基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。     

一种混合建模方法在陀螺漂移预测中的应用研究

陀螺仪作为惯性导航系统的核心惯性器件,其漂移性能直接影响导航的精确性,分析陀螺漂移的变化趋势并预测由漂移所引发的陀螺故障具有重要的意义。提出一种基于灰色理论和平稳时间序列分析的混合建模方法,并将其用于预测陀螺漂移。实验结果表明该混合建模预测方法能够精确地预测陀螺的漂移,从而为陀螺的性能分析和故障预报提供依据。同时与单一预测方法相比,该混合方法具有较强的预测能力。     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

非平稳时间序列分析的WAVELET—ARMA组合方法及其应用

创立非平稳时间序列分析的WAVELET—ARMA组合方法。介绍WAVELET—ARMA方法原理,阐述WAVELET—ARMA组合方法分析的一般步骤,即利用小波分解与重构,通过采用Daubechies小波将时间序列分解成趋势项和一般项;趋势项的平稳性检验;以及用ARMA方法拟合已经成为平稳序列的趋势项,并应用于原时间序列的预测。最后,将该WAVELET—ARMA组合方法应用于江苏粮食产量的变化情况研究,结果表明该方法比直接二次多项式拟合预测的平均相对误差小0.4824%,反映WAVELET—ARMA组合方法的有效性。     

抑制时频分布交叉项的一种新方法

最近提出了一种新的处理非平稳信号的分析方法。该方法主要利用基于经验的模式分解方法 ,把复杂的信号分解成简单的、有限个基本模式分量 ,从而使瞬时频率具有实际的物理意义。这种信号分解方法基于信号局部特征、是自适应的 ,因此也是高效的。对该方法进行了推广 ,提出了一种抑制时频分布交叉项的新方法———基于经验的模式分解及其Wigner-Ville分布 :首先利用基于经验的模式分解方法把信号分解成有限个基本模式分量 ,然后对每个分量进行Wigner-Ville分布计算。该方法能有效地抑制时频分布的交叉项 ,适用于一些复杂的非平稳信号的分析。     

基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计

环境温度变化造成的复杂漂移（温度漂移）始终是制约光纤陀螺（FOG）性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列，在这一领域首次采用投影寻踪学习网络（PPLN）方法设计FOG温度漂移在线估计器，相对于传统的神经网络技术，PPLN采用批量学习和参数变替优化的训练算法，可以自适应确定神经网络的规模、参数和神经元函数，不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力，还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证，并采用传统反向传播神经网络（BPNN）的方法进行比较，计算分析结果表明，PPLN漂移估计器具有更好的估计精度和鲁棒性，尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。     

基于Takenaka-Malmquist自适应时频分布的特征指标——来自上证和深证的数据

股票价格指数度量并反映了股票市场总体价格水平及其变动趋势，包含了丰富的市场信息，受到投资者和政策制定者的普遍关注.利用一定的数学方法对其进行分析和研究，挖掘股指的潜在价值，对加快资本市场治理，提升金融效率，促进国民经济的平稳快速发展具有十分重要的意义.本文利用基于Takenaka-Malmquist自适应傅里叶分解（简称自适应傅里叶分解或AFD）的时频分布，有效提取了股票价格指数的时频特征，分析股票市场的变动趋势.为满足自适应傅里叶分解的要求，首先利用H-P滤波算法对时间序列进行预处理，去除时间序列的趋势项，然后利用AFD算法处理周期项数据，在此基础上得到股票价格指数的时频分布，并进一步分析股指变动趋势.基于自适应傅里叶分解的算法可以有效提取股指在时频两域的信息，避免了单一域分析的缺陷，且比现有的小波分解方法具有更高的分辨率和准确度.为检验指标的有效性，本文利用上海证券交易所的上证综合指数（代码000001）和深圳证券交易所深证成份指数（代码399001）实证检验了指标的有效性，结果表明基于自适应傅里叶分解的时频分布提出的股市技术分析指标可以用于中短期股票市场的变动特征分析.     

