简介：这份PDF文档聚焦WOA-VMD鲸鱼算法优化变分模态分解，面向计算机、电子信息工程、数学等专业学生及信号处理入门者，可用于课程设计、期末大作业和毕业设计的方案参考。内容围绕鲸鱼算法自动寻优VMD的模态数k与惩罚因子alpha展开，结合边际谱、频率图、收敛曲线及超参数迭代过程，帮助读者理解参数选择对分解效果的影响，并体会参数化编程、注释明细和Excel数据替换等实现思路。资源包仅含1个PDF文件，约600KB，轻量易读，适合快速查阅与方案比选。目前已有1337人学习，说明该方向具备一定关注度；对希望把智能优化与信号分解结合、寻找选题创新点的读者，可从中获取整体框架、结果解读与代码组织方面的参考。

1. 别再用试凑法调 VMD 了：WOA-VMD 把 K 和 alpha 一起算出来

调过变分模态分解的人大概都有过这种体验：信号丢进去，K 设 5 出来一堆混叠，设 8 又冒出两个频率几乎重合的假分量，alpha 从 2000 调到 5000，图是好看了，但换个数据段又得从头试。WOA-VMD 这个资源干的事很直接——把 K（模态数）和 alpha（惩罚因子）这两个最影响结果的超参数交给鲸鱼优化算法去搜，适应度用包络熵，Matlab 一套脚本从 excel 读数据一路跑到边际谱、中心频率图、收敛曲线和每次迭代的参数变化图。它适合两类人：课程设计、期末大作业、毕业设计需要一个能画出对比图、能讲清创新点的完整流程；以及做轴承振动、语音、心电这类非平稳信号分析，想把分解参数从手工玄学变成可复现流程的工程师。下面按能直接跑起来的顺序拆。

2. VMD 的两个超参数为什么必须优化：K、alpha 与适应度指标选型

2.1 VMD 在解什么，K 和 alpha 各自卡在哪

变分模态分解把原始信号拆成 K 个围绕各自中心频率的窄带分量，每个分量的带宽之和要最小，同时所有分量相加要能重构回原信号。这个约束优化问题靠增广拉格朗日 + 交替方向乘子法迭代求解，迭代里出现三个关键量：alpha 是二次惩罚因子，控制每个模态的带宽松紧；tau 是对偶上升步长，取 0 表示允许噪声松弛；tol 是收敛容差，常见 1e-6 量级。

K 决定拆几个，alpha 决定每个拆出来的模态有多“窄”。这两个参数的作用是耦合的：K 调大而 alpha 偏小，相邻模态的频带就开始互相吃，中心频率图上表现为两条线贴在一起；K 调大而 alpha 很大，本属于同一个物理源的能量会被硬切成两块，包络谱上出现原本不存在的边频。反过来 K 太小，多个频率成分被压进一个模态，边际谱上峰挤成一团，后续做包络谱诊断基本报废。

手工调参的实际困境在于：判断标准不统一。有人看中心频率是否分离，有人看重构误差，有人看包络谱有没有多余峰，三种标准经常给出互相矛盾的 K。把 K 和 alpha 交给优化算法，本质上是把一个多标准的主观判断，压缩成一个可计算的标量目标——这就是适应度函数。

2.2 适应度为什么选包络熵，而不是重构误差

重构误差（原信号减各模态之和的范数）在 VMD 里几乎是个坏指标，因为 K 越大重构误差单调越小，优化器会一路把 K 顶到上界，等于没优化。这是新手最容易翻车的地方，我在别的项目里也吃过这个亏：目标函数选错，后面所有图都白画。

工程上更常见的选择是包络熵。对每个 IMF 做 Hilbert 变换取解析信号模值得到包络，归一化成一个概率分布 p，再算 −Σp·log p。物理含义是：当某个模态对应的是周期性冲击或调制成分时，包络起伏规律、能量集中，熵值小；当模态里混着宽带噪声或两个源的能量纠缠在一起时，包络接近均匀分布，熵值大。所以最小化熵，等价于逼着算法去找“冲击特征最干净”的那组参数。

不同指标的取舍可以直接对照：

资源包用的是包络熵，这也是我一般推荐新手起步的选择：代价可控、物理意义能讲清楚、答辩时说得明白。

2.3 搜索空间怎么框：alpha 是百到千量级，K 是 3 到 10 量级

看源码里的边界设置：

lb = [800, 4]; % 下边界：[alpha 下限, K 下限] ub = [2000, 10]; % 上边界：[alpha 上限, K 上限] dim = 2; % 优化维度，2 维即 alpha 与 K

