小波分析在水文序列趋势分析中的应用

根据水文时间序列的频率分布特性 ,运用小波分析将不同频率成分组成时间序列按尺度分解成低频和高频成分 ,然后依据小波系数的重构原理还原时间序列的趋势成分 ,从而可以判断水文时间序列的趋势变化 .以黄河上中下游四个水文站的实测年径流序列为例进行了研究 ,研究结果表明多分辨分析用于水文时间序列趋势分析是合理可行的     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

年径流预测的小波系数加权和模型

利用连续小波变换和小波方差分析年径流的周期特征,已被众多学者认可并应用于年径流的分析中。但这种方法只是一种定性预测,并不能作出比较明确的定量预测.本文在原有定性分析方法的基础上,提出基于年径流时间序列主周期小波系数加权求和预测周期成分的年径流预测模型.该方法更为有效地利用了小波分析的多分辨率特征,并可减小趋势成分的预测误差.经对千河流域年径流建模并检验,结果表明,文中所提出的预测方法可得到较为理想的预测结果,并可用于年径流时间序列预测.     

SSA与BP神经网络在地铁沉降监测中的应用

邻近区域施工,致使地铁沉降呈现复杂的非线性变化。对此,采用奇异谱分析(SSA)和BP神经网络对地铁结构进行分析与预测。通过SSA重建趋势序列和周期序列,分析地铁结构变化的趋势与周期波动;利用BP神经网络对重建趋势序列与时间序列分别进行预测。以上海9号线地铁沉降监测数据为例,提取趋势序列与周期序列进行分析及预测,实验证明了利用SSA对地铁监测序列进行分析以及利用BP神经网络对成分序列进行预测的可行性。     

Takens理论和小波分析在非线性预测中的应用

以Takens理论为基础，将小波和时间序列分析相结合，对时间序列进行非线性预测，首先，对混沌吸引子做非线性长期预测，其次，对经济时间序列做非线性短期预测，另我，指出对于用充分多个小波基函数mn来逼近原时间序列的预测误差可以任意小的性质。     

基于小波变换的模糊神经网络短期负荷预测方法

为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.     

基于径向基函数神经网络的投资预测模型

利用径向基函数(RBF)神经网络,建立投资预测模型,有效解决经济投资预测中非线性预测问题.以历史数据为例,对所建立投资预测网络模型进行仿真、分析仿真结果.根据生产总值与投资分配之间存在的映射关系,应用RBF神经网络建立投资预测模型.模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度,更具有较强的实际应用意义.     

基于Kohonen聚类小波包分解和ELM的短期电力负荷预测

提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性,经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日;利用双正交小波对负荷数据进行分解,得到不同的频率分量分别送入ELM网络进行预测;最后将所得的不同频带中的待预测负荷分量组合,即为最终负荷预测值.经仿真实验表明,较传统单一的神经网络算法,该方法在预测精度和运算时间等方面均颇有提升,具有一定的实用性.     

黄河上游河川径流变化多时间尺度分析

应用小波变换理论,采用兰州站1919~1996年共78年间天然径流资料,研究黄河上游河川径流变化规律,分析不同时间尺度下的周期及突变点.小波方差检验表明,黄河上游径流变化的主要周期是22年,其次是15年、4年和37年,以22年的主要周期预测黄河上游1996年后直到2007年前后径流将处于偏枯期。     

基于RBF神经网络的总产值预测模型研究

介绍了径向基函数（RBF）神经网络的工作原理和训练算法．根据生产总值与投资分配之间存在的映射关系，应用RBF神经网络建立了投资预测模型，并进行了仿真试验．与BP模型相比，该模型在预测精度和收敛速度方面具有显著的优点．结果表明，用RBF神经网络进行投资预测得到了十分满意的结果．     

一种新的晶化过程电特性预测方法

金属玻璃具有许多独特性能,有着广泛的应用前景,晶化过程对金属玻璃的特性有重要影响.因此提出了一种基于小波变换和AR-ILSSVM金属玻璃晶化过程电特性预测方法.首先利用小波变换将时间序列分解为高频序列和低频序列,利用AR模型预测高频序列,利用ILSSVM方法预测低频序列,预测结果为上述预测的合成.仿真试验表明,这种方法可显著提高时间序列的预测精度.     