导引头的EMD-KF组合滤波方法

在拦截大机动来袭目标时,拦截弹视线角速度呈无规律的非线性变化,导引头对自身测量信息滤波存在一定困难。针对这一背景本文提出一种基于经验模态分解(empirical mode decomposition, EMD)和卡尔曼滤波(Kalman filtering, KF)相结合的导引头滤波降噪方法,发挥经验模态分解处理非平稳信号的自适应特性,并通过卡尔曼估计削弱经验模态分解方法中“边界效应”的影响。仿真表明,该方法对于具有强非线性特性的视线角速度信号有较好的自适应滤波效果。     

MEMS陀螺误差建模与滤波方法

从实际工程应用角度出发,探讨了微机电系统(micro-electro-mechanical systems,MEMS)陀螺误差的有效滤波降噪方法.基于随机序列时序分析法的基本原理,采用实时平均算法对陀螺原始量测数据进行常值补偿预处理,得到随机漂移信号.对去除渐进项后的差分漂移信号进行AR模型建模,并依据该模型进行改进卡尔曼滤波,在输出差分信号滤渡值的同时解算当前陀螺输出滤波值.通过对某MEMS陀螺实测数据的误差补偿结果表明,提出的滤波方法能够有效地抑制其漂移误差,提高实际应用中的测量精度.     

基于CEEMD-CNN-LSTM的股票指数集成预测模型

为有效应对金融时间序列数据的高噪声、时间依赖性和非线性，本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项，同时应用CNN-LSTM模型分别对各分项进行预测，并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性，选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明，CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征，可有效避免数据直接输入模型导致预测结果右偏等问题，与其他主流预测模型相比，其预测精度更高，预测误差显著降低。     

Satellite fault diagnosis method based on predictive filter and empirical mode decomposition

A novel satellite fault diagnosis scheme is presented based on the predictive filter and empirical mode composition(EMD).First,the predictive filter is utilized to obtain the fault estimation,which is corrupted by noise.Then the EMD method is introduced to decompose the fault estimation into a finite number of intrinsic mode functions and extract the trend of faults for fault diagnosis.The proposed scheme has the ability of diagnosing both abrupt and incipient faults of the actuator in a satellite attitude control subsystem.A mathematical simulation is given to illustrate the effectiveness of the proposed scheme.     

基于改进的经验模态分解的时间序列匹配算法

针对经验模态分解（EMD）的不足之处,对原有EMD方法中利用上下包络的乎均值得到平均包络进行了改进,采用三次样条对连续极值点的平均值进行插值获得乎均包络。通过这种方式,增加了近似极值点,在“筛”过程的每次循环中,只需要一次而不是两次祥务插值,缓解了“逆冲”和“欠冲”现象,改进了EMD方法,然后引用改进的EMD方法降低序列的维度,并用K均值算法实现模式匹配．实验结果表明,提出的在对EMD进行改进的基础上实现模式匹配的方法,优于传统的基于小波的模式匹配方法。     

Multi-component LFM signal detection and parameter estimation based on Radon-HHT

A new method is proposed to analyze multi-component linear frequency modulated （LFM） signals, which eliminates cross terms in conventional Wigner-Ville distribution （WVD）. The approach is based on Radon transform and Hilbert-Huang transform （HHT）, which is a recently developed method adaptive to non-linear and non-stationary signals. The complicated signal is decomposed into several intrinsic mode functions （IMF） by the empirical mode decomposition （EMD）, which makes the consequent instantaneous frequency meaningful. After the instantaneous frequency and Hilbert spectrum are computed, multi-component LFM signals detection and parameter estimation are obtained using Radon transform on the Hilbert spectrum plane. The simulation results show its feasibility and effectiveness.     

Empirical mode decomposition using variable filtering with time scale calibrating

A novel and efficient method for decomposing a signal into a set of intrinsic mode functions （IMFs） and a trend is proposed. Unlike the original empirical mode decomposition （EMD）, which uses spline fits to extract variations from the signal by separating the local mean from the fluctuations in the decomposing process, this new method being proposed takes advantage of the theory of variable finite impulse response （FIR） filtering where filter coefficients and breakpoint frequencies can be adjusted to track any peak-to-peak time scale changes. The IMFs are results of a multiple variable frequency response FIR filtering when signals pass through the filters. Numerical examples validate that in contrast with the original EMD, the proposed method can fine-tune the frequency resolution and suppress the aliasing effectively.     

