基于小波分析的非平稳时间序列分析与预测

提出了基于小波变换的非平衡时间序列分析预测方法。通过小波分解,将原时间序列依尺度分解成不同层次,使趋势项、周期项和随机项分离,对每一层进行分析与预测,最后再合成得到了原时间序列的预测值。实例验证了该方法是可行的。     

非平稳时间序列分析的WAVELET—ARMA组合方法及其应用

创立非平稳时间序列分析的WAVELET—ARMA组合方法。介绍WAVELET—ARMA方法原理,阐述WAVELET—ARMA组合方法分析的一般步骤,即利用小波分解与重构,通过采用Daubechies小波将时间序列分解成趋势项和一般项;趋势项的平稳性检验;以及用ARMA方法拟合已经成为平稳序列的趋势项,并应用于原时间序列的预测。最后,将该WAVELET—ARMA组合方法应用于江苏粮食产量的变化情况研究,结果表明该方法比直接二次多项式拟合预测的平均相对误差小0.4824%,反映WAVELET—ARMA组合方法的有效性。     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

船测数据非平稳误差的小波预测方法

船测数据的处理精度极大程度地决定了我国航天测控的能力。分析表明,船测数据的混合误差是由次低频的修正残差和高频的随机误差组成的非平稳时间序列。为改进现有修正方法的效果,分析了修正残差和白噪声的小波变换系数特征,并提出了基于小波理论和时序建模技术的混合误差的预测方法。实例和仿真结果表明,该方法比直接使用时序方法的预测误差更小。     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

基于小波分解的月径流预测校正模型研究

根据小波分析理论,建立了月径流序列的小波分解预测校正模型。该模型通过小波分解方法将月径流非平稳时间序列分解为多个细节信号序列和一个逼近信号序列,然后运用平稳时间序列的ARMA模型对各信号序列分别进行预测,最后再对各序列预测结果的和进行校正。以长江的宜昌站和寸滩站的月径流资料为例,分别采用ARMA模型、季节性ARIMA模型、BP神经网络模型以及所建立的小波分解预测校正模型进行模拟预测,并讨论了小波分解尺度数对小波分解预测校正模型的影响。结果表明,所建立的小波分解预测校正模型较其它模型具有更高的预测精度,并且尺度数对月径流序列模拟预测的效果没有显著的影响。     

股市预测中的小波神经网络方法

首先论述了股市时间序列中的明显随机性 ,可能是由于非线性确定性系统中混沌行为的缘故 ,利用混沌的确定性可以进行短期预测 .混沌时间序列预测首先要重构相空间 ,接着充分利用小波变换时频分析的局部化特性 ,提出了一种改进的小波网络结构 ,探讨了股市预测模型问题 .经实例验证 ,该方法能有效地提高预测精度 ,避免了人工神经网络模型和指数自回归的固有缺陷 .     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于小波分解和残差GM(1,1)-AR的非平稳时间序列预测

提出基于二进正交小波变换和残差GM(1,1)-AR方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用灰色残差模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果表明,这种方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于子波变换的水声信号去噪方法研究

针对水声信号的低信噪比、非平稳性等特点，在对采集到的水声信号进行分析处理的基础上，提出了一种水声信号去噪的方法。该方法首先对采集到的低信噪比水声信号进行滑动取值，分别利用子波变换求功率谱，并进行统计平均，确定代表水声信号特征的频谱分量，去除不稳定的随机频谱分量；然后利用子波反变换将处理后的功率谱变换为时域信号；再利用子波软门限去噪方法去噪。通过仿真验证，获得了较好的效果。     

小波神经网络及其在旋转机械轴心轨迹识别中的应用

提出一种基于小波变换理论的小波神经网络模式识别方法,并将该方法应用于旋转机械轴心轨迹的识别。在本文提出的方法中,模式识别分两步来完成。第一步通过小波网络完成对数据的压缩,第二步应用前馈神经网络对第一步中的压缩数据进行学习与分类,从而达到模式识别的目的。     

基于子波奇异性检测的水声信号去噪方法研究

基于低信噪比、非平稳水声信号中，信号的有效频谱是固定的、噪声的频谱是随机的、信号频谱由代表水声信号特征的各基波和其对应的各次谐波构成的特点，提出了利用子波奇异性检测特性实现水声信号去噪的方法。该方法首先对水声信号进行多分辨分解，求取各尺度上信号的频谱成分；然后，根据最大尺度上最高的频谱幅度，确定该尺度上信号的有效频谱成分，再按照基波与谐波的关系，确定其它各级尺度上的有效频谱成分，去除奇异频谱；最后对去除奇异频谱后的信号进行频域．时域变换及子波重构。经对实测水声信号进行仿真，获得了较好的去噪效果。     

利用子带提取改善信号检测能力

对低截获概率(LPI)信号和低观察率目标检测的要求越来越高,在低信噪比下检测信号的方法也越来越受到关注。提出了一种基于小波变换的信号子带提取方法。在周期谱估计之前用小波进行信号分解,确定信号所在的子带,从而达到去噪的目的。同时提出相关法与周期谱估计相结合的方法,并证明该方法可进一步改善信号的检测能力。以电视发射信号的无源相干定位系统的回波信号和相位码信号为例进行了仿真实验。仿真结果表明,这种方法能在-21dB信噪比(电视信号)和-24dB信噪比(相位码信号)下检测出信号。     

基于小波变换和ANFIS模型的不规则海浪组合预报

利用小波变换对不规则海浪进行多尺度一维小波分解与重构,得到相对简单、规则的准周期分量信号,然后建立了各信号的多输入、单输出自适应神经模糊推理系统(ANFIS)预报模型,最后对预报结果进行集成。基于Matlab语言的仿真结果表明,该方法不仅降低了预报的难度,而且具有较高的预报精确度。此方法亦可用于船舶横摇、纵摇、艏摇运动的预报。     

时间序列的小波神经网络预测模型的研究

针对非线性时间序列,建立了小波神经网络预测模型,通过计算小波分解和小波级数,达到最优的逼近效果．经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷.     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

基于小波与混沌集成的中国股票市场预测

应用小波变换和混沌理论提出了一种中国股票市场建模及其预测的小波与混沌集成的方法．首先应用小波分解理论对上证综指和深证成指日收益率序列进行分解，分别得到低频部分和高频部分，并在此基础上作进一步分析，结果表明中国股市存在混沌特性；然后应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测；最后应用小波理论对混沌模型预测的结果予以重构，实现对原始收益率序列的预测．与现有方法比较，结果表明该方法具有较高的精度，有极大的应用前景．     

应用小波理论进行股市预测

应用小波理论提出一种股票市场建模及其预测的方法,以上证综指为例进行了实证研究,并从吸引子结构的观点进一步分析了预测精度提高的原因。采用此方法进行股市预测,首先要应用小波理论对股指收益率序列进行分解,得到低频和高频部分;然后在此基础上作进一步分析,以确定各部分存在混沌特性;再应用混沌理论分别建立低频和高频部分的预测模型,对低频和高频部分进行预测;最后应用小波理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测。研究结果表明,该方法具有较高的精度,并具有极大的应用前景。