模态识别

ERA 的时域模态识别程序，挺适合搞结构动力学的朋友上手。用 MATLAB 写的，逻辑清晰，思路还蛮实用，尤其对那种非平稳信号的比较友好。整体流程包括数据预、IMF 分解、模态参数提取，还能做个结果验证。里面的代码不复杂，拿来调试顺手，适合工程上直接用。像桥梁、航天器、机械系统这类有振动需求的项目都能用得上，响应也快，参数也靠谱。

多模态学习的图像识别知识点，讲得还挺全面，适合刚入门或想系统复习下的同学看看。内容覆盖了从特征提取到模型评估，讲人话，没有太多晦涩术语。尤其是卷积神经网络那块，说得比较透，配合文末的资源一起看，理解起来更快。

Scot McNeill于2013年开发了Hankel矩阵(BMDHM)工具箱，用于从环境随机数据执行模态识别。首先，在6dof_rand_hm文件夹中运行示例bmid_6dof_rand.m以进行6 DOF模拟。如果需要进行模拟数据文件的加载，则需要控制系统工具箱。任何使用BMDHM方法或此工具箱中其他工具发表的作品，均需引用以下参考文献：McNeill, S.，“一种结合盲源分离和状态空间的模态识别算法实现”，信号与信息处理杂志4(2)，173-185，2013年。特别感谢Alle-Jan van der Veen提供的wsf_AB代码。

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。

VMD 的源代码，写得还挺清爽的，逻辑也比较清晰，适合搞信号的朋友参考一下。VMD，全称叫变分模态分解，说白了就是个用来分解信号的算法，像是用在故障诊断、语音识别、或者医学信号里，都蛮实用的。 Python 版的实现，用起来挺方便。函数接口不复杂，比如你要做一维信号分解，直接丢个numpy数组进去就行，输出的模态分量也比较规整，后续做顺手。 哦对了，它跟老牌的EMD、EEMD也有点区别，主要是 VMD 收敛更快、稳定性更好，分出来的模态也没那么飘，适合那种对频率稳定性要求高的场景。 如果你习惯用MATLAB，那也有对应的版本，风格偏工程一点，但做演示或者教学用也还不错。你可以顺便看看 VMD

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)。

现实中的数据常常是多模态的，来源于不同的异构源，因此形成了多视图数据的情况。在机器学习领域，多视图聚类已成为重要的研究范式。然而，由于某些视图数据的缺失，实际应用中的不完全多视图聚类(IMC)充满挑战。

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。

运行main.m来测试MO_Ring_PSO_SCD。您可以查阅论文'2。 CT Yu、BY Qu和JJ Liang*，“使用环形拓扑解决多模态多目标问题的多目标粒子群优化器”，IEEE进化计算汇刊。 （DOI：10.1109 / TEVC.2017.2754271），以获取有关此算法的更多说明。这篇论文也在“MO_Ring_PSO_SCD.zip”文件中。如果您有任何问题，请联系我（zzuyuecaitong@163.com）。

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。