基于EMD与STSA混合方法的金融收益信息提取与预测

针对STSA方法在金融时间序列分析中的缺陷提出了运用EMD与STSA结合的改进方法。以上证指数、深证成指、建筑指数、金融指数、地产指数、上证商业6种指数的收益数据作为研究样本,利用EMD方法分解提取出一系列反映原始序列不同时间尺度信息的分量,通过对各分量进行STSA分析后发现导致原始序列多变化模式的原因。在此基础上提出了通过单一变化模式分量对原始序列变化趋势进行估计的条件和限定范围,实验结果表明,该方法在提取和分析时间序列变化模式方面具有独特的优势,具有较高的预测精度和实用性。     

采用拓展空间法建立迟滞模型

神经网络应用于非线性建模具有很多优点,但对迟滞这类多值映射非线性无能为力.一个新的基于神经网络的迟滞建模方法--拓展空间法被提出.通过坐标变换建立基本迟滞算子,将基本迟滞算子的输出与迟滞输入同时作为神经网络的输入,使神经网络的输入空间由一维上升为二维,从而使输入与输出之间形成一对一映射关系.最后的实验结果表明,通过拓展空间法神经网络能够对多值映射非线性进行建模.     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

刚体变换下基于轮廓的多传感器图像配准算法

提出了一种基于轮廓的多传感器图像配准算法,输入图像之间的几何变换假设为刚体变换。该配准算法的特点是根据匹配轮廓对的质心和长轴计算配准参数,克服了传统的基于特征的图像配准算法控制点检测与匹配的问题,算法鲁棒性较高。首先提取输入图像中的明显轮廓,然后对提取的轮廓进行匹配,并将其中匹配的开轮廓对转化为闭合轮廓对,然后根据所有闭合轮廓对的质心和长轴估计配准参数。实验结果表明,所提算法能精确解决输入图像之间仅存在旋转和平移情况时的图像配准问题。     

基于EMD-WA模型的BDI指数波动周期特征研究

运用结合EMD分解和小波分析构建的EMD-WA模型,分析了国际干散货市场BDI指数的波动周期特征.通过EMD方法对BDI指数序列进行分解,针对分解出的本征模函数的均值、方差比和周期三个方面的特点,将不同频率的IMF进行分类重构,最后通过小波分析方法得到重构序列的主周期情况,并对结果做进一步分析.研究结果表明:一是BDI序列可以分解为随机波动项、周期波动项和趋势项三部分:二是季节性波动周期长度约为1年(0.88年),短周期长度约为4年(3.70年),中周期长度约为10年(9.96年);三是BDI序列周期特别是短周期呈明显4年到2年的缩短趋势;四是突出分析了重大事件与中、长周期紧密联系.     

消除EMD端点效应的PSO-SVM方法研究

经验模态分解(empirical mode decomposition, 简称EMD)的端点效应使得EMD分解结果产生严重失真, 为了减小分解过程中产生的端点效应, 将支持向量机(SVM)这一智能算法引入EMD, 提出采用SVM模型解决分解中产生的端点效应问题. 通过支持向量机对其原始数据两端进行延拓, 以获得一个或者多个极大值和极小值. 为了使端点处的延拓变得更加合理, 引入粒子群(PSO)智能算法对支持向量机算法参数进行优化, 使其两个端点处的数据延拓得更加准确, 从而使得三次样条曲线在端点处不会发生大的摆动, 实现EMD分解的固有模态函数(IMF)更加准确可靠. 通过对仿真信号的研究表明, 基于PSO-SVM 方法的延拓方法能够很好地抑制了分解的端点效应.     

基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

二维EMD应用在图像边缘特征提取中的仿真研究

图像边缘特征提取是图像处理理论和应用研究的主要内容之一,传统的特征提取方法简单易行,但提取的图像精度不高.为此,提出了一种基于二维EMD及Riesz变换的双重复合图像边缘特征提取方法.首先通过二维EMD将图像分解成多层IMF分量,然后利用Riesz变换的局部"高保真性",替代Hilbert变换进行各分量的局部特性分析,给出更高分辨率的图像边缘特征提取算法.最后,仿真分析验证了该算法的可行性和有效性.     