小波变换应用于信号去噪研究

分别对小波分解与重构法去噪法、非线性小波变换阈值法去噪法以及小波变换模极大值去噪法的原理进行了阐述，并比较了这几种小波去噪方法的优缺点，通过计算机仿真结果表明有效可行。     

一种基于小波变换的静止图像编码方法

通过对小波函数、Mallat多分辨分析等小波变换的有关概念和理论的介绍,以及对矢量量化方法的分析,提出了一种基于小波变换和矢量量化的图像编码方法,并在计算机上模拟实验,得到较好的重建效果。     

基于小波变换的GM(1,1)-ARMA组合预测模型对悬索管桥的应变预测

ARMA模型采用差分处理对桥梁监测数据进行预测时,会出现数据丢失和预测精度降低的现象.为此,利用小波变换对信号进行离散化处理信息不会丢失的优点,将趋势明显的原始序列离散化,得到不同频带上的块信号.采用灰色GM(1,1)模型对趋势明显的低频信号进行趋势预测,用ARMA模型对平稳的高频细节信号进行细节预测,再将两部分预测值叠加得到最终预测值.对黄河悬索管桥在线监测系统获得的过去一段时间的应变数据进行验证,结果表明所提出的GM(1,1)-ARMA组合模型预测效果明显高于传统ARMA模型,这对实现同类桥梁的预警具有积极意义.     

转子故障信号的小波能量特征自动提取

提出了一种基于小波变换的转子故障信号能量特征自动提取方法,受倍频分析思想的启发,运用尺度变换对原始时间信号重采样,将重采样后的信号进行小波变换,并统一分解到给定层上,从而获取信号的频带特征。该方法能消除转子转速和采样频率对小波分解频带分布的影响,提取的频带能量特征具有统一的物理意义。在ZL-3多功能转子模拟试验台上模拟了不平衡、不对中、碰摩及油膜涡动四种转子常见故障的128个样本,应用本文方法进行小波分析特征提取,并构造集成神经网络诊断模型进行诊断实验,结果表明了本文方法的有效性和正确性。     

用直方图加子波增强炭素材料X射线图像

针对炭素材料X射线图像增强方法存在的增强效果问题,提出了基于小波变换与传统方法融合的增强方法.该方法充分利用了直方图均衡化能改善整幅图像对比度的能力和小波变换多尺度分析能力,首先用直方图均衡化方法对整幅图像进行灰度调整,然后对调整后的图像进行基于软阀值的小波高频增强,最后利用卷积滤波,平滑图像.实验结果表明,该方法对原图像中对比度差的细节有效地进行了增强,突出了图像的边缘特征,改善了图像的质量,其处理结果比现有的图像增强方法更令人满意.     

基于小波多分辨率分析的掌纹分割算法研究

由于复杂掌纹纹线存在难以分割和有效性较低的问题,该文采用小波多分辨率分析方法构建掌纹分割算法,算法首先利用小波多分辨率对高频子图的候选子区域进行分析,将获得的相似掌纹纹线集合加以合并,并对合并相似区域的集合和二值化集合求交集得到融合图像,最后利用区域生长法和形态学去噪获得掌纹主要纹理特征.     

SAR图像中PS点的识别与选取

提出一种基于小波相位分析的永久散射体(persistent scatterer, PS)的识别与选取方法. 该方法将小波理论引入到PS点识别与选取中,利用基于小波相位分析的差分干涉图滤波方法,首先对差分干涉相位图进行滤波处理,然后估算滤波后各PS候选点的噪声相位、衡量指标以及各PS点的概率,从而在兼顾各PS候选点幅度和相位的稳定性基础上实现SAR图像中PS点的有效识别与选取. 理论分析和实验结果表明,该方法识别与选取的PS点是有效而且可靠的.     

小波神经网络及其在非线性时间序列中的应用

介绍将小波神经网络理论应用于非线性时间序列的拟合与预报,主要应用于太阳黑子,洛川数据等进行拟合、预报,并将拟合、预报的结果分别与投影寻踪学习网络及改进的BP网进行了比较,说明了小波网具有很好的拟合、预报性质.