基于趋势估计的微多普勒分离与特征提取算法

微动目标特征提取与辨识一直是弹道目标识别的研究热点与难点。针对复杂运动目标微多普勒(micro-Doppler, m-D)曲线交叠耦合导致的微动辨识难点, 提出一种基于曲线趋势估计的分离算法。该算法首先通过骨架提取获得稳定精细的二值化曲线数据, 再基于曲线光滑性和插值法对曲线趋势进行精确估计并分离, 最后利用变分模态分解(variational mode decomposition, VMD)及经验模态分解(empirical mode decomposition, EMD)算法分解每条m-D曲线并计算相应的微动特性。仿真实验表明, 所提算法能够在信噪比大于-15 dB条件下稳定分离m-D曲线, 进而提取目标的微动特性。     

峰度检验加窗的EMD脉冲星信号消噪方法

针对经验模态分解(empirical mode decomposition, EMD)过程中本征模态函数(intrinsic mode function, IMF)上存在脉冲星信号与噪声混叠的问题,提出了一种基于局部峰度检验加窗的EMD消噪方法。首先,利用自相关和互相关来判断IMF的重构起点;其次,通过局部峰度检验方法来获取重构起点前两层IMF中信号脉冲部分的左、右端点,选用Turkey Hanning窗滤掉脉冲外噪声;最后,利用自适应阈值方法进一步除噪,改善信号质量。实验结果表明,与其他5种方法相比,所提消噪方法可以有效抑制噪声,保留脉冲星信号细节信息,具有更高的消噪性能。     

采煤工作面瓦斯涌出量的固有模态SVM建模预测

首先提出了一个依据EMD (empirical mode decomposition)方法提取固有模态分量进行SVM建模实现采煤工作面瓦斯涌出量预测的技术方法. 利用瓦斯涌出量的历史记录数据, 通过EMD分解得出其固有模态函数, 即IMF分量, 然后, 对应于每个固有模态分别利用SVM函数拟合方法进行外推预测, 再把不同固有模态的预测结果进行叠加重构合成, 获得瓦斯涌出量的理论预测结果. 从监测结果的实例分析发现, 与常规SVM方法相比, EMD方法的引入能够大幅度提高理论模型的预测精度, 并给出监测数据极为吻合的预测结果. 实际应用表明, 在采煤工作面瓦斯涌出量预测建模中, 固有模态的提取和SVM方法的实施都充分利用了样本数据本身驱动的自适应性质, 从而为保障优异的预测效果提供了良好的理论基础.     

一种基于EMD和ANC技术的自适应降噪方法

为了提高分析信号的信噪比,基于经验模态分解和自适应噪声抵消技术,提出了一种新的信号去噪方法。该方法首先对信号进行自适应噪声抵消,然后进行经验模态分解,得到不同尺度上的固有模态函数,再对不同尺度上的固有模态函数进行噪声属性判定,如果不是噪声则选用不同的滤波参数,进行自适应噪声抵消,最后对各尺度上噪声抵消后的信号进行重构,得到去噪后的信号。结果表明,该方法比基于最小均方误差准则的自适应噪声抵消方法更能有效地消除信号中的噪声。     

基于EMD的降雨径流神经网络预测模型

针对小波变换方法的不足,运用EMD方法对黄河兰州以上二级水资源分区45年（1956--2000年）的年降雨量序列进行多时间尺度分析,发现该区域年降雨量存在准3年、准4--8年、准11年波动周期,并探讨了各IMF分量的物理背景及其趋势变化;然后以年降雨量的EMD分量为输入,以相应的年径流量为输出,建立了基于EMD的年降雨径流BP神经网络预测模型. 研究结果表明：EMD作为一种全新的信号处理方法,可以对水文时序进行精确的多时间尺度分析,进而掌握其局部变化规律,为人工神经网络提供高质量、多层次的输入变量,显著提高模型质量.