上篇博文已经讲述了VMD的分解机制，关于其中的参数，特别是分解层数如何确定的问题，这篇文章给出一个解决方法：最优变分模态分解（OVMD），利用中心频率法确定分解层数K，利用残差指数指标确定更新步长tau。关于利用中心频率法确定分解层数的文章，无论国内还是国外都有较多的讲述。这里直接上代码。ticclcclearallload('IMF1_1.mat')x=IMF1_1;t=1:length(IMF1_1);%---------somesampleparametersforVMD：对于VMD样品参数进行设置---------------alpha=2000;%moderatebandwidthc

目录StableDiffusion模型模型调配模型设置 变分自编码器（VAE）模型 模型调配模型设置  lora模型（原生）（插件）模型调配模型设置  AI生成prompt及模型分享StableDiffusion模型 pastel-mix+对应的VAE StableDiffusion模型国风+Lora模型墨心+疏可走马StableDiffusion模型国风+Lora模型小人书StableDiffusion模型realist+Lora模型 AsianGirlFashion(微博小红书抖音网红穿搭)StableDiffusion模型realist+Lora模型Fashion Girlv5.2Sta

1VMD算法原理VMD的思想认为待分解信号是由不同IMF的子信号组成的。VMD为避免信号分解过程中出现模态混叠，在计算IMF时舍弃了传统信号分解算法所使用的递归求解的思想，VMD采用的是完全非递归的模态分解。与传统信号分解算法相比，VMD拥有非递归求解和自主选择模态个数的优点。该算法可将第j条线路的暂态零序电流信号分解为K个中心角频率为的本征模态函数，其中K为人为指定的模态分量个数。不同于EMD，VMD将每个IMF定义为调幅调频函数，可表示为：               （1）VMD算法可分为变分问题的构造和求解两部分：(1)变分问题的构造：                         

1VMD算法原理VMD的思想认为待分解信号是由不同IMF的子信号组成的。VMD为避免信号分解过程中出现模态混叠，在计算IMF时舍弃了传统信号分解算法所使用的递归求解的思想，VMD采用的是完全非递归的模态分解。与传统信号分解算法相比，VMD拥有非递归求解和自主选择模态个数的优点。该算法可将第j条线路的暂态零序电流信号分解为K个中心角频率为的本征模态函数，其中K为人为指定的模态分量个数。不同于EMD，VMD将每个IMF定义为调幅调频函数，可表示为：               （1）VMD算法可分为变分问题的构造和求解两部分：(1)变分问题的构造：                         

一、什么是变分推断假设在一个贝叶斯模型中，xxx为一组观测变量，zzz为一组隐变量（参数也看做随机变量，包含在zzz中），则推断问题为计算后验概率密度P=(z∣x)P=(z|x)P=(z∣x)。根据贝叶斯公式，有：p(z∣x)=p(x,z)p(x)=p(x,z)∫p(x,z)dzp(z|x)=\frac{p(x,z)}{p(x)}=\frac{p(x,z)}{\intp(x,z)dz}p(z∣x)=p(x)p(x,z)​=∫p(x,z)dzp(x,z)​但是在实际应用中，可能由于积分没有闭式解，或者是指数级的计算复杂度等原因，导致计算上面公式中的积分往往是不可行的。变分推断就是用来解决这个问题

一、什么是变分推断假设在一个贝叶斯模型中，xxx为一组观测变量，zzz为一组隐变量（参数也看做随机变量，包含在zzz中），则推断问题为计算后验概率密度P=(z∣x)P=(z|x)P=(z∣x)。根据贝叶斯公式，有：p(z∣x)=p(x,z)p(x)=p(x,z)∫p(x,z)dzp(z|x)=\frac{p(x,z)}{p(x)}=\frac{p(x,z)}{\intp(x,z)dz}p(z∣x)=p(x)p(x,z)​=∫p(x,z)dzp(x,z)​但是在实际应用中，可能由于积分没有闭式解，或者是指数级的计算复杂度等原因，导致计算上面公式中的积分往往是不可行的。变分推断就是用来解决这个问题