一种提高GPS载波跟踪环动态特性的INS辅助方法

在高动态下,针对惯性导航系统(Inertial Navigation System,INS)速度辅助GPS接收过程中,由于INS输出速度的离散化导致接入环路NCO的控制量变化较大,使环路跟踪不稳定甚至失锁的问题,提出一种新的基于自适应调节的引入INS加速度与速度信息相结合的辅助方法.论文首先分析了典型二阶跟踪环在INS速度辅助下,更新率对环路性能的影响,然后建立了引入INS加速度信息辅助的自适应调节模型,推导了调节计算方法.理论分析和实验仿真结果表明,该方法较传统的速度辅助方案能有效提高GPS接收机环路跟踪的快速性和稳定性,降低环路动态应力误差和高动态下环路失锁的机率,具有较强的实用价值和工程实现基础.     

基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

基于卡尔曼滤波的舰船传感器信号的小波阈值去噪

采用小波去噪中的阈值方法对舰船传感器的量测信息进行了去噪处理,从而降低了量测信息中噪声对卡尔曼滤波精度的影响.通过对实测船位数据的仿真,并与GPS船位数据比对,证明该方法有效地提高了卡尔曼滤波的估计精度,也使航行曲线更加地“光滑”.     

基于提升小波变换的图像去噪技术

人脸识别系统非常复杂,其中处理的对象都是人脸图像数据.从现实中获取的图像包含各种噪声信号,使图像数据和现实差距太大.为了快速有效的去除这些噪声信号,对基于提升小波变换的图像去噪方法进行了详细研究.该方法在保持基于传统小波变换去噪方法的前提下,使去噪处理的计算量大大减少,去噪速度显著提高.     

基于小波去噪的灰色关联BP神经网络在大坝沉降变形监测中的应用

针对大坝变形中存在多种影响因子干扰的问题,提出了基于小波去噪的灰色关联BP神经网络模型.首先利用小波阈值去噪方法对数据进行处理,然后通过灰色关联分析对大坝沉降变形监测中多种影响因素计算分析,得出关联度大的影响因子,将灰色关联分析和BP神经网络相结合建立模型,最后与未经数据处理的灰色关联BP神经网络以及卡尔曼滤波模型进行对比分析,得出结论.实验表明,经过小波去噪数据处理后,提高了灰色关联BP神经网络模型的预测精度和可靠性.通过灰色关联分析,可以对大量的输入变量进行处理,而不必经过主观的筛选,进而增加了BP神经网络的适应能力,同时预测的结果比其他单一模型更加接近最终实测值,具有更高的准确性与可信度.     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

基于小波分析和GARCH模型的人民币汇率实证研究

文章把小波多分辨分析理论和去噪理论引入人民币/港元汇率时间序列,通过小波理论对时间序列进行了滤波去噪.然后建立了AR(1)-GARCH(1,1)拟合模型,同时检验了其波动序列不具有明显的杠杆效应,其标准抖动序列服从正态分布.最后说明结合小波滤波去噪后,提高了对波动率的预测精度.     

基于CEEMD小波去噪的一种预测碳排放的新方法

针对模型的输入数据优化问题，本文提出一种基于互补集总经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)小波联合去噪的神经网络碳排放预测方法。首先，采用CEEMD小波联合去噪对数据进行去噪提纯；其次，运用优化后的训练样本和输入数据建立碳排放量预测模型；最后，以“一带一路”主要经济体碳排放量为例，运用改进模型和传统模型分别进行试验仿真。仿真结果表明：经CEEMD小波联合去噪后的时序数据纯度更高，更加平稳；改进后的模型预测拟合效果更优、误差更小。此外，本文进行碳排放外推预测，结果表明：使用CEEMD小波联合去噪联合反向传播(back propagation algorithm, BP)神经网络、模糊神经网络模型在预测中具有可观的容错性能及精确度。     

一种适用于高铁变形预测的组合模型建立方法

针对高铁变形预测中呈现原始数据受噪声影响大与长期预测不准确的问题,提出了一种基于小波去噪的自适应灰色马尔科夫(GM(1,1)-MC)组合预测模型。该模型通过引入小波去噪削弱随机扰动误差的影响,运用自适应GM(1,1)进行预测,进而基于马尔科夫修正模型进行数据修正。通过实验结果与对比分析表明,此模型能够较好地削弱测量过程中由各种因素引起的噪声的影响,实现了残差数据的部分收敛;提升了原始模型的预测精度;在预测主体的后期发展趋势上能够给予较好的预报与评估。