基于改进互补集合经验模态分解的自适应 小波熵阈值地震随机噪声压制算法

针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。     

基于小波去噪和神经网络的建筑工程沉降变形预测模型

为了提高建筑工程沉降变形预测的准确性,设计了基于小波去噪和神经网络的建筑工程沉降变形预测模型。首先采集建筑工程沉降变形相关数据,并采用小波去噪消除噪声对建模过程带来的干扰;然后采用神经网络对去噪后的数据进行建模,构建建筑工程沉降变形预测模型;最后通过建筑工程沉降变形预测实验对预测模型的性能进行了测试。测试结果表明,该模型的建筑工程沉降变形预测值与实际值吻合得较好,沉降变形预测结果优于其他模型。     

基于小波去噪的灰色关联BP神经网络在大坝沉降变形监测中的应用

针对大坝变形中存在多种影响因子干扰的问题,提出了基于小波去噪的灰色关联BP神经网络模型.首先利用小波阈值去噪方法对数据进行处理,然后通过灰色关联分析对大坝沉降变形监测中多种影响因素计算分析,得出关联度大的影响因子,将灰色关联分析和BP神经网络相结合建立模型,最后与未经数据处理的灰色关联BP神经网络以及卡尔曼滤波模型进行对比分析,得出结论.实验表明,经过小波去噪数据处理后,提高了灰色关联BP神经网络模型的预测精度和可靠性.通过灰色关联分析,可以对大量的输入变量进行处理,而不必经过主观的筛选,进而增加了BP神经网络的适应能力,同时预测的结果比其他单一模型更加接近最终实测值,具有更高的准确性与可信度.     

CEEMD联合小波阈值去噪法及其在GPS多路径效应中的应用

为了解决GPS数据采集过程中的噪音以及多路径效应影响,提出一种CEEMD联合小波阈值去噪法。该方法主要先采用CEEMD算法对GPS测量数据或信号进行分解,再利用模态相关系数准则法确定数据分解后噪音区与信号区的分界点,最后选取判定后的有效信号分量并依次将其通过小波软阈值法进一步去噪,从而得到去噪后的GPS测量数据或信号。通过正弦模拟信号和GPS实测信号实验结果可以看出,联合去噪法与其他相关方法比较,具有较好的去除噪声以及削弱GPS多路径效应影响效果。     

基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.     

基于小波神经网络的组合导航系统初始对准技术

针对SINS/GPS/MCP组合导航系统初始对准中GPS失锁时系统精度下降的问题,引入基于神经网络和小波技术的解决方案,将相关特征量经小波去噪后作为神经网络的训练样本.基于该方案建立了系统滤波模型,包括捷联惯性系统失准角、速度和位置误差方程以及速度航向匹配的状态方程和量测方程.为了验证该方案的有效性,分别对GPS失锁、加入神经网络修正和引入小波去噪技术3种情况进行了仿真,结果发现:神经网络修正可解决速度精度变差的问题;经小波去噪后对神经网络重新训练,各项指标都有所提高.可见,基于小波的神经网络方法可提高神经网络逼近模型的程度,进而提高对准精度.     

基于关系模式与深度强化学习的DS数据去噪模型

远程监督(Distant Spervision，DS)数据集中存在大量错误标注的数据，而现有的DS数据集去噪方法通常只考虑针对具有标签的数据进行去噪，没有充分利用无标签数据，导致去噪效果不佳。本文提出一种新型DS数据去噪模型——Pattern Reinforcement Learning Model (PRL模型)：首先利用基于关系模式的正样例抽取算法提取DS数据集中高质量的有标签数据；然后利用Filter-net作为分类器，提取DS数据集中高质量的无标签数据；最后将高质量的有标签数据和无标签数据作为深度强化学习(Reinforcement Learning，RL)方法的训练数据集，获得去噪效果更好的远程监督数据集。将PRL模型应用于New York Times(NYT)数据集，并以去噪后的数据集来训练PCNN+ONE、CNN+ATT、PCNN+ATT 3个模型。实验结果表明，经过PRL模型对数据集进行去噪后，这些模型的性能得以提升。因此，PRL模型是一种轻量的数据去噪模型，可以提升基于深度神经网络模型的性能。     

基于智能算法的涡流检测自然裂纹形状重构

人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹涡流检测(ECT)信号进行了去噪预处理及信号特征提取,通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型的基础上,利用经过处理的裂纹ECT信号与裂纹形状参数样本库对径向基函数(RBF)神经网络进行训练.采用遗传算法,通过创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号;然后运用改进的遗传策略进行迭代反演优化,对裂纹形状最优解进行搜索.重构结果表明该方法具有快速、精确的优点.     

