年径流预测的小波系数加权和模型

利用连续小波变换和小波方差分析年径流的周期特征,已被众多学者认可并应用于年径流的分析中。但这种方法只是一种定性预测,并不能作出比较明确的定量预测.本文在原有定性分析方法的基础上,提出基于年径流时间序列主周期小波系数加权求和预测周期成分的年径流预测模型.该方法更为有效地利用了小波分析的多分辨率特征,并可减小趋势成分的预测误差.经对千河流域年径流建模并检验,结果表明,文中所提出的预测方法可得到较为理想的预测结果,并可用于年径流时间序列预测.     

一种新的晶化过程电特性预测方法

金属玻璃具有许多独特性能,有着广泛的应用前景,晶化过程对金属玻璃的特性有重要影响.因此提出了一种基于小波变换和AR-ILSSVM金属玻璃晶化过程电特性预测方法.首先利用小波变换将时间序列分解为高频序列和低频序列,利用AR模型预测高频序列,利用ILSSVM方法预测低频序列,预测结果为上述预测的合成.仿真试验表明,这种方法可显著提高时间序列的预测精度.     

利用支持向量机构建水稻镉含量高光谱预测模型

研究基于支持向量机构建水稻镉(Cd)含量高光谱预测模型的可行性.利用ASD光谱仪测量研究区水稻冠层反射光谱,通过实验室化学分析得到土壤镉含量和水稻叶片镉含量,对研究区水稻光谱进行均一化平滑处理以及小波变换降噪,构建基于支持向量机(support vector machines,SVM)的水稻镉含量高光谱预测模型.结果表明,小波变换降噪处理对SVM建立的镉含量预测模型精度有所提高,SVM高光谱预测模型的相关系数为0.8674,均方误差为0.0012.该研究为利用高光谱遥感大面积、快速监测农田作物重金属污染提供技术支持.     

基于熵值加权组合预测模型的黑龙江省旅游收入预测分析

针对黑龙江省旅游收入预测问题,考虑到单一预测模型往往在预测精度上不高的特点,在引入灰色系统GM(1,1)预测模型及时间序列线性回归模型的基础上,建立了基于3种误差指标信息下的熵值加权组合预测模型,并以黑龙江省2009—2018年的旅游收入数据进行分析.结果表明,所建立的组合预测模型在预测精度上有了较好的改善并优于所选单一预测模型.利用建立的组合预测模型对黑龙江省2019—2022年的旅游收入进行预测,可为黑龙江省未来的旅游业发展规划提供一定的科学依据.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法（empirical mode decomposition,EMD）优化非线性自回归（nonlinear auto regressive,NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.     

MEMS陀螺仪中一种新的小波变换降噪算法

针对MEMS(micro-electro mechanical systems)陀螺仪噪声大的问题,提出了一种基于小波变换的改进降噪算法.在恒定速率与动态速率情况下,对所提出的改进降噪算法与FFT降噪算法和单纯小波变换降噪算法做了对比分析和验证.实验分析表明:所提出的改进降噪算法对不同频率下的陀螺仪数据降噪都有很好的效果,优于FFT降噪算法和单纯小波变换降噪算法.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

基于小波变换的模糊神经网络短期负荷预测方法

为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.     

基于EEMD和ARIMA模型的汽轮机故障趋势预测

由于汽轮发电机转子振动状态监测数据具有非线性和非平稳性,采用普通时间序列预测模型时预测的精度较低。研究通过分析振动信号的频率成分,融合EEMD分解平稳化处理和ARIMA预测模型的思想,建立一种混合预测模型。结果表明:该方法能够适应振动状态监测数据特征,反映了振动状态的主要变化趋势,具有较高的预测精度以及更大的应用范围,其预测趋势对进一步进行振动状态分析具有一定的参考价值。     

Takens理论和小波分析在非线性预测中的应用

以Takens理论为基础，将小波和时间序列分析相结合，对时间序列进行非线性预测，首先，对混沌吸引子做非线性长期预测，其次，对经济时间序列做非线性短期预测，另我，指出对于用充分多个小波基函数mn来逼近原时间序列的预测误差可以任意小的性质。     

基于小波的图像去斑点噪声方法的研究

根据超声图像斑点噪声统计模型的特性,通过对超声图像进行连续小波变换、分形插值小波变换等变换方法以及小波分析的软阈值滤波方法,提出了结合小波软阈值与中值滤波去噪的方法,在不同尺度对信号小波系数进行处理,达到降噪目的.     

基于小波变换的灰色模型边坡变形预测研究

为了合理准确的预测出边坡变形程度,减少边坡不稳定带来的损失,针对小波变换去噪理论与灰色模型预测方法的特点,提出了一种基于小波变换理论的灰色模型预测方法来预测边坡变形量。首先通过小波去噪,获得具有更小随机误差的观测数据,然后利用灰色模型预测变形量,最后通过结果对比分析预测精度。通过实验证明,基于小波变换的灰色模型边坡变形预测方法精度更高,效果更好,适合用于边坡变形预测。     

组合预测模型在山东省地下水资源量预测中的应用

针对山东省地下水资源量的预测,利用搜集到的山东省2000—2014年地下水资源量时间序列数据,建立了ARMA模型、灰色预测及序列拟合模型,并综合运用这3种单项预测方法建立了组合预测模型.通过比较,发现相比于各个单项预测模型,组合预测模型具有更高的精度.从预测结果来看,未来山东省地下水资源量呈现递减趋势.     

