基于小波变换与回归分析的融合GNSS水汽、风速和PM10要素的PM2.5浓度模型

PM2.5浓度时空演化分析有助于认知大气污染的发展和现状.由于我国PM2.5浓度监测起步较晚,积累数据短,有必要利用其它已有数据开展PM2.5浓度模型研究.PM2.5浓度变化受到内部因素与外部气象条件的影响.本文以河北省为例,选择PM10为影响PM2.5浓度变化的内部因素、水汽与风速为PM2.5浓度变化的外部气象条件,融合三种要素构建多变量PM2.5浓度模型.开展了PM2.5与PM10、水汽、风速的相关性分析,鉴于水汽值存在季节性差异,利用小波变换对水汽序列分解重构后再开展PM2.5与水汽的相关性分析.采用回归分析方法构建了融合PM10、水汽、风速的PM2.5浓度多变量预测模型,利用PM2.5实测值进行了模型的可靠性检验.研究发现:PM2.5与PM10、小波变换分解重构后的水汽呈正相关,与风速呈负相关;与PM2.5浓度实测值相比,多变量模型PM2.5浓度预测精度优于单变量模型;对于PM2.5浓度分级预测效果统计,在大气空气质量为良、轻度污染、中度污染的情况下,多变量模型PM2.5浓度预测效果较好.基于多变量要素模型反演的PM2.5浓度序列可用于河北省大气污染变化分析.     

基于小波分析的股市波动的多重分形辨识

以上证指数和深圳成分指数日收盘价的时间序列为样本,利用小波分析方法剔除序列的噪声干扰,对序列保留的波动趋势进行多重分形辨识.通过 WTMM (小波变换模极大)计算配分函数,尺度函数和多重分形谱等,全面细致的量化了序列的局部及不同层次的波动奇异性.计算结果表明:去除噪声干扰后, 中国现行证券市场的波动呈现显著的多重分形特征.     

基于小波和多重分形的金融时间序列聚类

为研究时间序列波动特征及其聚类,定义了反映序列波动特征的概率测度并考虑长期趋势项对时间序列多重分形分析的影响,采用小波分解与重构的方法去除低阶项,得到消除趋势项后的序列.比较消除趋势项前后序列的多重分形谱,结果显示多重分形谱的形状在消除趋势项后更加趋于钟形.由于多重分形谱可以定量表征序列的波动特征,将此方法应用于上海市场股票价格序列的波动特征分析,结果显示,消除趋势项后的上海市场股票价格序列的多重分形谱用于其波动特征的聚类具有更合理的物理意义.     

为清洁空气买单?空气质量对我国房地产价格的影响研究

自2013年中国国家环境保护部开始检测PM2.5指数以来,空气质量对国民经济的影响日益受到重视.雾霾现象已经蔓延到全国各地,其是否会影响房地产价格?本研究基于我国280个地级市2002-2016年的数据,运用空间计量模型实证检验了空气质量对房地产价格的影响,并分别从不同时期及不同区域层面进行了异质性分析.研究得出,房价和PM2.5浓度在全国的分布存在空间聚集效应.从全国范围看,空气质量会对房价产生负向作用,PM2.5浓度每上升1个单位,造成房价下降0.37%.不同时间阶段空气质量都对房价存在影响,但在宏观调控加强时,空气质量的影响效果会被削弱.从区域层面看,经济发展水平的差异会影响空气质量对房价的作用效果,经济越发达的地区空气质量对房价的影响越强.     

基于DLENN模型的沈阳地区PM2.5浓度预测

受到重工业发展规模、北温带季风气候、秋冬季燃煤取暖、机动车拥堵状况以及微观气象条件等各种因素影响,沈阳地区PM2.5浓度变化具有趋势性、周期性及随机性特征。针对上述三种特征,论文构建了一种集成双向长短期记忆网络的神经网络预测模型DLENN(Double-LSTM Ensemble Neural Network),内含的两个方向LSTM分别刻画PM2.5浓度变化趋势性和周期性,然后采用线性回归杂合神经网络来捕捉PM2.5浓度变化的随机性。基于沈阳地区11个监测站2016至2017年空气质量和气象条件数据,本文将DLENN模型分别与自回归移动平均ARIMA模型、支持向量机SVM模型、随机森林RF模型和梯度提升树GBDT集成学习方法进行对比实验,结果表明DLENN预测模型稳定优于其他方法,其预测误差RMSE相对于ARIMA、SVM和集成模型分别下降了9.23%、3.83%、5.49%.     

TPE-XGBOOST与LassoLars组合下PM2.5浓度分解集成预测模型研究

在我国当前大气重污染的环境下,PM2.5浓度的预警预报工作显得尤为重要.由于PM2.5浓度时间序列具有高度复杂性与随机性等特点,且传统的PM2.5浓度分解集成预测方法没有考虑空气质量因素与气象因素的信息,仅靠PM2.5浓度的历史值难以准确对其精准预测.本文在对历史数据的分解下,对高频数据引入TPE-XGBOOST模型,对低频数据引入LassoLars模型,结合空气质量因素与气象因素反映分解特征的变化趋势,对PM2.5浓度时间序列展开预测研究.通过实验,该组合模型显示出了良好的预测效果,且相对于单一分解集成预测模型有较大的预测精度提升.     

