CEEMDAN(自适应噪声完备集合经验模态分解)+峭度值+能量熵+近似熵+模糊熵+排列熵+多尺度排列熵+样本熵_ceemdan分解

CEEMDAN(自适应噪声完备集合经验模态分解)+峭度值+能量熵+近似熵+模糊熵+排列熵+多尺度排列熵+样本熵

对序列信号进行CEEMDAN(自适应噪声完备集合经验模态）分解后计算
各分解分量峭度值、能量熵、近似熵、模糊熵、排列熵、多尺度排列熵、样本熵，程序实用性高，
适合故障诊断、功率预测等研究方向信号处理。并输出分解图、包络图、包络谱图、峭度值图、频谱图。

下面对所涉及算法及运行效果进行介绍

好的，下面我会为您详细介绍这些算法和概念：

1. CEEMDAN (自适应噪声完备集合经验模态分解)

CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）是一种改进的经验模态分解（EMD）方法。EMD是一种自适应的信号分解方法，用于将复杂的信号分解为一系列固有模态函数（IMFs）。然而，EMD存在模态混叠的问题，即不同的IMF可能包含相似频率的成分。

为了解决这个问题，CEEMDAN引入了自适应噪声的概念。在每次EMD分解后，向信号中添加白噪声，然后再次进行EMD分解。由于白噪声的随机性，每次分解的结果都会略有不同。通过对多次分解的结果进行平均，可以减少模态混叠现象，并得到更准确的IMF。

CEEMDAN算法的主要步骤如下：

1. 初始化剩余信号为原始信号。
2. 对于每个IMF，执行以下步骤：
   1. 向剩余信号中添加自适应噪声。
   2. 对加噪后的信号进行EMD分解，得到一个IMF。
   3. 从剩余信号中减去该IMF。
3. 重复步骤2，直到剩余信号满足停止准则（如剩余信号的能量小于某个阈值）。
4. 对所有IMF进行平均，得到最终的分解结果。
5. 分解结果及包络图
6. 

2. 峭度值 (Kurtosis)

峭度值是一种统计量，用于描述数据的分布形状。对于正态分布，峭度值为3。峭度值大于3的分布比正态分布更尖，而小于3的分布则更平坦。峭度值在信号处理中常用于评估信号的脉冲性或峰值分布。

输出峭度值对比及包络谱图

3. 能量熵 (Energy Entropy)

能量熵是一种基于信号能量分布的熵度量。它计算信号在不同频率或时间尺度上的能量分布，并根据这些分布计算熵值。能量熵用于评估信号的复杂性和不规则性。

4. 近似熵 (Approximate Entropy)

近似熵是一种衡量时间序列复杂性的统计量。它计算了时间序列中相似模式出现的概率。近似熵值越小，表示时间序列越规则；值越大，表示时间序列越复杂。近似熵常用于评估信号的随机性

5. 模糊熵 (Fuzzy Entropy)

模糊熵是近似熵的一种扩展，它允许在比较时间序列中的模式时引入一定的模糊性。通过调整模糊参数，可以控制模式之间的相似度。模糊熵用于评估时间序列的复杂性和规律性。

6. 排列熵 (Permutation Entropy)

排列熵是一种基于时间序列符号化表示的熵度量。它将时间序列划分为一系列符号序列，并根据这些符号序列计算熵值。排列熵用于评估时间序列的复杂性和规律性。

7. 多尺度排列熵 (Multiscale Permutation Entropy)

多尺度排列熵是排列熵的一种扩展，它考虑了时间序列在不同时间尺度上的复杂性。通过对时间序列进行多尺度分析（如小波变换或滑动窗口方法），可以计算每个尺度上的排列熵，并综合这些熵值以评估整个时间序列的复杂性。

8. 样本熵 (Sample Entropy)

样本熵是一种衡量时间序列复杂性的统计量，与近似熵类似。它计算了时间序列中相似模式出现的概率，但与近似熵不同的是，样本熵在计算过程中去除了自身匹配的情况。样本熵用于评估时间序列的复杂性和规律性。

这些算法和概念在信号处理、生物医学工程、故障诊断等领域有广泛的应用。通过对信号进行分解和复杂性分析，可以更好地理解信号的特性，从而进行有效的信号处理和分析。