基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测

运用经验模态分解(EMD)将某大跨度膜结构测点非平稳风压分解为一系列相对平稳的固有模态函数和一个剩余分量.为消除实测风压中噪声对固有模态函数的影响,使用小波变换对每个固有模态函数进行去噪,将去噪后的固有模态函数及剩余分量作为样本输入.分别将径向基核函数、Hermite核函数及Hermite组合核与最小二乘支持向量机结合(LSSVM),运用粒子群算法(PSO)对3种算法的正则化参数及核参数进行智能寻优,建立基于径向基核函数、Hermite核函数及Hermite组合核的PSO-LSSVM风压预测算法,并基于超高层建筑实测风压验证了组合模型的鲁棒性.单点预测结果表明,基于Hermite组合核的PSO-LSSVM的预测算法较其余两种算法具有更高预测精度及泛化能力;空间点预测结果进一步证明了该方法对于非平稳非高斯风压预测的有效性.     

基于极限学习机的非平稳下击暴流风速预测

分别运用经验模态分解(empirical mode decomposition,EMD)法和快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)法将非平稳下击暴流风速分解为一系列稳态序列集,即固有模态分量.建立极限学习机(extreme learning machines,ELM)风速预测模型(EMD-ELM)和快速EMD-ELM(FEEMD-ELM),分别对分解后的非平稳脉动风速训练集和测试集进行预测.同时,将EMD和FEEMD与基于粒子群优化(particle swarm optimization,PSO)最小二乘支持向量机(least squares support vector machine,LSSVM)进行混合,形成EMD-PSO-LSSVM和FEEMD-PSO-LSSVM混合模型算法.通过比较这4种预测算法的结果发现,基于EMD-ELM和FEEMD-ELM的非平稳下击暴流风速预测模型更为准确高效,其中FEEMD-ELM模型预测最佳.     

基于WPD-AHA-ELM模型的水质时间序列多步预测

根据水质时间序列多尺度、非平稳特性,并基于“分解-预测-重构”思想,提出小波包分解(WPD)-人工蜂鸟算法(AHA)-极限学习机(ELM)组合多步预测模型,并应用于云南省昆明西苑隧道断面pH值、CODmn、DO、NH₃-N多步预测.首先介绍AHA原理,在不同维度条件下选取6个典型函数对AHA进行仿真测试,并与灰狼优化(GWO)算法、旗鱼优化(SFO)算法、粒子群优化(PSO)算法的仿真结果进行比较;其次利用WPD对水质时序数据进行小波包分解,以降低水质序列数据的复杂度;并在延迟时间为1的情况下,采用Cao方法确定各子序列分量的输入、输出;最后通过各分量训练样本构建ELM适应度函数,采用AHA对适应度函数进行寻优,利用寻优获得的最佳ELM输入层权值和隐含层偏值建立WPD-AHA-ELM模型对各子序列分量进行超前1步至超前5步预测,将预测结果加和重构得到最终多步预测结果.结果表明：AHA具有较好的寻优精度和全局搜索能力,寻优精度优于GWO、SFO、PSO算法.WPD-AHA-ELM模型对实例断面pH、CODmn、DO、NH₃-N超前1步至超前5步...     

基于MEMD与全息谱技术的加速度传感器信息融合

针对加速度传感器测得的多通道信号中存在耦合的问题,提出了基于多元经验模态分解(multivariate empirical mode decomposition,MEMD)与全息谱技术相结合的信号分析方法.首先使用MEMD对多通道信号进行自适应分解.然后选择工频的经验模态函数分量做全息谱分析,得到二维全息图和全息瀑布图,这些全息图可以直观地反映出振动形态的大小和方向,实现对振动模态特性的分析.最后将该方法应用于叉车方向盘的振动分析,分析的结果很好地验证了方法的正确性和有效性.     

基于小波支持向量机的非高斯空间风压内外插预测

支持向量机(SVM)的性能取决于核函数及核参数的选取.基于小波分析理论构造出满足Mercer平移不变核定理的Mexican Hat小波核函数(MW),将MW和B样条核函数分别与最小二乘支持向量机(LSSVM)结合,形成MW-LSSVM和BS-LSSVM.运用粒子群(PSO)算法对MW-LSSVM和BS-LSSVM的正则化参数及核参数进行智能优化,建立了PSO-MW-LSSVM和PSO-BS-LSSVM的空间风压预测算法.实测风压预测结果表明,MW-LSSVM比BS-LSSVM和传统的径向基核函数RBF-LSSVM具有更好的非高斯风压预测性能及泛化能力,而且稳定性更强,具有较高的工程应用价值.     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的...     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

PSO VMD结合Teager包络谱的滚动轴承 故障诊断方法

为了解决VMD方法在处理非平稳信号时,人为确定输入参数会影响模态分解精度的问题,提出一种基于PSO算法优化VMD输入参数的PSO VMD方法,用于滚动轴承故障信号的模态分解,并使用Teager能量算子(TEO)对模态分解结果进一步计算,得到各模态分量的Teager包络谱.通过滚动轴承内环单点故障、外环单点故障和滚子单点故障实测振动故障信号的模态分解与故障诊断,验证PSO VMD方法的有效性和实用性.     

