武江流域洪水时间序列的R/S分析

该文证明了武江流域洪峰流量具有偏随机游动和分形特征,流域洪水时间序列具有明显的持久性和长期记忆特性.结合V统计,表明武江流域的年洪峰流量的持久性经过6年之后会消失;分析了武江流域53场洪水的持久性明显增加趋势的原因.     

水文时间序列的相似性搜索研究

将时间序列相似性搜索的数据挖掘方法应用于水文时间序列数据中,挖掘相似的水文过程.在分析欧氏距离和动态时间扭曲距离两种相似性距离度量方法特点的基础上,采用对时间轴的伸缩和弯曲具有较好适应性的动态时间扭曲距离法对塔里木河流域源流区出山口水文站沙里桂兰克站1961—2000年共220场洪水流量过程进行相似性搜索,基于相似性距离度量矩阵,挖掘出相似的洪水流量过程.结果表明,沙里桂兰克站洪水过程虽形态多样,但也表现出一定的相似性,基于动态时间扭曲法的相似性搜索能有效挖掘出相似的水文过程.     

基于小波与BP神经网络的太阳黑子时间序列分析预测

太阳黑子年平均数序列是典型的非线性、复杂时间序列.本文利用小波变换,将太阳黑子年平均数序列进行分解重构,对信号的周期特性进行分析,然后采用BP神经网络对重构信号进行预测,建立太阳黑子年平均数的预测序列.结果表明,该模型具有较高的预测精度.     

一种基于BP神经网络和小波变换的网络流量预测模型

结合小波变换和BP神经网络,建立一种网络流量预测模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

非晶态合金晶化电特性时间序列模型及预测

在非晶态合金晶化过程中,尽管无法知道那些系统变量及它们之间如何相互作用来支配晶化的演化,但可以肯定的是过程变量尤其是晶化电特性蕴含着不同的时频特性.因此,将材料科学与信息科学技术相结合,利用非线性系统辨识方法,提出一种基于小波变换和ARFILSSVM方法的晶化电特性时间序列模型及预测方法.首先利用小波变换对时间序列进行分解,分离出时间序列中的低频和高频序列,然后利用AR模型预测高频序列,利用FILSSVM方法预测低频序列,最后将各模型的预测结果叠加,从而得到原始序列的模型及预测.仿真试验表明,该方法是非晶态合金晶化电特性时间序列的有效预测方法.     

基于小波变换和优化预测器的瓦斯浓度预测

为了准确预测煤矿瓦斯浓度,提出一种基于小波变换和优化预测器的预测方法.用瓦斯浓度序列分解到小波函数空间(或尺度函数空间)上的能量作为尺度能量,依据尺度能量与满足预测精度的最大误差能量的比值关系,确定小波最佳分解级数.通过小波分解降低瓦斯浓度序列的复杂度,引入延时映射,将小波分解后各个分量转化为具有历史特征的新样本分别进行预测,所得到结果进行叠加为最终预测结果.提出基于预测残差方差比检验的最佳延时单元数确定方法,以预测残差的F检验值作为适应值,采用粒子群算法优化预测器的参数.结果表明:单一的BP人工神经网络(BP_ANN)或支持向量机(SVM)所建立的预测方法对某些瓦斯浓度突变数据的预测有过拟合现象,其预测结果的平均误差大于23%,小波变换后的组合预测方法对于瓦斯浓度突变数据具有较好的跟踪能力和反应速度,采用预测模型的最佳参数后,预测器性能显著提高,平均误差小于10%,表明所建议的方法是可行和有效的.     

两通道滤波器组和离散序列的小波变换

多抽样率滤波器组理论和离散时间序列的小波变换有着密切关系.笔者从信号处理的角度研究了离散时间序列的小波变换利用树状滤波器组实现的方法,分析了两通道共轭正交镜象滤波器组理论及滤波器设计,离散时间序列的正交小波变换的快速实现以及正交小波的构造,指出了其内在联系,最后举例说明了正交小波变换通过共轭正交镜象滤波器组来实现信号分解和重构的全过程.     

基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报

洪水预报是防洪减灾的重要非工程措施,黄河中游地区水文情势近50 a发生显著变化,为提高变化环境下黄河中游半干旱半湿润地区洪水预报精度,本文以对时间序列数据具有良好模拟效果的深度学习神经网络(长短时记忆神经网络)为基础,建立不同预见期下的流域暴雨洪水模型,以探讨长短时记忆神经网络在黄河中游水文预报中的应用.模型建立采用汾河上游静乐控制站1 956—2014年98场暴雨洪水数据,其中以14个站点降雨及静乐站水文数据作为输入,不同预见期下的洪水过程作为输出,率定期为78场次,验证期为20场次.结果显示:在预见期为0～6 h时预报精度较高,预见期为6 h以上时预报效果相对较差;预报精度随神经元数量和训练次数的增加而呈上升趋势,预见期为0～6h时预报精度上升较为明显,而预见期6 h以上时预报精度上升较为均匀.     

非平稳大地测量信号特征信息小波识别

将小波变换和Fourier变换的谱分析结合起来,在时域中记录大地测量信号序列的突变时间,在频域中提取信号突变的频段,通过序列在小波变换各尺度上的小波能量时谱和能量频谱可以得到大地测量内涵的主要复杂过程的有关尺度层次,进而分析、识别内涵的特征信息.仿真实例表明,该方法既保证了特征信息提取的质量,又降低了计算的时空复杂度.对山东基准站的YATI站和WUDI站的年周期、半年周期、季节周期数据进行实例分析,识别提取了特征信息,效果良好.     

基于神经网络技术的股票频谱分析

根据艾略特波浪理论以及波浪理论中的各参数具有费波纳奇数列关系的特征,分析股票价格波形的特点;运用人工神经网络模型,提出基于波形分解与重构的神经网络预测方法,给出具体的实现过程.研究结果表明:通过波形分解与重构,把原始价格时间序列分解为规律相对简单、不同频率范围内的子波动序列来提高神经网络的预测精度,实现对特征不同的信号选取不同的参数模型进行预测;采用傅里叶反变换拟合出股价波动变化趋势的曲线,以达到预测股价波动变化周期的目的.