基于小波分解和支持向量机的ENSO预测试验

为了改善ENSO的预测效果,基于Nino综合区的海温距平时间序列,采用小波分解和最小二乘支持向量机结合的方法,引入多步递阶预测的思想,建立ENSO的预测模型.试验结果表明:基于小波分解和最小二乘支持向量机结合的多步预测方法,可以有效提高ENSO的预报精度.同时,该模型具有同时得到不同时效的预测结果,建模方便,计算效率高...     

利用地面光谱数据反演悬浮泥沙质量浓度

为研究用高光谱数据反演悬浮泥沙质量浓度的方法,以近海悬浮泥沙为实验材料,配制了不同质量浓度悬浮泥沙样品,利用2种方法对样品进行建模:一种是将可见光和近红外光谱进行小波变换并将小波低频系数以偏最小二乘回归建模,另一种为波段组合法.利用交叉检验方法,分析了交叉检验结果,并将2种方法建立的模型进行了比较.研究表明:波段组合法中,TM4与TM1波段反射率比值的指数模型效果最好;在预测能力上,小波偏最小二乘模型总体上比波段组合模型精度高并且稳定性好,适用于悬浮泥沙光谱定量分析.     

基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。     

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

基于小波变换的医学图像压缩方法

简要说明离散小波变换(ＤＷＴ)的Ｍａｌａｔ算法·分析了一维离散小波变换ＤＷＴ不能完全重构信号的原因·对二维离散小波变换ＤＷＴ的重构性进行了讨论·在此基础上提出改进型的Ｍａｌａｔ二维ＤＷＴ算法·压缩实验表明改进型的Ｍａｌａｔ二维ＤＷＴ算法对提高图像压缩及重建质量是有效的·     

小波神经网络在短期电力负荷预测中的应用

针对小波网络建模存在难以有效对小波级数进行截断的问题,提出一种基于频带能量的小波级数截断方法,该方法能克服传统方法对个人经验的依赖,确保小波网络的逼近能力;结合正交最小二乘法,将其应用于电力负荷预测中,建立负荷预测的小波网络模型.仿真结果表明:用该方法建立的小波网络模型简洁、明了,结果有效、准确,具有较好的预测能力.     

一种改进的第2代小波变换算法及应用

为了获得基于分析数据特征的小波函数,将第2代小波变换插值细分方法与最优估计理论相结合,提出了一种改进的第2代小波变换算法,在设计预测系数时,以小波分解的细节信号的平方和最小为目标函数,使预测满足一定的消失矩,通过最小二乘法确定预测系数,使预测系数能够反映分析数据的特征,采用最优插值估计的第2代小波变换分解及重构算法的降噪效果优于其他类型的小波,因此较理想地提高了滚动轴承振动信号的信噪比。     

两点边值问题二尺度小波核LS-SVM解法

针对两点边值问题难以得到解析解,提出了利用二尺度小波核最小二乘支持向量机方法求两点边值问题的近似解;首先将两点边值问题转换为带有两个约束条件的目标优化问题,再利用二尺度小波核函数的组合构造满足边界条件的近似解;其中第一个约束条件用第一尺度小波核函数逼近,第二个约束条件是对第一次逼近的误差函数用第二尺度小波核函数再次逼近,可提高近似解逼近精度;最后将目标优化问题转化为回归问题,进而利用最小二乘支持向量机方法求解回归系数,系数求解过程中核心是将参数回归问题转化为二次规划问题,可避免复杂的微分运算;数值实验表明:方法求解两点边值问题有较高的精度,计算量小,并且具有较好的稳定性,因此二尺度小波核最小二乘支持向量机方法求解两点边值问题的近似解是有效的,并且具有精度高、可微、表达式简单且形式固定等特点。     

基于偏最小二乘回归的焦炭热性质非线性预测模型

针对基于煤质指标预测焦炭热性质建模过程中易出现的多重共线性问题,提出应用偏最小二乘回归对焦炭热性质进行预测的建模思路.考虑到煤质指标与焦炭热性质之间复杂的非线性关系,采用拟线性化处理的方法,将煤质指标的一次效应、二次效应及交互效应作为模型输入,建立焦炭热性质预测的偏最小二乘回归模型;基于拟线性化处理的非线性偏最小二乘回归和线性偏最小二乘回归对焦炭热性质预测实例进行分析.研究结果表明:基于偏最小二乘回归方法建立的焦炭热性质预测模型是有效可行的:非线性偏最小二乘回归模型的预测精度明显比线性偏最小二乘回归模犁的预测精度高.     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于小波分解的色噪声预测

