基于双阶段注意力机制的大坝变形深度学习预测模型

为提升大坝结构变形预测精度，采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数，使用小波阈值消噪对高频分量平稳化处理后进行重构，利用基于双阶段注意力机制的长短期记忆网络(DA-LSTM)模型对重构变形序列进行预测。实例验证结果表明，联合CEEMDAN算法和小波阈值消噪方法能够有效识别并清洗实测数据中的异常值，提升了测值对大坝运行性态的表征能力，同时DA-LSTM模型可以充分挖掘大坝变形的滞后性和增强网络的可解释性，据此构建的变形预测模型具有优良的稳健性。     

基于小波消噪和混沌时间序列的交通流预测研究

基于实际交通流变化的不确定性和交通系统时变复杂的特征,应用小波分析理论,对原始交通流数据进行消噪处理,使消噪后的数据更能反映交通流的本质及变化规律。再针对交通流的非线性特征及其短期可预测性,应用混沌时间序列预测模型来预测短时交通量。结果表明:先进行小波消噪再进行预测所得的结果与实测值有更高的拟合度,可以用于短时交通流的预测。     

基于小波分析和ARIMA模型的交通流预测方法

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;采用综合自回归移动平均(ARIMA)时间序列模型对交通流进行预测;并对实测交通数据进行验证分析.结果表明,该方法具有较高的预测精度,可用于交通流的实时动态预测.     

基于小波的多项式回归及预测

采用回归分析直接处理经济数据的方法容易受到噪声影响,针对这一情况,提出先对经济数据进行小波滤波,即采用小波变换的阈值去噪方法进行预处理.再利用多项式回归分析法对预处理的数据进行拟合与预测的方法.实例表明,采用该方法得到的结果优于直接用多项式回归分析法得到的结果.此方法还可以推广到其它的经济领域中.     

一种MCSEM数据噪声压制方法

针对海洋可控源电磁(MCSEM)信号在勘探中极易受各种噪声干扰,影响后期反演以及数据处理准确性的问题,提出一种注意力机制引导的卷积自编码器海洋可控源电磁数据消噪方法.首先基于自编码器,构建基于卷积自编码器的海洋可控源电磁数据消噪网络,然后根据数据中存在噪声的特点对其进行优化,加深网络深度、引入注意力机制,使网络能更关注数据中的有效信号特征,增强特征提取能力,构建网络模型,实现对海洋可控源电磁数据噪声的压制.实验结果表明,在对海洋可控源电磁数据噪声压制中,该方法比db8小波消噪方法和变分模态分解消噪方法信噪比更高、均方误差更低,同时应用到实测数据中仍能较完整地保留信号特征并增加偏移距的可解释范围,证明了该方法在海洋可控源电磁数据噪声压制中的有效性.     

煤热重信号的两步法去噪

提出不同于传统方法的两步法小波去除热重信号噪声的方法,即将小波去噪过程分成两步:首先,利用小波的二进制离散变换将信号进行不同层次的分解,分析不同分解层的小波系数,利用方差来区别突变信号的特性,对小波系数和尺度系数进行不同的滤波处理,重构获得除去突变噪声的含噪信号;然后采用传统方法将含白噪声的信号进行消噪处理.将该方法用于河北峰峰变质煤的恒温热重信号消噪,从去噪结果上看:两步法可以有效地滤除掉突变信号的干扰,且较好地保留了信号的基本特征.     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.     

双模噪声背景下多阈值小波包在信号消噪中的应用

针对一类非高斯噪声——双模噪声信号进行消噪时,传统小波变换和小波包变换在选取恰当阈值准则及阈值量化时存在困难,通过详细分析双模噪声信号结构及频率分布特征,在将小波包分解频带按照频率顺序排列且通过比较最底层子空间节点能量大小的基础上,提出一种将频带进行多分段的多阈值小波包消噪方法.实验结果表明:在双模噪声且信噪比相同情况下,该方法比传统的多尺度小波软阈值、小波包自适应阈值消噪效果都优越,是一种非常有效的信号消噪方法.     

