnz)),'pr') plot(mx(mxf),imff(mx(mxf)),'or')%^b plot(mx(mxf),imff(mx(mxf)),'pr') plot(z) %下面计算该组aaaaimf的正交指数 s = 0; for j = 1:17 for k =1:17 if j~=k fj=aaaaimf(j,:); fk=aaaaimf(k,:); fc=(fj*conj(fk)')/(x*x'); s = s + abs(fc); end end end AAAAL.ort=s/2; end 如前所述，我一共分解了10000组17Gimf，分成了10部分，每部分1000组17Gimf，分别存在结构变量ST01、ST02......ST10中。对每个ST施行上述运算，每起运算可以得到一组长度分别为100、10、1的十、百、千合的AL、AAL、AAAL17Gimf，每组17Gimf对应1个正交指数。 提取每部分ST中的ort数据： ST=ST01;%ST02、ST03。。。 for i=1:1000 ort(i)=ST(i).ort； end 得到10段长度各为1000的ort（ort01、ort02。。。） 提取AL17Gimf中的ort： AL=AL01;%AL02、AL03。。。 for i=1:100 aort(i)=AL(i).ort; end 得到10段长度各为100的aort。 提取AAL17Gimf中的ort： AAL=AAL01; % AAL02、AAL03。。。 for i=1:10 aaort(i)=AAL(i).ort; end 得到10段长度各为10的aaort。 提取AAAL17Gimf中的ort： aaaort=AAAL17.ort; 得到10个aaaort。 将上面10段（个）ort、aort、aaort、aaaort合并，得到长度分别为10000、1000、100、10的ort、 aort、aaort、aaaort. 再将AAAAL17Gimf中的ort提取： aaaaort=AAAAL.ort; 计算各正交指数向量的方差、标准差： mort=mean(ort); sort=std(ort); maort=mean(aort); saort=std(aort); maaort=mean(aaort); saaort=std(aort); maaaort=mean(aaaort); saaaort=std(aaaort); maaaaort=aaaaort; saaaaort=0; 现在可以贴图了： 图70-1 十百千万合17Gimf各分量的周期-能量图 可以看出：1、随着合成组数的增加，各分量的周期-能量点逐步向1点聚集。 2，有3个（组）分量的能量特别大：第2(3)分量、第12(13)分量与第16分量。 它们与我上一篇博文中的“图69-4 自相关函数emd分解各分量周期-能量关系图” 的特征是一致的，只是imf分量的个数、序数不一样而已。 具体的周期数据，待下一篇与14、15、16、18、19Gimf一起分析。 图70-2 上图局部放大图 可以看出，周期-能量点主要在纵轴能量方向聚集，而在横轴周期方向是向右 侧某一极限值收敛，而且是“有级、跳跃性”的。 图70-3 十百千万合17Gimf各分量异常极值点占总极值点数比例 变化比较复杂。1，在短周高频分量中，占比受合成次数影响较小，而在长周低频分量中， 受合成次数影响很大。合成次数越少占比越大，合成次数越多占比越小。 图70-4 十百千万合17Gimf第12分量的异常极值点数量与位置 特点分析：1、随着合成次数的增加，异常极值点会向某一些位置聚集 2、在幅值方向上的收敛是连续的，在时间上的收敛是分级（离散）的。 3、在时间点上，聚集的位置最后会固定在几处，而最初的一些位置会被完全“抛弃”。 图70-5 上图放大 图70-6 十百千万合17Gimf第12分量的异常极值点平均数 从此表可以确定，增加imf的总体合成组数，其各分量中异常极值点数量不但不会减少，而且还会增加。因此通过增加合成组数的方法，是不可能得到严格的imf（无异常极值点）的。 图70-7 各合17Gimf之正交指数向量及其均值、标准差。 ort、aort、aaort、aaaort、aaaaort、分别是初次分解、十、百、千、万合17Gimf正交指数向量。 mort、maort、maaort、maaaort、maaaaort、分别是上述正交指数的均值； sort、saort、saaort、saaaort、saaaaort、分别是上述正交指数的标准差。 m5s是将上面10个变量合在一起，以方便截图查看更精确的数据。下图即该截图。 图70-8 各合17Gimf正交指数的均值、标准差（长数据） 第1、2、3、4、5行分别为万组初次分解、千组十合、百组百合、十组千合、一组万合17Gim正交指数的 均值与标准差。 第1列为均值，第2列为标准差 可以看出从第1~第4行的正交指数均值都是递减的。第5行略有增加，但由于数据太少，从第4行右侧的标准差来看，完全可以断定属于随机误差。因此可以得出结论：随着参加叠加合成的imf组数的增加，合成所得imf组的正交指数是递减的，且远小于0. 最后，来看看得到的唯一的一组万合17Gimf各分量图形 imf=AAAAL.imf; lx=95196;%size(imf,2); zs=zeros(1,lx); W=1080; H=720; m=6; n=3; k=17; fg=figure(1); set(fg,'position', ); for i=1:m for j=1:n p=j+(i-1)*n; if p=k s(p)=subplot(m,n,p);% set(s(p),'position', ); x=imf(p,:); plot(x) hold on plot(zs,'k--') mx=max(x); mn=min(x); xn=mx-mn; axis( ) end end end title('万合17Gimf各分量图') 图70-9 万合17Gimf各分量 看看各分量周期： zq=AAL.zq'; zq12=zq/12; zq365=zq12/365.2422; ZQ= ; 图70-10 万合17Gimf各分量周期 图中红圈标示的是图70-1中3组5个高能量分量的周期。 可以看出，第1组两个周期，正好位于“时干周期10时辰”与“时支周期12时辰”两侧， 第2组两个周期，正好位于“月干周期10个月约300天”与“月支周期1年约365天”两侧， 虽然具体数字还有差距，但我相信这绝不是偶然的。内在原因需要进一步探索。 此数据经过这样大规模imf总体合成，结果的随机性已经极低了，它更多反映的是信号系统（人体） 内在的固有结构特征。 最后看看第12分量及其异常极值点大图 imf=AAAAL.imf; lx=95196;%size(imf,2); zs=zeros(1,lx); W=1080; H=720; imf12=imf(12,:); fg=figure(2); set(fg,'position', ); set(gca,'position', ); plot(imf12) hold on plot(zeros(1,95196)) mnzc12=cell2mat(AAAAL.mnzc(12)); mxfc12=cell2mat(AAAAL.mxfc(12)); plot(mnzc12,imf12(mnzc12),'or') plot(mxfc12,imf12(mxfc12),'or') title('万合17Gimf第12分量及其异常极值点图') 图70-11 万合17Gimf第12分量及其异常极值点图 经过10000次的总体合成，这些异常极值点的位置都已经具有很大的必然性了。它反映的是人体的一些固有特征。在物理系统中，异常极值点是表示系统输出在复平面上的反转。对人体来说，这种“反转”也是有生理学意义的。中医中本来就有呃逆、气逆、逆动、逆乱、逆症。。。等概念。此“异常极值点”说不定就与此有关。总之这些信息可以处理到此为止，只需留待以后作“模式识别”。
个人分类: 斤斤计较|1997 次阅读|0 个评论
更多...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-6-17 09:28

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部