基于小波消噪的混沌多元回归日径流预测模型

基于小波消噪理论对水文序列中的噪声进行了处理,然后利用混沌理论中的相空间重构技术计算出饱和嵌入维数作为多元回归模型的可控变量个数,将小波、混沌和多元回归方法结合起来对日径流进行了预测。与消噪前相比,消噪处理后建立的模型预测精度有了明显提高：预测合格率提高8%,平均绝对百分比误差为9.53%。因此在对水文时间序列进行混沌分析和预测之前,对其进行小波消噪是完全必要的。     

基于时间序列分析的制造质量水平变化的混沌特性

在定义了制造企业生产制造时间序列的基础上,使用G-P算法计算时间序列的关联维数。通过关联维数的计算得到相应的嵌入维数后,使用基于相空间重构的小数据量法计算混沌时间序列的Lyapunov指数。采集HZ近三年的日生产产品合格率作为研究制造质量水平变化混沌特性的原始数据。在以上技术路线及数据的基础上,得到的关联维为分数,而Lyapunov指数为正值,说明日生产产品合格率变化时间序列呈现出混沌特性。另外将以上数据分为8个时间序列,每个时间序列同样得到分数关联维数与正Lyapunov指数,说明制造质量水平的变化是一直是混沌的,为制造质量水平的预测在理论上提供了可能性。     

Research on fiber optic gyro signal de-noising based on wavelet packet soft-threshold

Gyro's drift is not only the main drift error which influences gyro's precision but also the primary factor that affects gyro's reliability. Reducing zero drift and random drift is a key problem to the output of a gyro signal. A three-layer de-nosing threshold algorithm is proposed based on the wavelet decomposition to dispose the signal which is collected from a running fiber optic gyro (FOG). The coefficients are obtained from the three-layer wavelet packet decomposition. By setting the high frequency part which is greater than wavelet packet threshold as zero, then reconstructing the nodes which have been filtered out noise and interruption, the soft threshold function is constructed by the coefficients of the third nodes. Compared wavelet packet de-noise with forced de-noising method, the proposed method is more effective. Simulation results show that the random drift compensation is enhanced by 13.1%, and reduces zero drift by 0.052 6°/h.     

Application of wavelet support vector regression on SAR data de-noising

A new filtering method for SAR data de-noising using wavelet support vector regression (WSVR) is developed.On the basis of the grey scale distribution character of SAR imagery,the logarithmic SAR image as a noise polluted signal is taken and the noise model assumption in logarithmic domain with Gaussian noise and impact noise is proposed.Based on the better performance of support vector regression (SVR) for complex signal approximation and the wavelet for signal detail expression,the wavelet kernel function is chosen as support vector kernel function.Then the logarithmic SAR image is regressed with WSVR.Furthermore the regression distance is used as a judgment index of the noise type.According to the judgment of noise type every pixel can be adaptively de-noised with different filters.Through an approximation experiment for a one-dimensional complex signal,the feasibility of SAR data regression based on WSVR is confirmed.Afterward the SAR image is treated as a two-dimensional continuous signal and filtered by an SVR with wavelet kernel function.The results show that the method proposed here reduces the radar speckle noise effectively while maintaining edge features and details well.     

提升小波在SINS分段快速对准中的应用

提出了一种利用提升小波进行消噪的捷联惯性导航系统(strapdown inertial navigation system, SINS)分段快速对准新方法。该方法首先进行水平精对准,然后利用提升小波算法对陀螺仪的输出信号进行消噪后,快速计算出方位失准角并进行修正,完成对准过程。理论分析和实际系统试验表明:提升小波算法对于光纤陀螺信号具有良好的消噪效果,新方法与传统的Kalman滤波对准方法具有相同的稳态精度,但方位精对准过程中,不需要进行捷联惯导的力学编排,精对准的时间可以缩短至30 s左右。该方法弥补了传统Kalman滤波精对准方法中方位失准角估计速度慢的缺陷,大幅度提高了SINS的初始对准速度。     

基于小波分析的股市波动的多重分形辨识

以上证指数和深圳成分指数日收盘价的时间序列为样本,利用小波分析方法剔除序列的噪声干扰,对序列保留的波动趋势进行多重分形辨识.通过 WTMM (小波变换模极大)计算配分函数,尺度函数和多重分形谱等,全面细致的量化了序列的局部及不同层次的波动奇异性.计算结果表明:去除噪声干扰后, 中国现行证券市场的波动呈现显著的多重分形特征.     