融合小波分析与矩特征的图像识别算法及应用

生物特征识别方法正逐渐成为近年来的研究热点,而人耳图像的识别更是其中一个新兴的研究方向.研究了小波变换模极大值、小波不变矩的原理及特点,提出了基于小波模极大值与改进小波矩不变量的特征提取方法,并将其应用于人耳图像的自动识别.识别过程中先对采集到的人耳图像进行小波模极大值去噪处理与边缘提取,再对处理后的图像求小波矩不变量,将其作为人耳识别特征量.通过这种方法提取的特征量不仅可以解决光照不均、光照变化、噪声干扰的问题,而且还有平移、旋转缩放不变性.将本文得到的特征量使用误差处理方法进行加权并利用BP神经网络方法进行分类,实验结果表明,这些特征量适合于人耳图像的分类,其识别率达到了97%以上.     

基于多重分形谱的神经网络建模及股价指数预测

基于多重分形理论,对上证指数进行实证研究,确认了多重分形谱参数与股价指数及股指收益率之间的统计关系,以此确定神经网络的输入、输出变量来构建以多重分形理论为依据的神经网络模型,并将其应用于股价指数的预测中.结果表明,该神经网络模型能够取得比较好的预测效果,预测的平均准确率达98.9%,而且该模型能够较好地模拟股市的短期走势,对防范和控制风险具有现实意义.     

基于小波窗口的模极大值去噪算法

在相关去噪和模极大值去噪的基础上,提出了一种基于小波窗口相关的模极大值去噪算法.即先用小波窗口相关法时最大尺度的小波系数进行预处理,再用模极大值法去除各层系数的噪声.该算法不仅克服了通常相关去噪算法中小渡系数对偏移敏感的缺点,避免了阙值选择受噪声影响的问题,同时,它也解决了模极大值算法中由于小尺度上噪声影响较大而造成的对信号小波系数定位不准的问题,减少了模极大值法的累积误差.仿真实验验证了新方法的有效性,特别是信噪比较低时,该方法的效果尤为显著.     

基于多重分形谱的局域网流量预测

基于非线性动力学理论,采用多重分形谱参数对局域网流量进行预测分析.首先,构造出实际局域网流量的多重分形谱并研究其谱参数的物理含义.然后,分析了多重分形谱参数与网络流量的关联关系.最后,采用多重分形谱对局域网流量进行了预测.研究结果显示,多重分形谱参数与网络流量的变化存在一定的关联性,采用多重分形谱可在一定程度上对网络流量的变化趋势进行预测,并且流量的波动量越大,预测的结果越准确,可预测的时间越长.     

一种基于子波变换模极大值的信号重建方法

本文首先介绍了子波变换的局部时频分析法。基于子波变换系数模极大值同信号奇异性之间的关系，给出了一种利用该极大值信息的信号重建方法。由模拟结果可以看出，这种重建方法的精度在－３５ｄＢ以上。     

Classification using wavelet packet decomposition and support vector machine for digital modulations

To make the modulation classification system more suitable for signals in a wide range of signal to noise rate （SNR）, a feature extraction method based on signal wavelet packet transform modulus maxima matrix （WPTMMM） and a novel support vector machine fuzzy network （SVMFN） classifier is presented. The WPTMMM feature extraction method has less computational complexity, more stability, and has the preferable advantage of robust with the time parallel moving and white noise. Further, the SVMFN uses a new definition of fuzzy density that incorporates accuracy and uncertainty of the classifiers to improve recognition reliability to classify nine digital modulation types （i.e. 2ASK, 2FSK, 2PSK, 4ASK, 4FSK, 4PSK, 16QAM, MSK, and OQPSK）. Computer simulation shows that the proposed scheme has the advantages of high accuracy and reliability （success rates are over 98% when SNR is not lower than 0dB）, and it adapts to engineering applications.     

小波变换用于奇异性检测与小波类型选择的仿真

小波变换具有空间局部性,它能聚焦于信号的局部结构,因此用小波变换确定信号的奇异性位置更加有效。提出了一种新的奇异性检测方法,它包含两点:寻找小波变换模极大值在细尺度的坐标以确定奇异性发生的时间;通过小波变换模极大值的衰减计算Lipschitz指数,从而判断奇异的性质。在仿真实验的基础上验证了方法的可行性。并在仿真实验结果的基础上,总结出了小波类型选择的规律。     

Filtering of long-term dependent fractal noise in fiber optic gyroscope

Stochastic noises of fiber optic gyroscope (FOG) mainly contain white noise and fractal noise whose long-term dependent component causes FOG a rather slow drift. In order to eliminate this component, a two-step filtering methodology is proposed.Firstly, fractional differencing (FD) method is introduced to transform fractal noise into fractional white noise based on the estimation of Hurst exponent for long-term dependent fractal process, which together with the existing white noise make up of a generalized white noise. Further, an improved denoising algorithm of wavelet maxima is developed to suppress the generalized white noise. Experimental results show that the basic noise terms of FOG greatly decrease, and especially the slow drift is restrained effectively. The proposed methodology provides a promising approach for filtering long-term dependent fractal noise.     

小波分维估计法在三峡水库汛期 洪水分期中的应用

汛限水位分期控制能在不降低水库防洪标准的条件下提高水能资源利用效率,而洪水分期是汛限水位分期控制的前提.以三峡水库洪水资源高效利用为背景,在分析三峡水库上下游水文气象特征的基础上,根据水文序列的自相似性,由统计分析法确定了宜昌站洪水分期数目,并选择Db4为小波基,以Mallat算法为基础,提出了小波分维估计法计算模式并计算了宜昌站各分期的分维数,最后确定了三峡水库的汛期洪水分期。结果表明,以小波分维估计法划分的洪水分期与传统研究分期结果一致,但小波分维估计法计算简便,所得分维数结果稳定,表明小波分维估计法应用于洪水分期是可行的和有效的.