研究色噪声的预测．将小波分析理论与神经网络建模预测基本原理相结合，提出了基于小波分解的神经网络预测方法．通过对年平均太阳黑子数典型统计模型的预测，验证了该方法的预测效果．将该预测方法用于色噪声的预测研究，通过改变对色噪声的采样速率，分析了色噪声预测的可能性和效果．研究结果表明，色噪声是可以预测的；对其预测的误差随采样率的提高而减小；基于小波分解的神经网络预测方法的预测精度优于线性神经网络预测方法．     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.     

基于Haar小波与ARIMAX模型进行短期负荷预测

为了提高对非稳态负荷的预测精度,提出了基于Haar小波分析和ARIMAX模型的短期负荷预测方案。首先,通过Haar小波将高频信息序列与低频信息序列分别从电价与负荷序列中分解出来;其次,分别利用电价序列的高、低频序列对负荷序列的高、低频序列进行ARIMAX模型构建和预测;最后,将含有电价信息的高、低频负荷预测值进行Haar小波重构,得到负荷序列的预测值。通过实例验证表明,本文采用ARIMAX模型添加的电价信息,弥补了多次预测产生的误差,对短期负荷的预测精度高于传统时间序列方法。     

基于小波多分辨分析的线性预测

提出了一种对非平稳时间序列预测的新方法.通过小波多分辨分析把某些非平稳间序列分解若干层近似意义上的平稳时间序列,然后再用自回归模型对每层的单支重构信号进行预测,最后综合每层的预测值可得到原时间序列的预测值.仿真实验表明了该方法的优越性.     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。     

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...     

小波变换在血糖浓度检测中的应用

利用小波变换的时频局部变换特性对近红外光谱数据进行滤噪处理,能有效地从信号中提取有用信息,从而提高信号的信噪比,提高模型的预测精度和稳健性．将该方法应用于近红外血糖浓度测量的基础研究中,实验结果表明,校正模型的预测标准偏差(RMSEP)分别减少了53%和58%,这对于血糖浓度测量的研究具有一定的现实意义．     

采用小波变换和高斯过程的肌电信号模型预测

根据表面肌电信号的生物电信号特点,采用小波变换和高斯过程建模的方法对表面肌电信号进行建模和预测.对非线性的表面肌电信号利用拟合能力强大的高斯过程进行建模,预测效果较好,但所需运算时间长.针对其运算时间长的缺点进行改进,将预处理后的表面肌电信号小波分解,对分解后的系数高斯建模,然后重构.实验结果表明:该改进方法在响应时间和预测误差方面效果明显.     

小波消噪的灰色拓扑法预测降雨量

为了进一步提高降雨量预测精度,在基于小波消噪的基础上应用灰色拓扑对降雨量进行预测,用丹东地区1951年-2007年的降雨量作为历史数据,建立降雨量预测模型.结果表明,新模犁算法简单,精度较高,比传统的拓扑预测模犁效果更好.应用该方法有效的提高了降雨量的预测精度,为降雨量预测提供了一种行之有效的方法,对防灾减灾具有重要的现实意义.     

小波阈值去噪与岭估计在飞机磁补偿中的应用

针对飞机干扰磁场模型求解时均方误差较大的问题,提出小波阈值去噪结合岭估计(WTRE)的模型参数求解方法.首先采用小波阈值去噪对观测数据进行预处理,降低测量噪声对模型求解的影响;然后利用岭估计求解干扰磁场模型系数,岭参数的选取采用L曲线法.参数估计仿真实验的结果表明,WTRE的均方误差明显小于LS估计和岭估计,特别是在低信噪比情况下对岭估计的改进更加明显.飞机磁补偿仿真实验的结果表明,采用WTRE所求系数补偿后的信噪比最高,在飞机磁补偿中与其它方法相比具有明显的优越性.