小波降噪在微弱GPS信号捕获中的应用

为了解决微弱卫星环境下接收机对信号的正确捕获问题,首先介绍微弱GPS信号捕获特点及捕获方法,并从检测概率和灵敏度的角度分析了相关积分、差分累加方法的捕获性能。在此基础上引入了小波降噪与相关积分、差分累加相结合的捕获方法,并给出详细的理论推导和捕获性能分析,从小波基的选取、小波变换层数和阈值选择三方面进行深入分析,从而得出合适的小波阈值降噪方法。考虑到小波降噪的阈值应跟据变换尺度不同而分别选取,给出一种自适应阈值降噪方法。实验证明,相比传统的相关积分、非相干累加和相关积分、差分累加信号捕获方法,小波降噪方法的引入在保证较高检测概率的同时,可以有效提高微弱卫星信号捕获的输出信噪比,从而降低了误码率。     

基于子波变换和神经网络的舰船目标识别

特征提取方法和分类器的选择是舰船目标识别的关键。介绍了一种目标分类和识别的方法。首先利用子波变换和多分辨分解算法对实际采集到的各类舰船目标辐射噪声进行特征提取 ,获得目标的线谱和调制谱特征 ,然后利用模糊自组织聚类网络 (FKCN)分类器对各类目标进行分类识别。最后利用实测数据进行仿真分析 ,并与其它特征提取和分类识别方法比较 ,验证了所用方法的可行性 ,且获得了较好的效果。     

一种非线性时变系统小波网络辨识算法

提出一种可对任意非线性时变系统进行辨识的新方法，即基于小波神经网络的带自校正移动窗的递推最小二乘算法，与现有的神经网络辨识算法不同，该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度，以跟踪非线性时变系统的动态特性，文中推导了了算法，并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能，几个典型的系统辨识仿真实例显示出这种方法具有跟踪精度高和计算简便的良好性能。     

基于自适应神经模糊推理系统的非线性系统辨识

针对非线性系统辨识方法中偶然性大,精度不高,收敛速度慢,训练过程时间长的问题,提出一种基于自适应神经模糊推理系统的非线性系统辨识方法,利用模糊推理系统使规则结构化及神经网络具有很强的泛化能力相结合,具有以任意精度逼近任何线性或非线性函数的特点。对非线性系统进行辨识,仿真结果表明,ANFIS进行非线性系统辨识是可行的,其辨识精度很高。     

加权变分的图像去噪算法

针对经典的总变分去噪模型边缘信息对噪声敏感且易模糊的缺陷,提出了非线性与线性的加权变分模型。非线性加权变分模型是在总变分模型的正则项中引入权函数,并利用权函数引导扩散,使得新模型在消噪的同时更好地保持图像的纹理特征和边缘信息;线性加权变分模型是对含噪图利用高斯函数进行预处理,再对处理后的图像进行扩散,从而降低计算复杂度。数值实验表明,与经典的总变分模型相比,改进的方法无论是在视觉效果还是峰值信噪比上都有明显的提高。     

基于lk范数正则化的实信号去噪方法

针对实信号去噪问题 ,系统研究了基于lk 范数正则化的去噪方法。在研究和借鉴Tikhonov正则化参数选择方法的基础上 ,给出了基于lk 范数正则化中最优正则化参数的自动选择方法 ,同时给出了正则化方法求解的迭代算法。理论分析和仿真计算结果表明 ,该方法对于加性噪声有较好的抑制能力 ,同时能够有效地保护信号中的重要特征。