基于多小波的分布式光纤温度传感监测数据处理

分布式光纤温度传感监测系统采集的数据不可避免地存在噪声.为有效地探测和消除噪声,得到更可靠的温度监测数据,根据多小波原理及特性,结合矩阵预处理法和重复行预处理法,提出改进的矩阵预处理方法和新的软阈值方法,并应用于大坝DTS采集的温度数据消噪.结果表明,改进的多小波矩阵预处理方法比未改进的多小波预处理方法及DB4单小波方法有更高的信噪比,且去噪效果性能更好,在消噪处理方面具有较好的应用潜力.     

岩石爆破振动信号的EMD滤波与消噪

研究了采用经验模态分解（EMD）法对信号进行滤波、消噪的原理和过程，运用小波滤波和EMD滤波方法对仿真信号进行比较，并将EMD滤波、消噪法引入岩石爆破与冲击破碎信号处理领域中。结果表明：采用小波与EMD2种滤波、消噪的方法都能获得较好的效果，而基于EMD滤波、消噪法是依据信号分解结果的频谱特性进行选择性的滤波和消噪，更能充分保留信号本身所固有的非平稳特征，具有自适应强和灵活、有效的特点，是一种更好的爆破振动信号滤波、消噪法。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

一种基于卷积网络的地震探测数据随机噪声去除方法

为有效提高地震数据信噪比,通过卷积神经网络(convolutional neural network,CNN)的方法研究了地震勘探数据去除随机噪声问题.该方法包含17个卷积层,使用线性整流(rectified linear unit,ReLU)激活函数避免梯度消失,使用批量标准化(batch normalization...     

典型区域公路交通环境影响评价噪声预测对比分析

根据对华北地区、西北地区、西藏地区3个典型区域公路的交通量、车型及车速等的数据监测,应用HJ 2.4-2009推荐噪声预测模式,选择3个区域内3条公路在不同工况、条件下进行噪声预测评价,并提出合理的降噪措施,为提高环境影响评价质量,更好地控制3个不同区域公路交通噪声污染提供参考。     

基于小波分解的色噪声预测

研究色噪声的预测．将小波分析理论与神经网络建模预测基本原理相结合，提出了基于小波分解的神经网络预测方法．通过对年平均太阳黑子数典型统计模型的预测，验证了该方法的预测效果．将该预测方法用于色噪声的预测研究，通过改变对色噪声的采样速率，分析了色噪声预测的可能性和效果．研究结果表明，色噪声是可以预测的；对其预测的误差随采样率的提高而减小；基于小波分解的神经网络预测方法的预测精度优于线性神经网络预测方法．     

利用出租车GPS轨迹数据进行短时交通流量预测：以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。本文以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5min、10min、15min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,本文提出一种基于信号分解的预测模型GE-RL。通过一般线性模型（GLM）将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解方法（EMD）对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林模型（RF）对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型（LSTM）构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;同时为验证模型精度,设置对照模型进行比对。结果表明,所构建的GE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

基于自监督学习的交通数据补全算法

区域高速公路网收费站数量众多,每日产生海量收费数据,但由于设备、网络等因素,部分站点数据传输存在延迟现象,在此情况下已传输的数据往往不能满足实时流量预测的要求。为了实现实时交通数据补全和动态交通流量预测,文中首先提出了一种基于自监督学习的用于高速公路交通流量数据缺失补全的方法,该方法采用了基于注意力机制的时间序列模型（Seq2Seq-Att）;然后使用自监督学习方式对模型进行训练;最后,以广东省高速公路网的80个收费站为例,验证方法的可靠性。结果表明：文中的数据补全方法能够灵活捕捉交通数据中的缺失情况,并根据数据自身的内在关联性,给出合理的补全值;该方法总体优于其他方法,且在不同缺失率下都有较好表现,总体MAPE约为17.7%、WMAPE为12.8%;在高缺失率情况下,该方法相比于其他补全方法有明显的优势。交通量预测结果表明,使用该方法补全的数据进行交通流预测的预测精度接近使用完整数据的情况。     

车道模型对高速公路交通噪声预测准确性分析

根据桓永高速公路、随岳高速公路和京津第二通道高速公路的交通量、车型及车速等监测数据,运用中间车道预测模型和车道累积模型,分别对三条高速公路进行了噪声预测,将噪声预测值与实测值进行了对比,并分析了差值的原因,得出车道累积预测模型在高速公路交通噪声的预测准确性上优于中间车道模型.     

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。     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络