已知原始信号的多个模态分解分量，利用matlab求每个分量的多尺度排列熵

多尺度排列熵（Multiscale Permutation Entropy，MPE）是一种用于分析时间序列的非线性动力学特征的方法。它能够提供时间序列的复杂度和不规则程度的量化描述，并且可以应用于信号处理、生物医学工程、金融等多个领域。

下面是利用matlab计算每个分量的多尺度排列熵的步骤：

1. 导入信号分解分量数据，并确定需要计算MPE的尺度范围。

% 假设data为原始信号的多个模态分解分量
n = length(data); % 分量个数
m = 5; % MPE的尺度范围

2. 计算每个分量在不同尺度下的排列熵。

for i=1:n
    x = data{i}; % 取出第i个分量
    l = length(x); % 分量长度
    for j=1:m
        tau = floor(l/j); % 窗口长度
        for k=1:j
            idx = (k-1)*tau+1:k*tau; % 窗口索引
            p = perms(1:tau); % 所有排列的全排列
            np = size(p,1); % 排列个数
            count = zeros(np,1); % 每个排列出现次数
            for q=1:tau:length(idx)-tau+1
                xw = x(idx(q:q+tau-1)); % 截取窗口
                [~,order] = sort(xw); % 排列
                for r=1:np
                    if isequal(order',p(r,:))
                        count(r) = count(r)+1;
                    end
                end
            end
            count = count/length(idx); % 归一化
            pe(k) = -sum(count.*log2(count+eps)); % 计算排列熵
        end
        mpe(i,j) = mean(pe); % 计算多尺度排列熵
    end
end

在这个代码中，我们首先确定了MPE的尺度范围，然后对于每个分量，遍历不同的尺度和窗口，并计算每个窗口内的排列熵。最后，我们取每个尺度下的排列熵的平均值，得到该尺度下的多尺度排列熵。

注意，在计算排列熵时，我们使用了所有排列的全排列，这样可以确保计算的排列熵是最大化的。同时，为了避免排列出现次数为0时计算出现log(0)的情况，我们加上了一个极小值eps进行处理。

最终，我们得到了每个分量在不同尺度下的多尺度排列熵，可以用于进一步分析和比较。