奇异谱分析在GPS站坐标监测序列分析中的应用

利用SSA(奇异谱分析)对测站坐标时间序列进行数据处理,包括数据补缺、趋势项和周期项的识别和提取.奇异谱分析是一种从时间序列的动力重构出发并与经验正交函数相联系的统计技术,可以较好地从含噪声的有限尺度时间序列中提取趋势和周期等信息,目前已应用于多种时间序列的分析中.将奇异谱分析的优点应用到GPS时间序列分析中:利用奇异谱分析对中国地壳运动观测网络GPS数据服务提供的测站坐标(NEU)时间序列(以BJFS(北京房山)站为例)进行补缺,各向插补的均方误差均为mm级;根据降噪重构序列提取坐标时间序列中的趋势成分(N方向-11.688 mm·年-1,E方向29.585 mm·年-1,U方向2.557 mm·年-1)和周期成分(N,U方向上存在年周期和半年周期,U方向上还存在着1.5年和0.25年左右的周期,E方向上只存在年周期);对完整序列进行重构降噪,即从原始序列中提取有用信息而丢弃一些干扰信息,起着平滑作用.试验结果表明,BJFS站的各方向上均存在显著的变动周期和明显的趋势,也有较多的噪声信息.     

基于相空间投影技术的舰船目标信号降噪处理

由于很多混沌信号具有较宽的频谱成分，致使传统的滤波降噪方法存在很大的局限性。线性滤波器非但不能有效地抑制混沌信号中的噪声，相反，还可能会使混沌信号失真。文中利用相空间投影技术对具有混沌特征的时间序列进行降噪处理，并将其应用于舰船目标噪声信号的降噪分析中，结果证实了所提方法的可行性和有效性。     

混沌时间序列的多重分形维数谱

仅用一个分形维数来刻画混沌时间序列是不够的，必须用多重分形维数谱来描述混沌时间序列在不同层次的奇异测度，不同文献对沪指和深指的分形维数的计算结果相差甚大，其深层次的原因是混沌时间序列的多重分形维数谱的存在。本文对混沌时间序列多重分形维数的信息谱、奇异谱、动熵谱等问题进行探索，并简介其应用。     

海洋时间序列的谱分析方法

本文简要阐述了海洋时间序列中两类（标量与矢量）随机过程各种谱的定义、概念、性质等，并对国内目前应用尚不广泛的旋转谱与二阶谱作了较详细的叙述，且重点介绍用ＦＦＴ进行各种谱估计的方法。     

基于改进奇异谱分析的信号去噪方法

传统的去噪方法,比如小波阈值去噪,它只对高斯噪声有效,对于脉冲噪声却无能为力.近年来发展起来的奇异谱分析方法可以在高信噪比的条件下很好地滤除上述两类噪声,但该方法降噪过程涉及了一定的主观因素,并且受矩阵扰动理论的限制,该方法随着信噪比的降低,去噪能力也随之下降.针对上述情况,提出一种改进算法,将矩阵秩最小化理论应用于奇异谱分析方法中.仿真结果表明,改进算法去噪效果明显,能够最大限度降低信号均方误差,提高信噪比,增强奇异谱分析方法的通用性.      

基于奇异谱分析的上证指数预测模型

该文应用奇异谱分析(SSA)的方法,对一维时间序列--证券指数,构造延迟矩阵,运用时间经验正交函数(EOF),对原序列进行重构,有效地提取序列中隐含的波形信号;利用自回归移动平均模型(ARMA模型)对原序列和重构结果分别进行预测,并进行比较.     

一种基于混沌序列的加密算法

提出一种基于数字化混沌密码系统的改进算法．通过m序列随机改变混沌映射的参数克服混沌序列的有限状态问题．为了进一步提高输出混沌序列的随机统计特性，利用选择判据引入m序列的随机扰动，使混沌序列不断在各个子空间转换．经过扰动函数的输出混沌序列均匀分布在整个状态空间中．这种加密算法克服了有限精度的缺点，使输出序列的周期增大并可以度量．该方法可以产生具有良好统计特性的密钥流，便于软硬件实现．     

基于谱分析下的时间序列的平稳性检验

将时间序列分为S个子序列片断,用周期图方法估计时间序列的谱密度,在此基础上用3σ原理和两因素方差分析比较各子序列的异同,用以分别检验时间序列的均值函数和协方差函数的平稳性.较其它方法避免了复杂的计算,同时给出了检验统计量和判别准则,克服了人为主观因素的影响.     