顺序是 [alpha, K]，不是 [K, alpha]。这一点决定了后面目标函数里怎么解包，弄反了优化器会用 K=800 去调 VMD，直接报错或跑出荒谬结果。

边界的量级不是随便定的。alpha 的合理范围跟信号幅值、采样率强相关：幅值归一化到 [-1,1] 之后，alpha 落在几百到几千是常见区间；如果原始信号是未归一化的加速度量级（几 g 到几十 g），同样的带宽约束需要的 alpha 会大一个数量级。K 的上限一般不超过 10，经验值是 sqrt(N) 的零头或者按预期物理源数量加 2。上限给到 15 以上，优化器在包络熵上很容易被虚假高频分量骗到，跑出来一堆中心频率在 Nyquist 附近的分量。

提示：换数据集时，先固定 K=5、alpha=2000 手工跑一次 VMD，看中心频率分布落在什么区间，再据此反推 lb/ub。这一步花五分钟，能省掉后面几十次无效迭代。

3. 主程序拆解：从 excel 读入到 Target_pos 落地的每一步

3.1 数据入口：换数据只动一处

资源包的数据是 excel，主程序里读取并转成一维列向量。替换自己的数据时，保持单列、无表头、无空行最省事：

%% 1. 数据读入 raw = readmatrix('data.xlsx'); % 单列时直接得到列向量 raw = raw(~isnan(raw)); % 去掉末尾空行产生的 NaN f = raw(:); % 强制列向量，防止行向量导致后续维度错 f = f - mean(f); % 去直流，避免 0 Hz 附近堆一个假模态 fs = 1000; % 采样频率，只影响频率轴刻度，按实际改 N = length(f); t = (0:N-1)/fs;

readmatrix比xlsread在新版本上更稳，也不会弹出 Excel 进程。f(:)这一句看着多余，但资源包里 VMD 内部有多处按列做 FFT 的操作，一旦传进去的是行向量，报错信息会指向 FFT 长度不匹配，跟数据本身没关系，排查起来很浪费时间。去均值这一步也别省：不去直流，VMD 会把 0 Hz 附近的直流能量单独拆成一个低频模态，K 就白优化了一个。

如果数据带趋势项（比如温漂），去均值不够，加一句f = detrend(f);。但注意别顺手做低通滤波，滤波会改变包络形状，包络熵的最优参数会跟着变，等于你在优化一个已经被人为处理过的信号。

3.2 参数区：种群、迭代次数和维度

%% 2. WOA 参数设置 pop = 5; % 种群数量 Max_iteration = 20; % 最大迭代次数 lb = [800, 4]; % [alpha 下限, K 下限] ub = [2000, 10]; % [alpha 上限, K 上限] dim = 2; % 优化维度

pop = 5、Max_iteration = 20是资源包为了跑得快给的默认值，总共 100 次 VMD 调用。这个配置在课程演示里够用，但收敛曲线通常只能看到一次台阶，看不出寻优过程。我一般会把 pop 提到 10 到 15、迭代提到 30，总调用次数控制在 300 到 450 次；再往上加，包络熵的下降幅度已经小于 WOA 自身随机性带来的波动，纯属浪费机时。

WOA 的迭代开销不是线性的：每次适应度评估都要完整跑一遍 VMD，而 VMD 内部的 ADMM 迭代次数又跟 alpha、K 有关。alpha 大、K 大时单次 VMD 明显更慢，所以实际耗时取决于优化器往哪个方向走。这也是为什么很多人的收敛曲线画出来，横轴是迭代次数，但实际墙钟时间分布很不均匀。

3.3 目标函数 fun：解包顺序、K 取整、熵怎么算

这是整个流程最容易写错的一段。资源包里调用形式是：

fobj = @(x) fun(x, f, tau, DC, init, tol); [~, Target_pos, curve, process] = WOA(pop, Max_iteration, lb, ub, dim, fobj); Target_pos = round(Target_pos);

