基于小波变换理论的船舶横摇运动分析与预测

为获得横摇运动在不同时间尺度下的演变规律,提出基于小波变换(WT)理论进行船舶横摇运动非线性时间序列分析与预测的方法.通过小波变换对横摇运动时间序列进行多分辨率分析(MRA),将原序列分解为多个相对简单的准周期信号,对信号的趋势项、周期项和随机项进行分离,并采用人工神经网络(ANN)模型对上述准周期信号进行预报和集成.仿真结果表明:该方法有效提高了预报长度,并可获得较高建模及预报精度.     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.     

基于混沌理论的降雨量降尺度方法

将混沌理论应用于水文变量尺度分析,对无定河流域不同时间尺度(80 d,40 d,20 d,10 d和5 d)降雨量进行降尺度转换.根据关联维数法对不同时间尺度降雨量间的分解系数序列进行混沌性识别,结果表明:不同时间尺度降雨量的分解系数存在低维混沌现象,用混沌方法进行降雨量降尺度分析是可行的.在此基础上,建立加权一阶局域法多步预测模型对不同时间尺度降雨量间分解系数进行了预测,继而实现了降雨量的降尺度分析,良好的预测结果及可操作性使得混沌理论为水文序列的降尺度分析提供了一种方法.     

太阳黑子相对数的多时间尺度及混沌特性分析

本文将1749年1月至2016年12月的太阳黑子相对数作为研究对象,利用集合经验模态分解方法和混沌动力学理论对该观测资料进行了多时间尺度和混沌特性分析,并对比了太阳黑子相对数和其剔除周期成分或混沌成分后的时间序列的分析结果.结果表明,太阳黑子相对数由周期成分、混沌成分和趋势成分组成,有着明显的多时间尺度和混沌特性,太阳黑子活动规律由产生周期性活动的物理机制和混沌动力学因素共同作用的结果.在进行多时间尺度分析时,剔除其混沌成分,不影响多时间尺度分析结果.在进行混沌特性分析时,太阳黑子相对数比其剔除周期成分后的时间序列的混沌特征更明显.     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

天山北麓玛纳斯河径流规律的分析

采用Morlet小波函数,对玛纳斯河年径流时间序列变化特征进行了多时间尺度分析,并利用小波变换时频局部化功能,将水文序列的频率特征在时间域上展现出来,得出了各种周期的强弱和分布情况,揭示了玛纳斯河径流变化多时间尺度的复杂结构,分析了不同时间尺度下的径流序列变化周期和丰枯突变点,并通过小波方差检验,得出玛纳斯河年径流时间序列存在27年、16年和22年左右的周期变化,这是玛纳斯河年径流在时间域内变化的主要特性.     

基于VMD分解与MIC特征分析的风电功率组合预测

风力出电预测结果的准确性直接影响电力系统的调度安全,故提出一种基于变分模态分解(VMD)和最大信息系数(MIC)的风电功率组合预测方法。针对风力发电功率时间序列的随机性和波动性,利用VMD将原始风电功率序列分解为具有不同波动特性的模态分量;然后考虑气象信息与风电机组运行条件,采用MIC在考虑时间尺度后对各分量进行特征选择;基于诱导有序加权平均(IOWA)算子建立组合模型分项进行预测;最后将各模态分量的预测结果叠加获得最终预测值。基于风电场实测数据进行实验,结果表明所提组合预测模型能有效提高预测精度。     

黄河流域降水序列变化的小波分析

采用1961—2000年黄河流域97个气象站点的系列资料,在分析黄河流域降水空间变化格局的基础上,采用墨西哥帽小波函数,对黄河流域近40 a来降水的季节变化和年际变化时间序列进行了小波分析,揭示了黄河流域降水变化的多时间尺度的复杂结构,分析了不同时间尺度下降水序列变化的周期和突变点,并确定了各序列中存在的主要周期。结果表明：黄河流域多年平均降水量的地区分布既受天气系统的制约,又受地形等地理环境的影响,造成明显的地区性差异;黄河流域年降水和各季节降水均存在8~12 a左右时间尺度的多少交替,表现出明显的周期特征,其次4~6 a左右时间尺度的周期特征也较明显,夏季降水和年降水变化趋势具有较大相似性,不同时间尺度的周期特征之间有不同程度的吻合,说明夏季降水较大程度地控制着年降水。小波分析的时频局部化特性可展现降水时间序列的精细结构,为分析气候多时间尺度变化特征及短期气候预测等节水关键问题研究提供了一种新途径。     