基于小波能谱熵和改进ELM的转辙机故障预测

为了进一步提高铁道转辙机故障预测精度和维修效率,提出了一种基于小波能谱熵和改进极限学习机(Extreme Learning Machine, ELM)的转辙机故障预测方法.首先,将采集到的转辙机功率数据用完备集合经验模态分解方法进行预处理;然后,计算各个固有模态函数的小波能谱熵值,通过核主元分析原理方法将多维特征数据降至1维,构建转辙机的退化性能指标,得出失效阈值;最后,利用自适应鲸鱼优化算法对ELM预测模型的权值和阈值进行全局寻优,以获得最优的预测模型,实现对转辙机故障趋势的预测.用Matlab软件对新方法进行实例分析,并与支持向量机和ELM模型进行对比.仿真结果表明,与传统预测模型相比,基于改进ELM模型均方误差更接近于0,决定系数更接近于1,表明该模型预测精度更高,性能更佳,证明了该方法应用于转辙机故障预测的可行性.     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于EOF和HHT的多站点降雨场随机模拟方法研究

提出一种新的基于希尔伯特谱分析的降水发生器EHS.该模型首先对原始降雨场进行高斯隐变量转换,转换后的标准化降雨场随后进行经验正交函数分析(EOFA),提取出主要空间模态和对应的主成分时间序列.对主成分序列进行经验模态分解(EMD)和希尔伯特谱分析(HAS)可以得到不同特征周期的本征模态函数(IMF)及其对应的瞬时振幅和瞬时频率,利用随机相位法仿真各项IMF分量,对模拟得到的IMF分量进行EMD重构、EOF重构和高斯隐变量反操作,即可得到多站点降雨模拟场.本文以月降雨量均值、月降雨量标准差,空间相关系数、空间连接度、自相关系数为指标,利用湘江流域实测的降水数据,通过与现有多站点降水发生器MulGETS的比较,评估多站点降水发生器EHS的性能和优缺点.研究结果表明,多站点降雨发生器EHS能很好地模拟湘江流域的降雨,重现历史降雨场的统计特征.该工具可为水文水环境模型、生态模型等提供数据支撑.     

一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法

提出了一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法。采用Hilbert-Huang变换将原时间序列分解成若干个平稳的固有模态函数分量,求出每一个固有模态函数分量的瞬时频率和瞬时幅值,然后对每一个固有模态函数分量的瞬时频率和瞬时幅值序列建立ARMA模型,最后通过合成得到原时间序列的ARMA预测模型。实验结果表明,此方法可有效地应用于非平稳时间序列的预测。     

基于改进自回归移动平均算法的能耗预测

本文针对经验模态分解算法与自回归移动平均算法两种结合模型(EMD-ARMA)预测数据准确度不足的问题,运用经验模态分解算法(EMD)、自回归移动平均模型(ARMA)和多项式拟合模型三者相结合的方法对小样本电能能耗数据进行预测,最终提高预测结果的准确度.本文首先利用经验模态分解算法对原始能耗数据样本进行分解,提取该能耗样本不同频率的特征分量(IMFx);然后设定频率阈值,针对高频分量和低频分量建立不同的拟合模型;最终将分量预测结果进行合成,得到总体预测结果.仿真结果表明,EMD-ARMA模型的平均绝对误差1.984 2,本文模型的平均绝对误差1.616 8,提高了预测结果的准确度.     

一种多尺度球磨机筒体振动频谱分析与建模方法

针对基于传统快速傅里叶变换获得的单尺度筒体振动频谱难以有效揭示磨机研磨机理和筒体振动信号组成,以及现有文献中经验模态分解(EMD)技术预测精度低的问题,提出了基于偏最小二乘算法的多尺度筒体振动频谱分析与建模方法.该方法首先采用经验模态分解技术将筒体振动信号分解为具有不同时间尺度的内禀模态函数(IMF),接着通过傅里叶变换获得多尺度频谱,最后采用基于偏最小二乘算法的潜变量贡献率分析和选择不同尺度频谱,并建立融合不同尺度频谱的磨机负荷参数软测量模型.采用实验球磨机的实验数据仿真验证了所提方法的有效性.     

多变量非高斯脉动风压模拟的非迭代法

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程的非迭代算法扩展至多变量非高斯过程的模拟.通过多变量高斯过程的相干函数来考虑多变量非高斯过程的互相关性,建立多变量非高斯过程的非迭代模拟算法.多变量非高斯风压的数值模拟表明:非迭代模拟算法能有效地模拟低、中、高斜度的多变量非高斯过程.     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.