目标函数内部对应写成：

function fitness = fun(x, f, tau, DC, init, tol) alpha = x(1); % 注意：x(1) 是 alpha，与 lb=[800,4] 对应 K = round(x(2)); % K 必须是整数，取整只对 K 做 K = max(3, min(K, 10)); % 兜底，防止取整后越界 [u, ~, ~] = VMD(f, alpha, tau, K, DC, init, tol); entropyAll = zeros(K, 1); for k = 1:K env = abs(hilbert(u(k, :))); % 解析信号模值即包络 p = env / (sum(env) + eps); % 归一化成分布 entropyAll(k) = -sum(p .* log(p + eps)); end fitness = mean(entropyAll); % 平均包络熵，越小越好 end

几个必须点明的细节。第一，x(1)对应 alpha、x(2)对应 K，完全由 lb/ub 的顺序决定，跟 VMD 函数签名里的(signal, alpha, tau, K, ...)顺序是两回事，容易混。第二，round只对 K 做，资源包最后统一Target_pos = round(Target_pos)会把 alpha 也取整，虽然对结果影响有限，但如果你的 alpha 边界跨度很小（比如 900 到 1000），取整后等于把搜索空间砍掉一半，值得改。第三，eps不能省，包络里出现零值时 log(0) 会返回 -Inf，整个适应度变成 NaN，WOA 的位置更新就彻底失效了，而且报错位置在优化器内部，很难定位。

平均包络熵和最小包络熵是两种口径。用平均，优化器倾向于让所有模态都“干净”，K 容易被压在偏小的值；用最小，只要有一个模态特别干净就能拿高分，K 容易往上顶。资源包用平均，稳定性更好，我一般也保持这个口径，只在明确知道信号里只有一个冲击源时改成最小。

3.4 结果落地：Target_pos 怎么用

优化结束后，Target_pos就是 [alpha, K]，后续再跑一次正式 VMD 拿分解结果画图：

%% 3. 用最优参数正式分解 alpha_opt = Target_pos(1); K_opt = round(Target_pos(2)); [u, u_hat, omega] = VMD(f, alpha_opt, tau, K_opt, DC, init, tol);

这一次分解的omega是各模态中心频率（归一化到 0 到 0.5 之间），乘 fs 就能换算成 Hz 画中心频率图；u_hat是频谱，取模后画边际谱。注意omega每轮 ADMM 迭代都会更新，VMD 返回的是最后一次迭代的值，正常情况下已经收敛，但如果 tol 设得过大（比如 1e-3），中心频率可能还在漂移，图上两个模态的频率会莫名其妙地交换位置。

4. WOA 迭代过程怎么读：收敛曲线、中心频率图与边际谱的判读

4.1 WOA 的三种行为在参数空间里意味着什么

鲸鱼优化算法每轮按概率 p 分成三支：p < 0.5 且 |A| < 1 时向当前最优个体包围收缩；p < 0.5 且 |A| ≥ 1 时随机选一个个体做参考，相当于全局探索；p ≥ 0.5 时走螺旋路径逼近最优。控制探索与开发平衡的是 a，从 2 线性降到 0，A = 2a·r − a 随之收缩。

映射到这个二维参数空间上，前期 a 大，|A| 经常大于 1，种群在整个 [800,2000]×[4,10] 的矩形里乱跳，你能在迭代过程图里看到 K 从 4 直接跳到 9 再跳到 5。后期 a 趋近 0，位置更新幅度变小，参数开始收敛到某个小区间。如果迭代过程图里 alpha 和 K 到最后一轮还在大幅抖动，不是收敛曲线“看起来活泼”，而是没收敛——要么迭代次数不够，要么种群太小导致最优个体一直在换。

4.2 收敛曲线里三种典型形态

第一种，前 3 到 5 轮快速下降然后走平：正常，说明初始种群里有几个个体离最优区域不远。第二种，全程近乎一条水平线：可疑，多半是适应度函数对不同参数返回了几乎相同的值，常见原因是数据本身太短（N 小于 500）或者信号几乎是纯正弦，任何 K 拆出来包络熵都差不多。第三种，中途突然跳升再下降：说明当前最优被一个虚假分量骗了，通常伴随 K 被顶到上界。

我一般会把process变量里的历史位置一起画出来，横轴迭代、纵轴参数值，两条线（alpha、K）叠在收敛曲线下面。只看一条熵曲线，你没法判断优化器是在 K 上做了调整还是只在 alpha 上滑；两条参数轨迹一起看，能立刻发现“K 一直贴着上界”这种典型病态。