基于混沌时间序列法的瓦斯涌出量预测

利用相空间重构技术,并借助C-C方法和小数据量法从一维瓦斯涌出量时间序列中提取最大Lyapunov指数。结果表明：最大Lyapunov为0.28126的瓦斯浓度时间序列具有混沌特性,且在短期内,预测结果与实际情况符合较好。     

基于变权重奇异谱分析的心律不齐识别方法

现有心律不齐研究多数围绕心电信号中不同频率特性成分的分离展开,而不同子序列的信息量对于最终目标决策的贡献则缺少研究与分析.为增强高贡献度子序列对于分类器的影响,提出了一种变权重奇异谱分析与深度学习结合的识别方法.通过奇异谱分析获得多个子序列,结合各个子序列的奇异值计算随机森林下的基尼系数,并将其作为权重.变权重的序列样本用于训练神经网络模型,更高效地挖掘了有用信息,进一步提高了识别精度,最终的心律不齐识别准确率为98.35%,Macro-F1为97.95%.相对于传统的定值权重,本文提出的变权重识别方法在各个性能指标上均有明显提升.     

基于径向基函数网络的混沌时间序列分析

给出了基于径向基函数网络的混沌时间序列预测的方法。利用非线性自回归移动平均（ＮＡＲＭＡＸ）模型对非线性时间序列进行辨识并给出基于动态径向基函数（ＲＢＦ）网络的辨识算法。将这一方法应用到Ｈｅｎｏｎ映射的混沌时间序列的嵌入维估计及我国股票市场的混沌现象的实证研究,得到理想的结果。文章最后指出了进一步的研究方向。     

润滑油磨粒超声回波信号的双树复小波自适应降噪

针对润滑油磨粒含有强噪声的回波信号的问题,采用基于双树复小波变换(DT-CWT)的自适应降噪方法,从而提取清晰的磨粒回波信号. 该方法结合奇异谱分析(SSA)和小波熵理论,分别对双树复小波变换后的近似部分和细节部分进行分析. 奇异谱分析去除了近似部分包含的噪声,同时,小波熵理论能够自适应选取不同分解层上的阈值,实现了细节部分系数的自适应选择. 仿真表明,对于润滑油磨粒超声回波信号的双树复小波自适应降噪,输出信号信噪比(SNR)高、均方根误差(RMSE)小、相似系数(NCC)大,算法运算时间能够满足在线检测要求. 实验分析表明,该方法降低了信号中的噪声,还原了准确的波形特征.      

集成奇异谱分析和长短期记忆网络的区域海平面变化预测

基于我国首套高精度全球海洋气候数据集（CDRs）,选取季节变化较为明显的黄海作为研究区域,利用奇异谱分析（SSA）对黄海海域海平面异常（SLAs）数据进行了时间序列与时空序列的分解去噪,并结合长短期记忆（LSTM）网络构建了SSA-LSTM组合模型,对黄海海域海平面变化趋势进行预测。结果表明：SSA-LSTM组合模型对时间序列的预测精度显著提高,预测长度5年的均方根误差最小为35.04 mm;在对时空序列的预测中,预测第1年的均方根误差最小为19.68 mm。同时,利用空间模态进行了海平面变化时空分异规律研究,发现黄海海域海平面变化趋势具有高度一致性,并且与季节、纬度显著相关。预计2016年―2025年黄海海域海平面将以每年3.65±0.79 mm的速率持续上升。     

Seasonal Time Series Analysis Based on Genetic Algorithm

Pattern discovery from the seasonal time-series is of importance. Traditionally, most of the algorithms of pattern discovery in time series are similar. A novel mode of time series is proposed which integrates the Genetic Algorithm （GA） for the actual problem. The experiments on the electric power yield sequence models show that this algorithm is practicable and effective.     

混沌投资时间序列的嬗变

不少的投资机构和研究者都曾建立各自的投资数学模型，以求在投资决策时应用．但在实战操盘时却难以适用，或者应用的时间周期很快就消失．究其原因，除投资数学模型自身的问题外，混沌投资时间序列的嬗变是一个不应忽视的因素．在文[1]的基础上，本文探讨混沌投资时间序列的测度能嬗变和动熵谱嬗变．     

基于Hurst指数的飞机完好率混沌时序数据时滞性分析

通过研究Hurst指数随时间变化曲线的特性,提出了一种计算和判断混沌时间序列平均最大“记忆”长度(“平均循环周期”)的方法。并应用于对飞机完好率时间序列数据的时滞性实证分析,分析结果得到了有关专家的认可,为进一步的评价分析奠定了基础。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.