基于小波分析的黄河源区年径流变化分析

根据流域特点,把整个黄河源区划分三部分,分别运用小波分析对各部分的年时间序列和年径流序列进行了分析。通过小波分析图显示了河源区年均流量变化的多时间尺度结构;不同时间尺度下年均流量的周期强弱变化和分布情况,以及突变点的位置分布。根据小波方差检验得出的主要周期可对未来年均流量变化进行预测。     

基于小波变换的信号特征与突变点检测算法研究

采用小波分解可以很好地研究信号的自相似性.小波变换能够分析信号奇异点的位置及奇异性强弱,即通过小波变换后的局部极大值在不同尺度上的衰减特性来衡量信号的奇异性.介绍了小波变换的基本概念,对信号特征和突变点检测算法进行研究,利用小波多分辨分析将突变信号进行多尺度分解,通过分解的信号确定突变点位置.通过Matlab实验,分析了信号奇异点定位和小波检测的结果,当小波变换尺度越精细时,检测突变点位置越精确,验证了小波变换是分析信号自相似性和突变点检测的有力工具.     

正态分布均值变点的小波检验和估计

本文探究的是方差不变的条件下服从正态分布的随机序列均值变点问题,利用小波方法检测和估计均值变点.考虑存在一个或多个均值变点,利用小波方法构造检测均值变点的统计量,并且估计均值变点的个数、位置以及跳跃度,最后通过模拟仿真验证有限样本下本文方法的有效性.     

基于R-FP OP变点检测的城市路段旅行时间预测

针对城市路段旅行时间精准推送的不足,提出一种基于动态规划变点检测算法的旅行时间预测方法。以车牌识别数据为研究对象,利用R-FPOP算法对旅行时间均值变点进行在线检测,研究变点时域分布特征;基于均值变点检测结果,预测旅行时间并给出其预测区间。结果表明:在线检测出的变点能够有效辨识旅行时间的均值突变,变点时域分布主要集中在高峰期;旅行时间预测值对实际序列变化趋势估计准确,推送的预测区间平均覆盖率为79.54%,具有较优的预测精度。论文方法兼顾旅行时间均值突变且建模简单,可为路段旅行时间的在线智能推送及交通需求者的路线规划提供技术支持。     

非常规突发性灾害对中国股市波动影响分析——基于外生结构突变点单位根检验的实证研究

采用外生结构突变点单位根检验方法,对中国沪市五大行业股指从1993年6月4日到2009年3月27日的828个周收盘价格序列进行了外生结构突变点单位根检验。检测结果表明,98特大洪水和SARS疫情对沪市五大行业股指有短期冲击作用,行业股指随事态发展波动,沪市行业股指存在灾害重建效应,非常规突发性灾害发生后收益于灾后重建的行业股指会率先上涨回归正常趋势波动。     

金融时间序列变点探测的小波模极大值线方法

研究小波变换方法在金融时序分析中模型变点探测的应用,对金融时间序列采用连续小波变换,通过分析小波变换模极大值线对应的时间序列样本点的小波系数特点,提出了金融时间序列变点探测的小波模极大值线方法,并对广义自回归条件异方差均值模型(GARCH-M模型)进行了仿真计算,其结果验证了此方法的实用性和有效性.该方法更能准确定位金融资产收益率波动所发生的具体时刻,有利于金融资产价格异常时点的正确识别与统计建模分析和资产收益率波动的预测.     

变点对状态空间模型预测的影响分析

利用变点理论对上证指数进行了分析,得到了全涨全跌股指的变点个数及其所处位置．根据上证指数变点个数的不同,分别对三个不同时段的上证指数建立状态空间模型,通过比较预测结果,得出变点越少的状态空间模型,其预测精度越高的结论．最后在没有变点的情况下比较了ARIMA、自回归与状态空间模型的预测结果,说明了状态空间模型具有更好的预测效果．     

基于统计方法的异常点检测在时间序列数据上的应用

异常点是时间序列数据中不可避免的特殊点,会对时间序列数据的分析产生负面影响。文章设计了一种适用于时间序列数据的基于统计的异常点检测与修正方法,可以有效地检测出异常点出现的位置并进行修正。使用酒店间夜数据进行的数值实验表明,使用修正后的数据集相对于使用原数据集预测精度会提高3.4%～4.4%。     

基于Morlet小波的径流突变检测

将小波理论引入径流序列的变异检测,从理论上证明了Morlet小波系数的过零点有可能是时间序列的突变点,对过零点进行统计检验,确定真实的突变点。分析渭河华县站1961—2006年径流尺度变化特征,形成各种尺度正负相间的震荡中心,其3个明显的周期变化规律分别为:1972年以前华县站的年均径流量基本以10年为周期产生振荡;1982—2001年基本以7～8年为周期振荡;在14～16年周期非常显著,且具有全域性。找到15年尺度下可能的突变点,应用Yamamoto检验法进行进一步的诊断,识别出1972年、1982年、1994年为径流突变点。     