小波理论在模糊神经网络预测中的应用

本在研究运用模糊神经网络进行预测的基础上，提出应用小波理论对时间序列信号进行去噪并根据去噪处理在模糊神经网络预测中作相应处理，提高在实际中模糊神经网络预测的准确性与及时性。     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构建基于数据预处理和模型参数优化的混合风速预测模型并用来预测中国环县风电场2017年日平均风速.数值模拟结果表明EEMD-MCS-BPNN模型预测精度比混合模型EEMD-BPNN,DWT-MCS-BPNN,DWT-BPNN,MCS-BPNN和单个BPNN模型的预测精度高.     

小波技术在高耸构筑物安全性评价中的应用

高耸构筑物施工风险大,安全监测至关重要。然而,复杂的环境因素使构筑物的原型观测数据包含强烈的噪声,严重干扰构筑物的受力分析和预测。为此,综合运用小波多尺度技术和小波神经网络技术分别对原始监测数据进行去噪处理和预测模型的建立。研究结果表明:经小波去噪后的数据更好地反映构筑物真实受力状态;基于RBF神经网络方法预测效果较好,具有很好的工程应用前景。     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。     

基于互信息判据的小波去噪

通常的线性滤波技术不能很好地解决非线性时间序列去噪问题，而现有的非线性去噪技术的参数选择往往要依赖于直觉和经验．为此，提出基于互信息判据的小波去噪方法，利用小波进行非线性去噪处理，并以互信忠作为去噪处理截止的判定条件，给出了小波去噪算法，分析了其优势，并进行了仿真实验．仿真结果表明，小波算法能更好地处理不平稳和突发的噪声；互信息所指示的优化截断尺度，既较好地保留了信号的动力结构，又有效地实现了非线性噪声过滤．     

基于灰色BP神经网络的中国人口预测模型

基于“国家人口发展战略研究报告”中的数据,采用“小波去噪”处理方法,建立GM（1,1）模型与BP神经网络相结合的灰色神经网络模型,对中国人口结构、分布、出生率、自然增长率、数量、抚养比例、男女比例等七个指标进行预测,并对预测结果运用PP样条拟合进行计算机模拟。     

改进萤火虫算法与小波神经网络相结合的变压器故障诊断

为了解决变压器故障诊断中诊断效率低的问题,本文对萤火虫算法(FA)进行了改进,并与小波神经网络(WNN)相结合应用于变压器故障诊断中。小波神经网络结构简单,预测精度高,收敛速度快,但是网络参数不好选择,易陷入局部最优。本文结合混沌算法、粒子群算法、可变步长的思想来改进萤火虫算法,用于优化小波神经网络的参数,再将处理后的数据带入神经网络中进行训练与诊断。实验结果表明,该算法与BP神经网络、支持向量机、小波神经网络、遗传算法改进的小波神经网络和粒子群算法改进的小波神经网络相比诊断正确率均有所提高。     

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型，该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测．首先使用多孔算法对短期负荷序列进行小波分解，得到指定尺度下的近似系数和相关尺度下的小波系数，然后利用LS-SVM对预测点的系数进行多尺度组合预测，通过小波重构可以求得相应的预测值．结合某地区短期负荷需求数据进行了仿真试验，研究了预测点与历史记录数据的相关关系．预测结果表明，使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度，同时LS-SVM的引入大大提高了模型的可计算性．     

基于WPD-PSO算法的整流电路故障诊断

针对电力电子电路故障类型多、诊断正确率低的问题，提出基于小波包分解和粒子群算法优化概率神经网络的方法。建立三相桥式全控整流电路仿真模型，利用小波包分解技术对故障电压信号进行三层小波包分解与重构，提取特征值，并对数据进行归一化处理；用粒子群算法优化概率神经网络寻找合适的平滑因子，对数据进行训练和诊断；将该方法与未优化的概率神经网络作对比。仿真结果表明，该方法在训练效果和诊断正确率上都要优于未优化的概率神经网络。     

小波神经网络对CDMA基带信号的消噪处理

为了最大限度地抑制无线信道中背景噪声对CDMA通信系统前向链路的影响，提高移动终端的接收信噪比，利用小波神经网络能自适应消除背景噪声的特点，对CDMA基带信号进行消噪处理。基于这种消噪模式，对整个CDMA通信系统的消噪处理过程进行了理论分析和计算机仿真，结果表明：这种消噪模式可以改善无线传播信道对CDMA通信系统中输入信噪比门限的影响。因此，利用小波神经网络对CDMA基带信号进行消噪处理，可以取得较理想的消噪效果。