4.3 中心频率图：相邻模态贴在一起就是过分解

把omega换算成 Hz 后按模态序号画散点或折线，判断标准很朴素：任意两个相邻模态的中心频率间隔，应该明显大于它们各自的带宽。实际操作中看相对间隔更靠谱——相邻中心频率之差除以较低的那个频率，小于 10% 就要警惕。

出现过分解时，典型表现是两个模态中心频率只差几 Hz，且这两个模态的时域波形高度相似（相关系数 0.9 以上）。这时候的正确动作不是继续加大 alpha 硬把它们拉开，而是把 K 的上界压下来重跑。加大 alpha 只是让带宽变窄，两个模态照样锁在同一个频率附近，重构误差反而上升。

反过来，欠分解的信号特征是边际谱上本该分开的两个峰被一个宽包覆盖，包络谱里原本清晰的故障特征频率被淹没。这种时候 K 的下界要给够，lb的第二位别设成 2。

4.4 边际谱和重构校验：最后一道关

边际谱是把各模态的频谱按频率叠加或分色画出来，用来确认能量分布是否符合对信号的先验认知。如果数据是某旋转机械的振动信号，你应该能在边际谱上看到转频及其倍频附近的能量集中；如果画出来是一片均匀的宽带，那要么 K 太小、要么信号本身信噪比太低，这时候优化出来的参数没有实际意义。

重构校验一句话就能做完：err = norm(f - sum(u,1)) / norm(f);，正常应该在 1e-3 到 1e-2 量级。如果这个值大于 0.1，说明分解结果根本没法重构原信号，前面所有图都不用看了——大概率是 tau 设得过大或者 tol 太松，ADMM 没收敛就退出了。

5. 踩坑与排查：五条血泪记录

5.1 换了自己的 excel 就报维度错或者输出全 NaN

现象：主程序跑到 VMD 调用处报“矩阵维度不一致”，或者跑完了但u全是 NaN。

原因：九成是数据格式问题。要么读进来是行向量，VMD 内部按列做 FFT 长度对不上；要么 excel 里有表头文字，readmatrix返回的矩阵第一行是 NaN，去 NaN 那步写成了raw(~isnan(raw))但没考虑整行剔除；要么数据里有 Inf。

解决：读入后立刻加三行体检——size(raw)、sum(isnan(raw(:)))、sum(isinf(raw(:)))，确认是 N×1 的干净列向量再往下走。表头用readmatrix的'NumHeaderLines',1参数跳过，别指望自动识别。

5.2 同样的数据和参数，两次运行结果不一样

现象：连续跑两次，K 收敛到 7 和 9，中心频率图明显不同。

原因：WOA 的初始种群是随机生成的，螺旋更新里的 r 也是随机的。资源包没有固定随机种子，所以每次结果都在变。这不是 bug，是元启发式算法的固有性质。

解决：正式出图前在脚本开头加rng(42)固定种子，保证答辩或论文里的图可复现。但更严谨的做法是跑 10 次取统计：看 K 落在哪个值上的频次最高、包络熵的均值与标准差。如果 10 次里 K 出现 5 种不同取值，说明搜索空间或者适应度函数有问题，不是种子的事。

5.3 找不到SSA.m，或者函数名跟项目标题对不上

现象：一运行就报“未定义函数或变量 'SSA'”，但项目标题写的是鲸鱼算法。

原因：资源包里的注释和部分变量命名残留了其他优化算法的痕迹，主程序实际调用的优化器文件名与注释里写的不是一个。这在二次整理的代码包里很常见，注释是上一版留下的。

解决：以实际调用行为准，看主程序里fobj传给哪个函数、那个函数文件在不在当前路径。用which WOA或which SSA确认解析到的是哪个文件。如果确实缺文件，把现有优化器函数的输入输出签名对齐（pop, Max_iteration, lb, ub, dim, fobj → 返回最优位置和收敛曲线）即可，WOA 和同类算法的接口基本一致，改函数名比重写快。

5.4 收敛曲线第一轮就压到底，之后完全不动

现象：迭代曲线第一个点就是最小值，后续 19 轮没有任何下降。

原因有三个常见来源：种群太小（pop=5 时初始 5 个点里如果有一个恰好落在好区域，包围收缩会迅速把所有个体拉过去，等于没搜索）；边界框太窄，参数几乎没得选；适应度函数对所有输入返回接近常数，比如包络熵算的时候忘了eps导致全是 NaN，min比较时 NaN 被忽略，看起来像收敛了。