基于分层有限状态机的时间序列数据挖掘与预测方法

针对非平稳非线性时间序列的数据挖掘与预测问题,提出一种基于分层有限状态机的预测方法 .首先,将时间序列构建成有限状态机(FSM)模型,将时间序列的相对序列模式作为状态.然后,构建一种层次模型,通过关联特定模式形成中间状态,并以递归方式对模式进行分组,以此解决长序列造成的过度训练问题.最后,通过梯度下降法结合所有有限状态(FS)预测器的输出,生成最终预测结果 .实验结果表明,该方法能够对时间序列进行有效的规则挖掘,具有较高的预测精度.     

基于确定性转换的IFTS预测

模糊时间序列预测模型在对不确定数据集的模糊趋势描述和论域划分方面有局限性,对此文中规范了直觉模糊时间序列的定义,应用直觉模糊C均值聚类算法优化论域区间划分,通过加入回溯机制构建确定性转换直觉模糊规则库,在此基础上提出一种直觉模糊时间序列预测方法,较好地反映了不确定系统数据的特征分布,提高了复杂环境下时间序列的预测精度. 通过典型实例验证了该方法的有效性和优越性.     

基于小波分析的径向基神经网络年径流预测

对年径流的预测采用基于小波分析的径向基神经网络模型,从时频分析角度出发,把水文年径流序列分解成不同的频率成分,用径向基神经网络对小波分解的周期和趋势频率成分分别进行预测,然后通过小波重构得到水文时间序列,从而可以对未来的径流变化情况进行描述.     

小波分析用于水稻叶片氮含量高光谱反演

针对叶片氮营养高光谱诊断中光谱弱信息提取困难的问题,利用小波对作物冠层光谱信号进行分解,提取光谱弱信息建立氮含量反演模型. 在东北平原长春市采集水稻冠层高光谱数据建立氮含量预测模型,并对该模型精度进行检验. 采用Daubechies小波系的Db5函数对水稻原始反射光谱和导数光谱进行8 层小波分解,选择不同尺度和位置的小波系数作为输入参数建立192 个反演模型,分析不同输入参数对模型精度的影响,从中选择对应较高模型精度的输入参数组合建立氮含量最佳反演模型. 实验结果表明,小波系数预测叶片氮素含量模型具有较高的估算精度,预测值与实测值的复相关系数最大为0.99,显著优于传统光谱指数的估算模型精度. 此项研究表明,小波分析在提取反射光谱弱信息反演作物生化成分方面有良好的应用前景.     

应用小波的PV振荡周期多分辨率检测

该文提出了一种新的使用小波技术检测PV数据信号振荡周期的方法. 首先使用小波技术对PV数据进行降噪;然后在不同分辨率上,应用冗余二进制离散小波变换(DDWT)来分解PV振荡信号,并检测该信号的小波系数极值,重构PV信号,避免降噪后的PV信号失真;最后基于本文提出的新算法,计算获得PV振荡信号的周期.     

基于SARIMA-GARCH模型的黑龙江省快递业务量预测与应用

近年来,随着电子商务的不断发展,快递业务量持续快速增长,在终端配送领域出现了持续的高压工作状态.为了有效预测快递业务量的变化趋势,缓解配送领域压力,基于时间序列预测理论建立了SARIMA和SARIMA-GARCH时间序列预测模型,分别对黑龙江省快递业务量进行了分析与预测.2种模型预测结果对比表明,SARIMA-GARCH时间序列预测模型更能较为准确地预测快递业务量的变化趋势,黑龙江省快递业务量近2年间仍将不断增长.这一结果为黑龙江省快递业务量统计预测工作与缓解终端配送领域的高压工作状态提供了一定的参考.     

基于主趋势辨识及误差弱化模型的库区滑坡变形规律研究

为准确掌握三峡库区滑坡的变形规律,以三峡库区木鱼包滑坡为工程背景,旨在通过滑坡主趋势项辨识来实现变形趋势判断及预测研究,即先利用双树复小波剔除滑坡变形数据的误差信息,以实现滑坡变形的主趋势项辨识;其次,利用重标方差(V/S)分析实现滑坡主趋势项的变形趋势判断,并采用优化支持向量机和BP神经网络构建滑坡变形的误差弱化预测模型;最后,通过对比变形趋势判断及预测结果实现滑坡变形规律研究。实例分析表明:双树复小波函数能有效剔除滑坡变形数据的误差信息,能有效实现滑坡变形的主趋势项辨识,且通过V/S分析对主趋势项的变形趋势判断,得出3个监测点的Hurst指数均大于0.5,但随时间持续,Hurst指数不断减少,说明其变形呈持续增加趋势,但趋势性趋于减弱;同时,误差弱化预测模型的预测误差均小于2%,验证了预测模型具有较高精度,且预测结果与变形趋势判断结果一致,说明V/S分析及误差弱化预测模型适用于滑坡变形规律研究。通过研究有效掌握了木鱼包滑坡的变形规律,为后期防治奠定了基础。