锋电位检测信号的EEMD去噪方法研究

神经元锋电位(spike)是研究大脑信息编码的基础,因其宽带、小幅值等特点而极易受噪声干扰。针对spike信号的间歇性及非平稳性,采用经验模态分解(EMD,Empirical Mode Decomposition)的改进算法--整体平均经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)对spike检测信号进行分解并结合小波阈值法进行去噪。EEMD能将信号中间歇性成分有效分离出来,解决了EMD产生的模态混叠问题。基于仿真和实测数据将其与EMD去噪方法及多元小波去噪法进行比较,结果表明:EEMD去噪方法不仅有效提高了spike检测信号的信噪比,而且降低了spike波形的畸变。在3种去噪方法中,EEMD去噪方法效果最为显著,对仿真信号的信噪比平均提高了4.177 2d B。为随后spike信号的分类和信息编码奠定了良好基础。     

基于正交试验的元模型输入参数筛选方法

输入参数筛选工作可有效降低元模型的构建维度.针对传统的灵敏度分析方法应用于元模型输入参数筛选时,存在的难以获取原始模型解析模型和难以反映多输入参数综合影响的两个突出问题,为准确筛选出对元模型输出参数影响显著的输入参数,提出了基于正交试验设计的元模型输入参数筛选方法,该方法结合正交表构造方法,综合运用极差分析、方差分析、输出参数变化趋势三种方法综合研究原始模型型输入参数对输出参数的影响程度.最后以螺线管制动器激励电流元模型的构建为案例,介绍了输入参数筛选方法的应用过程.结果表明,该方法可有效减少元模型输入参数的数量.     

基于改进型经验模分解的陀螺漂移趋势提取

非线性,非平稳的时间序列经过经验模分解,可以得到一组内模函数和一个基本的趋势项。本文针对陀螺弱非线性、非平稳漂移时间序列的趋势项提取这一问题,引入了改进的经验模分解方法。该方法通过二拍自适应滤波对原经验模分解中局部均值的估计方法进行了改进,并利用自适应边界估值来抑制其边缘效应。给出了应用该方法的具体步骤,并对一组陀螺漂移序列进行了实际处理。实验结果表明,该方法有效提取了陀螺的漂移趋势项。     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于改进的经验模态分解的时间序列匹配算法

针对经验模态分解（EMD）的不足之处,对原有EMD方法中利用上下包络的乎均值得到平均包络进行了改进,采用三次样条对连续极值点的平均值进行插值获得乎均包络。通过这种方式,增加了近似极值点,在“筛”过程的每次循环中,只需要一次而不是两次祥务插值,缓解了“逆冲”和“欠冲”现象,改进了EMD方法,然后引用改进的EMD方法降低序列的维度,并用K均值算法实现模式匹配．实验结果表明,提出的在对EMD进行改进的基础上实现模式匹配的方法,优于传统的基于小波的模式匹配方法。     

Empirical mode decomposition using variable filtering with time scale calibrating

A novel and efficient method for decomposing a signal into a set of intrinsic mode functions （IMFs） and a trend is proposed. Unlike the original empirical mode decomposition （EMD）, which uses spline fits to extract variations from the signal by separating the local mean from the fluctuations in the decomposing process, this new method being proposed takes advantage of the theory of variable finite impulse response （FIR） filtering where filter coefficients and breakpoint frequencies can be adjusted to track any peak-to-peak time scale changes. The IMFs are results of a multiple variable frequency response FIR filtering when signals pass through the filters. Numerical examples validate that in contrast with the original EMD, the proposed method can fine-tune the frequency resolution and suppress the aliasing effectively.     

Mitigating end effects of EMD using non-equidistance grey model

Aiming at mitigating end effects of empirical mode decomposition (EMD), a new approach motivated by the nonequidistance grey model (NGM) termed as NGM(1,1) is proposed. Other than trapezoid formulas, the cubic Hermite spline is put forward to improve the accuracy of derivative to the accumulated generating operation (AGO) series. Hopefully, it is worth stressing that the proposed NGM(1,1) model is particularly useful for predicting uncertainty data. Qualitative and quantitative comparisons between the proposed approach and other well-known algorithms are carried out through computer simulations on synthetic as well as natural signals. Simulation results demonstrate the proposed method can reduce end effects and improve the decomposition results of EMD.     

基于EMD提取专家语言评价信息的群决策方法

针对传统语言群决策方法在集成专家评价信息时所遇到的专家权重求取主观性大、方法无标准的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)提取专家语言评价信息的群决策方法,利用EMD方法适于分解非线性、非平稳信号数列的特点,分解各专家对待决策事物做出的综合语言评价值,得到各专家所做评价值的客观趋势成分和主观随机成分,以客观趋势成分的均值,作为待决策事物的专家综合评价结果用于优选过程.相比于传统群决策理论中专家信息的集成方式,其由于不用求取专家权重而直接进行评价信息提取,因此能更大限度地排除人为主观因素的影响,使最终决策结果更加符合对客观事物的评价规律.     

基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)能量占比的海面漂浮小目标特征检测方法.首先,采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function,IMF)分量,实现对接收回波的频率从...