当前位置：首页 > news >正文

别再只用CEEMDAN了！信号分解后，这7种熵指标到底该怎么选？（能量熵/近似熵/模糊熵对比）

news 2026/5/25 8:37:05

信号分解后熵指标选型指南：从能量熵到多尺度排列熵的深度解析

在信号处理领域，CEEMDAN等分解方法早已成为研究人员的标准工具包——它们像精密的滤波器，将复杂信号拆解为一系列物理意义明确的IMF分量。但当我们面对这些分解后的子信号时，真正的挑战才刚刚开始：如何从能量熵、近似熵、模糊熵等七种常见熵指标中，选择最适合当前分析任务的组合？这就像在化学实验室里，面对一整面墙的试剂却不确定哪种组合能产生预期的反应。

1. 熵指标的本质与分类框架

熵的概念最早由克劳修斯引入热力学，后经香农发展成信息论的核心指标。在信号处理中，熵值量化了信号的"混乱度"或"不可预测性"，但不同类型的熵从不同角度解读这种复杂性。我们可以将这些指标分为三大类：

能量型熵指标

能量熵：反映信号能量在频域或时域的分布均匀程度
峭度值：描述信号幅值分布的"尖峰厚尾"特性（严格说属于高阶统计量）

模式相似性熵指标

近似熵：基于Heaviside函数的二值相似性判断
样本熵：近似熵的改进版，消除自匹配偏差
模糊熵：引入隶属度函数的连续相似性评估

符号动力学熵指标

排列熵：基于序数模式的符号化分析
多尺度排列熵：考虑不同时间尺度下的排列模式

表：七种熵指标的核心特性对比

指标类型	计算复杂度	噪声敏感度	适用场景	参数依赖性
能量熵	O(n)	中等	能量突变检测	频带划分
峭度值	O(n)	低	冲击特征识别	无
近似熵	O(n²)	高	短时生理信号	m, r
样本熵	O(n²)	中	生物医学信号	m, r
模糊熵	O(n²)	低	非线性系统	m, r, n
排列熵	O(n)	中	机械振动	m, τ
多尺度排列熵	O(nlogn)	中	多物理过程	m, τ, s

2. 能量型指标的实战应用场景

在旋转机械故障诊断中，我们常观察到轴承损伤会导致特定频段的能量集中。这时能量熵就像频谱的"均匀度检测仪"——健康轴承的各频段能量分布相对均匀，而故障状态会显著降低能量熵值。计算流程如下：

def energy_entropy(imfs): energy = [np.sum(imf**2) for imf in imfs] total_energy = np.sum(energy) p = energy / total_energy # 能量占比 return -np.sum(p * np.log(p)) # 香农熵公式

注意：当信号存在基线漂移时，建议先去除IMF1分量再计算能量熵

峭度值则是检测瞬态冲击的"敏感探头"。某风电齿轮箱的振动信号分析显示：

正常状态峭度值≈3（接近高斯分布）
早期微点蚀时升至5-7
严重剥落时可超过15

但峭度值有个致命弱点——容易被离群值扭曲。2023年IEEE Transactions上的最新研究建议结合峰态因子使用：

% 稳健峭度计算 function k = robust_kurtosis(x) med = median(x); mad = median(abs(x - med)); k = mean(((x - med)/(1.4826*mad)).^4); end

3. 模式相似性熵的参数调优艺术

近似熵、样本熵和模糊熵都基于"模式重复概率"的核心思想，但实现方式迥异。以心电信号分析为例：

近似熵对参数极其敏感。在MIT-BIH心律失常数据库上的测试显示：
- 当维数m=2，阈值r=0.2倍标准差时
- 正常心电ApEn≈0.8
- 房颤信号ApEn>1.2

样本熵改进了自匹配偏差，更适合短时程分析：

# R语言样本熵计算 library(pracma) sample_entropy(ecg_signal, m=2, r=0.2)

模糊熵通过隶属度函数实现平滑过渡。在帕金森病语音检测中，当设置：
- 模糊指数n=2
- 相似容限r=0.15
- 维数m=3 其分类准确率比样本熵提升约8%

关键技巧：r值通常取0.1-0.25倍信号标准差，可通过递归定量分析确定最优值

4. 符号动力学熵的多尺度特性

排列熵将信号转化为序数模式，这种降维处理使其在工业振动监测中表现出色。某汽轮机组的实验数据显示：

运行状态	排列熵值	主导序数模式
正常	0.92	(1,2,3)
不对中	0.85	(2,1,3)
碰摩	0.76	(1,3,2)

多尺度排列熵则像"显微镜的变焦镜头"，揭示不同时间尺度下的动力学特性。计算步骤包含：

粗粒化处理：将原始信号分成长度为τ的非重叠窗口求均值
计算各尺度下的排列熵
绘制熵-尺度曲线

def multiscale_pe(signal, max_scale=10): scales = range(1, max_scale+1) pe_values = [permutation_entropy(coarse_grain(signal, s), m=3) for s in scales] return pe_values

在轴承全寿命周期监测中，中尺度（τ=5-8）的熵值变化往往比单一尺度提前30-50小时预警故障。