一种新的时变参数AR模型分析方法

提出了一种新的非平稳信号的时变参数AR模型分析方法－局域波分解及其时变参数AR模型。该方法先用局域波分解方法把待处理信号分解成有限个基本模型分量，再对分解得到的基本模式分量建立时变参数AR模型，从而得出时频平面上的时变参数AR模型谱。它扩大了传统的时变参数模型法的应用范围，可用于复杂的非平稳信号的分析和处理。     

一种基于小波变换的自适应播放算法

针对网络传输中延时的非平稳特性,提出了一种基于小波变换的自适应播放算法. 通过小波变换将非平稳的延时序列变为多个平稳的分量,再对各平稳分量采用不同自适应速率的自回归(AR) 模型进行预测,将各个预测分量利用小波重构得到最终的端到端延时. 仿真结果表明,该算法的预测精度比传统的AR算法提高了5～14dB,比新提出的差分自回归 (DIAR) 算法提高了1.5～5.0dB.     

一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法

提出了一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法。采用Hilbert-Huang变换将原时间序列分解成若干个平稳的固有模态函数分量,求出每一个固有模态函数分量的瞬时频率和瞬时幅值,然后对每一个固有模态函数分量的瞬时频率和瞬时幅值序列建立ARMA模型,最后通过合成得到原时间序列的ARMA预测模型。实验结果表明,此方法可有效地应用于非平稳时间序列的预测。     

《局域波分析理论及工程应用》——新书推介

正局域波分析是一种新的时频分析方法,是近年来非平稳信号处理领域的一次重大创新。《局域波分析理论及工程应用》是作者在该领域研究成果的一次提炼及汇总。全书共6章,内容涉及局域波分析理论、局域波分解方法、局域波多分辨率分析、局域波分析特性以及局域波时频分析软件实现及工程应用。《局域波分     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列，运用灰色GM(1，1)模型提取其中的趋势项，用AR(n)模型表示随机残差项，利用灰色-时序组合模型进行沉降预测．算例结果表明，该组合模型具有较高的预测精度，是一种简单、实用的高层建筑沉降预测方法．     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

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。     

GPS系统SA误差模型的分析和建立

将采集的GPS数据进行处理，获得GPS的误差数据，使用非平稳时间序列数据的建模方法对其进行分析，首先通过直观检验方法判断误差数据具有非平稳特性，而后对误差数据进行一次差分处理，得到差分数据序列，通过系数检验方法证明此数据序列是平稳的。使用平稳信号建模方法确定差分数据序列的模型结构、类别、阶数以及模型系数，建立了AR(2)模型。最后对此模型进行检验，结果表明此模型的效果较好。     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

局域波法的多分辨分析特性及其应用

局域波法通过局域波分解和瞬时频率的求解,将任何复杂的信号分解成为有限数目并且具有一定物理意义的基本模式分量,每一个分量描述了时变信号中不同频率和尺度范围的固有振动模式,所获得的各分量局域波时频分布具有多分辨分析特征.由于局域波分解是自适应的,它的多分辨分析特征也是自适应的.经理论分析与对变速箱轴承座处拾取的振动信号的分析验证了方法的有效性,局域波法为工程测试中的时频分析提供了一种有效的手段.     

正交化经验模式分解方法

针对Hilbert—Huang变换中经验模式分解所得固有模式函数存在的不完全正交问题，基于Gram-Schmidt正交化方法，提出了一种新的正交化处理方法，可得到完全正交的固有模式函数，从而完善了Hilbert—Huang变换方法．通过典型时程曲线的数值模拟的分解结果表明了这一方法的正确性，实际地震波数据的分解显示了这一方法的良好应用前景．     

Hilbert-Huang变换理论及其计算中的问题

以地震波的谱分析为例 ,对比分析了Hilbert Huang变换 (HHT)与傅立叶变换的差别 ,结果表明 :HHT是对非平稳时程进行数据分析的有效工具 ,能有效地将各种频率成份以固有模态函数的形式从时程曲线中分离出来 ,但这种固有模态函数与傅立叶变换结果不同 ,而且Hilbert谱是包含时间 -频率 -振幅的三维谱 ;可采用在端点改造一个小波串的方法解决HHT存在的端点飞翼现象 .文中还提出确定是否终止固有模态函数分离过程的一种方法     

基于HHT的高压直流输电故障测距算法的研究与仿真

本文介绍了用希尔伯特黄变换(HHT)对直流输电线路进行故障测距的方法。首先对测得的故障电流行波信号进行经验模态分解(EMD)得到一系列对应固有模态函数(IMF),对IMF进行希尔伯特(Hilbert)变换得到其时频图。根据时频图中的频率突变点得出故障行波到达两侧测量点的时间,并且根据其对应时刻的瞬时频率和具体线路的参数计算出其波速度。用改进的双端测距理论对直流线路进行测距。并对测得误差总体趋势和误差因子进行详细分析。相关仿真分析用EMTDC环境进行,仿真结果证实了所提方法的有效性。     

基于EEMD的柴油机缸套磨损故障诊断

针对柴油机缸套磨损故障诊断问题,在实车上测试了柴油机机体振动信号,应用经验模态分解(EMD)对不同磨损状态下的柴油机机体振动信号进行了分析,然而,EMD存在的模态混叠问题使其难以获得准确的基本模式分量(IMF).为此引入基于总体经验模态分解(EEMD)的改进的局域波分析方法,利用EEMD获取无模式混淆的IMF,通过Hilbert边际谱分析信号能量随瞬时频率的变化特征.工程实测分析结果验证了应用该方法进行柴油机缸套磨损故障诊断的有效性.     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.