基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

基于小波-ELM神经网络的短期停车泊位预测

采用小波变换与极限学习机(ELM)相结合的方法对短时空余停车泊位进行预测.首先通过小波函数对有效停车泊位时间序列进行小波分解和重构;然后用ELM对分解后所得的各时间序列进行预测;最后对各神经网络的预测结果进行合成,得到最终的预测结果.预测实例结果表明,该方法缩短了训练时间,提高了预测结果.     

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型，该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测．首先使用多孔算法对短期负荷序列进行小波分解，得到指定尺度下的近似系数和相关尺度下的小波系数，然后利用LS-SVM对预测点的系数进行多尺度组合预测，通过小波重构可以求得相应的预测值．结合某地区短期负荷需求数据进行了仿真试验，研究了预测点与历史记录数据的相关关系．预测结果表明，使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度，同时LS-SVM的引入大大提高了模型的可计算性．     

基于小波变换和ARMA模型的电力设备故障率预测方法

针对电力设备故障率具有时变性、随机性、隐含周期性等特点,预测难度大。本文采用基于小波变换和ARMA模型的电力设备故障率预测方法,对原始数据预处理后采用Daubechies小波进行分解和重构,获得各尺度域上的小波系数;分别对各尺度域上的小波系数进行ARMA建模、预测和整合,生成故障率预测数据。将预测结果与ARMA模型预测结果和实际结果进行对比和误差分析,结果说明,基于小波变换-ARMA模型的预测方法具有较高的预测精度。     

基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

小波在金融时序预测中的应用

利用小波函数的局部化性质,对非平稳时间序列股票开盘价数据进行分解,然后再进行M allat重构。这样就得到了原始数据的近似信号,再应用传统时间序列预测方法ARMA（p,q）模型对重构后的数据进行预测,将预测结果与实际值进行比较,可得小波分析方法预测效果比较理想。     

一种基于小波变换和FARIMA模型的网络流量预测算法

提出了一种新的基于小波变换和FARIMA模型的流量预测方法,首先对原始流量进行小波分解,再进行mallat算法单支重构,接着用FARIMA模型分别对重构后的单支进行预测,最后整合流量.我们用真实网络流量进行了仿真实验,验证了提出算法的预测准确性,较之首先用FARIMA模型对小波系数进行预测再进行小波重构的方法减小了预测...     

小波变换在径流序列中应用

小波变换被应用到径流分析中,以获得径流序列的组成,并预测未来的径流.用几个小波函数对观测的径流序列进行了分解和重构,并展示了其发展趋势;用BP神经网络、小波变换结合BP神经网络,对引用的径流序列进行了预测.最后,对影响计算结果的因素进行了分析,并对小波函数在径流分析中的应用提出了建议.     

小波分析在管理数据处理中的应用

提出了一种基于小波变换的管理数据处理方法,把公司管理上的数据看成一个非平稳的时间序列,利用小渡函数将该时间序列分解到不同的频率通道上,然后将分解后的信号当作近似的平稳时间序列,用一些传统的统计方法进行预测,同时对中国足球彩票若干期的销售量数据进行了处理和预测,并将结果与实际销量以及用传统的AR模型的预测值进行了比较。     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

周期平稳故障信号分析

针对周期平稳故障信号的特点,给出了时域、频域、时频域分析以及统计理论分析方法.首先,利用周期平稳信号的特点,采用季节性模型,对周期平稳信号进行建模,并作预测预报;其次,采用循环平稳度、循环相关谱等周期平稳信号的特征量有效地获取其他方法难以获得的信息;通过实例给出了进化谱理论及其应用方法,结果表明进化谱在故障诊断中有着较好的分析作用;最后,采用时频域分析较好地分析出非平稳信号的各种尺度信号的特征.     

基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

西安市空气污染指数的神经网络预测模型

将BP神经网络模型引入到大气污染预测预报领域,利用西安市2005-2010年逐日空气污染指数,建立了一个空气污染指数的非线性时间序列神经网络模型.实验结果表明:独立样本的日空气污染指数的预测值的平均相对误差分别为27.4%,23.2%,12.2%,25.7%,独立样本的日空气污染指数的预测值与真实值的线性相关系数高.该...     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

一种基于小波的三维地形绘制集成技术

本文利用现有地形绘制技术和小波多尺度分析方法,结合大规模地形应用特点,研究了三维地形绘制算法．首先,根据地形高程模型（DEM）的数据结构的特点,阐述了它可以借助于小波方法进行分析处理的可行性：其次,得到了提取多尺度地形数据基本特征的方法：并通过小波系数来表达低频概貌和高频细节,生成多尺度的地形数据方法;提出了”地形网格的小波渐进重构”规则,设计了动态的渐进重构不同细节的地形网格;最后,构造了绘制算法流程图,实现了三维地形绘制集成技术,解决了多块不同分辨率模型的无缝拼接问题,提高了绘制效率,并通过实验验证了该方法的高效性和可行性．     

基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

基于小波神经元网络模型的网损预测方法研究

提出了一种电力系统网损预测的新算法-小波神经元网络预测模型,它以非线性小波基为神经元函数,通过优化伸缩因子和平移因子确定对应务神经元的小波基函数,从而合成小波神经元网络,达到全局最优的拟合效果,克服了普通人工神经元网络学习速度慢、难以确定网络结构、存在局部极小点等方面的缺点,仿真结果表明,该方法准确,并可使学习速度大大提高。