解决：先打印第一轮所有个体的适应度值，看有没有差异；没差异就是适应度函数的问题。有差异但迅速收敛，把 pop 提到 10 以上、边界各放宽 50% 再试。另外注意 WOA 里如果最优适应度是 Inf 或 NaN，位置更新会全部失效，加一句断言提前拦住。

5.5 单次运行要十几分钟，改一处参数就得等半天

现象：调一次 lb/ub 跑将近二十分钟，反复试几轮一晚上就没了。

原因：总耗时约等于 pop × Max_iteration × 单次 VMD 耗时。而单次 VMD 的耗时随 K 和 alpha 增长，alpha 大时 ADMM 收敛慢。更隐蔽的是数据长度，N 从 2000 涨到 20000，单次 VMD 的 FFT 开销涨十倍。

解决：调参阶段把数据截取前 2000 到 4000 点跑，参数定下来再用全长数据正式分解；tol从 1e-7 放宽到 1e-6，对包络熵排序的影响通常在 1% 以内；调试期间把Max_iteration降到 10 先看趋势。等确认搜索空间合理了，再放开迭代次数出最终图。

6. 让优化结果站得住脚：三步验证与两处可调的地方

图能画出来不等于结论能站住。评审或者导师最常问的一句是“你怎么知道优化后的参数比手工调的好”，这个问题必须用数据回答，不能靠图好看。

第一步，做固定参数对照。挑三个手工值组合，比如 (K=5, alpha=2000)、(K=7, alpha=2000)、(K=7, alpha=1000)，和 WOA 给出的最优组合放在一起，只比三个量：平均包络熵、重构误差、相邻中心频率最小相对间隔。做一张小表，三列五行，一眼能看出优化组合在熵上占优、在重构误差上没变差、在频率间隔上更宽。别只报熵，只报熵会被追问“是不是过分解换来的低熵”。

% 对照实验模板：固定参数 vs 优化参数 cfg = [5 2000; 7 2000; 7 1000; round(Target_pos(2)) Target_pos(1)]; for i = 1:size(cfg,1) [u, ~, om] = VMD(f, cfg(i,2), tau, cfg(i,1), DC, init, tol); ent(i) = meanEntropy(u); % 平均包络熵 rec(i) = norm(f - sum(u,1)) / norm(f); % 重构误差 gap(i) = minDiff(om) * fs; % 最小中心频率间隔 Hz end disp(table(cfg(:,1), cfg(:,2), ent', rec', gap', ... 'VariableNames', {'K','alpha','entropy','reconErr','minGapHz'}));

第二，做重复性统计。rng固定只能保证你自己复现，证明不了算法稳定。跑 10 次不同种子，记录 K 的众数和包络熵的标准差。标准差占均值的比例低于 3%，可以说收敛稳定；超过 10%，说明搜索空间还没框好，回去调 lb/ub 比继续加迭代更有效。

第三，做分解结果的物理校验。这条最容易被跳过，但最能救命。把最优参数下的各模态做包络谱，看故障特征频率及其倍频是否落在预期的频点上。如果包络谱上出现了一个无法用任何物理源解释的强峰，那大概率是过分解产生的虚假分量，哪怕包络熵再低也要把 K 压下来。

两处值得动手改的地方。一是把二维搜索拆成两级：先固定 alpha 在中间值（比如 1400），只搜 K，因为 K 对分解结构的影响远大于 alpha；K 定下来之后再在小区间里精搜 alpha。总评估次数能从 300 降到 120 左右，结果通常不比联合搜索差。二是把适应度从平均包络熵换成分层加权——对低频模态（往往对应转频、工频）给更高权重，对高频模态降权，这样优化器不会为了压平均熵而牺牲低频段的分解质量。

这最后一条是我踩过坑才改的习惯：早些年做一套轴承数据，优化出来的 K 是 9，包络熵确实最低，但包络谱上转频被切到了第 3 个模态、故障频率落在第 6 个，整个物理对应关系全乱了，图好看却讲不通。从那以后我每次出最终结果前都强制走一遍“中心频率间隔 + 重构误差 + 包络谱物理对应”这三关，任何一关不过就退回参数区重来，不再只看那条下降得很漂亮的收敛曲线。希望帮到你。

本文还有配套的精品资源，点击获取