两种滑动排列熵序列突变检测的对比分析

将排列熵与滑动窗口和滑动移除数据技术相结合,比较滑动排列熵和滑动移除排列熵方法在非线性时间序列动力学结构突变检测中的性能。发现滑动排列熵方法依赖于滑动窗口的选取,得到的突变点位置误差比较大,不利于实际应用;而滑动移除排列熵方法的检测结果几乎不依赖于滑动移除窗口的大小,能够更为精准地得出时间序列的突变位置,明显优于滑动排列熵方法,具有良好的应用前景。     

基于小波分析方法的股指期货和现货市场关系研究

基于小波分析方法,利用5min高频数据研究了沪深300指数和沪深300股指期货的关系.通过小波分解方法将两市场收益率序列作信号分解,研究发现,在各尺度下股指期货市场的波动性都大于股票市场的波动性,同时随着尺度的增加,两市场的小波相关系数增加,即联动性增加.各尺度的格兰杰因果检验表明,期货市场与股票市场之间存在波动溢出效应,但溢出效应是单向的,即只存在期货市场向股票市场的溢出效应.     

小波奇异性在钢结构损伤检测中的应用

根据小波奇异性检测理论,以应变能的损伤信号为结构损伤指标,分别以悬臂梁结构、平面桁架结构和空间网架结构为例进行数值模拟,将原始损伤信号和经过小波变换后的损伤信号进行对比,结果证明采用该方法不但对单一损伤而且对多损伤均能有效地识别出结构的损伤位置,表明了该方法的可靠性和实用性。     

基于小波变换的单相高阻接地故障检测方法

提出了一种基于小波变换的中性点不接地系统的单相高阻接地故障检测方法.发生故障时,经过小波变换,故障相电流和零序电流高频系数模极大值在相同时间和位置的极性相同,而非故障相的高频系数模极大值与零序的高频系数模极大值极性相反;故障相的高频系数比非故障相的高频系数大很多,可作为接地检测的依据.通过ATP仿真验证可知,该方法能准确地检测出单相高阻接地故障.     

基于两步小波变换的管道损伤识别

鉴于信号提取位置的不确定性,研究了信号提取位置对损伤识别的影响.对管道进行数值模拟,提取前两阶径向和切向位移模态.对轴向节点的径向位移模态进行小波变换,小波系数的模极大值反映了损伤的轴向位置;继续对环向节点的切向模态进行小波变换,通过模极大值来识别环向损伤位置;最后讨论了轴向损伤处节点径向位移的小波系数模极大值变化规律.结果表明:两步法可以有效识别损伤位置,轴向位置不含损伤时位移模态的小波系数能显示损伤的轴向位置但小波系数有所减少.     

小波变换在回波信号检测中的应用

基于小波变换品质因数不变性的特点,结合适当的小波基,探讨小波变换在回波信号检测中的算法。在算法分析基础上,从检测原理、检测步骤、计算机仿真方面阐述如何利用小波变换检测回波信号时差,以确定回波信号的奇异点(回波信号到达时间点),进而确定被探测目标的位置。小波变换具有表征信号局部特征的能力,适于分析信号中的瞬态和奇异现象,并可展示其成份。所述的算法分析、小波基的选择及小波变换阶的选择等,为地下目标探测中的信号处理,提供了算法依据和应用方法参考。     

基于分形理论的网络流量异常检测技术

传统网络流量异常检测技术不能适应网络流量的复杂性,异常检测精度低,不能保证实时性,为此,提出一种新的基于分形理论的网络流量异常检测技术。通过FIR滤波方法对流量的时间序列进行预处理。采用Schwarz信息准则对网络流量异常检测问题进行处理,估测网络流量异常点数量与位置。采用R/S分析法求出自相似指数Hurst值,依据Hurst值对网络流量时间序列的分形特征进行分析。引入滑动窗口完成多网络流量异常点的检测,在检测异常点处对流量进行分形处理,依据自相似指数计算过程获取异常点间的流量自相似指数值,保存异常点之后的流量,为下一个流量异常点的检测提供依据。实验结果表明,所提技术实现过程简单,网络流量异常检测精度高,保证了实时性。     

基于小波变换的奇异信号检测研究

奇异信号的奇异点经常携带有比较重要的信息,它是信号的重要特征之一.证明了小波变换能用来检测信号的奇异性,利用小波变换模的极大值和信号奇异点的关系,可以分析信号局部奇异性.信号局部奇异性用李氏指数来描述.研究了奇异性检测小波基的选择条件.给出了实例分析,结果表明,小波变换在信号奇异性检测和局部化分析方面具有优异特性.     

金融时间序列结构波动的子波变换分析

运用子波变换的分析方法，研究金融时间序列多尺度局域结构的波动性.通过对具体的股指数据分析表明，利用子波分析法，不仅能准确判定出序列的稳定周期大小和相对强弱，而且能提取序列的局部波动和突发波动信息.     

基于时间序列分析的网络流量异常检测

针对传统模型无法对网络流量异常进行准确识别和检测的问题,提出一种基于时间序列分析的网络流量异常检测模型.首先提取网络流量的原始数据,并对原始数据进行小波阈值去噪处理,消除干扰因素的影响;然后采用时间序列分析法挖掘网络流量数据之间的变化关系,建立网络流量异常检测模型;最后通过仿真实验验证检测模型的有效性和优越性.实验结果表明,时间序列分析法可以准确、及时地检测网络流量的异常行为,且结果优于目前其他网络流量异常检测模型.