Hilbert—Huang变换在齿轮故障诊断中的应用

齿轮作为一种重要的机械传动设备,对其进行故障诊断具有重要意义。传统的齿轮故障诊断大都采用FFT或者小波分析方法,对处理具有非平稳性的齿轮故障信号效果不太明显。HHT由经验模态分解方法（EMD）和Hilbert变换两步组成。经验模态分解方法（EMD）把时间序列信号分解成不同特征时间尺度的固有模态函（IMF）,适合处理非线性和非平稳过程。Hilbert变换对具有调制现象的信号的分析有很大优势。能有效地诊断齿轮的故障。     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

水文时间序列变点识别的一种稳健方法

针对目前水文时间序列变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出了利用一种高度稳健的高斯混合密度分解算法来识别水文时间序列中的变点,并以此来研究水文时间序列均值的突变该方法的核心是根据观测到的资料,通过逐步挖掘服从不同正态分布的时间序列分支,将均值变点的识别问题转化为混合正态密度的聚类问题,从而达到估计变点的位置以及自动获得变点的数目估计的目的实例计算结果表明,该方法对含有噪声的时间序列数据,仍能准确识别变点的位置,较好地解决了水文序列变点识别的稳健性问题．     

洪水特征的时间变异性识别

针对近年来洪水特征的稳定而异常的变化,给出了洪水特征时间变异性的定义,提出了洪水时间变异性的标度及其识别方法,利用珠江三角洲容奇站３０多年来实测月平均水位资料,验证了这种识别方法的有效性,该方法计算简单,稳定性好,并能识别水文时间序列两端的变异特征。     

Rough集挖掘时间序列的研究

Rouhg集方法是一种用于处理不确定性和模糊性知识的数学工具。探讨了基于Rough集方法的时间序列挖掘问题,提出一种将时态信息系统转化信息系统的方法和一个将实时时态信息系统转换为时态信息系统的方法;并从理论上证明了该方法在挖掘效率上的优越性。     

基于局域波法的时间序列预测

提出了一种新的用于时间序列预测方法。由于实际信号常常具有非平稳特征，直接应用AR模型进行时间序列分析，得不到理想的效果。而局域波分解法是一种新的分析非平稳、非线性的工具。用局域波分解法对待预测的时间序列进行经验模式分解，产生多个基本模式分量，对各个分量分别进行AR模型预测，然后重构各个预测值。仿真结果表明预测结果比直接进行AR模型预测更加精确。     

当代气候的时间序列分析和模式特征

本文提出了一个近似描述当代气候的离散模式,考察了当代气候的演化趋势,论述了“三成份”模式和气候层次理论之间的一些联系。并讨论了“检测”三次方时间序列模式的一些特性,揭示了当代气候的演化和突变的一些数学机制。     

一种无延迟的水文时间序列预测方法

为解决水文时间序列预测中,序列连续值间存在着高度的自相关性,而引起峰值点的预测时间落后于真实时间的问题,提出一种基于CSVMD-LSTM-ELM的无延迟预测方法。首先,将变分模态分解算法(variational mode decomposition,VMD)与布谷鸟搜索算法(cuckoo search algorithm,CS)相结合,其中,VMD用于削弱时间序列间的相关性,CS用于全局搜索VMD参数的最优解,并重点关注预测延迟的问题,为此,定义了一种新的适应度函数;其次,为分解得到的子序列建立了长短期记忆神经网络(long and short-term memory neural network,LSTM)和极限学习机(extreme learning machine,ELM)两种网络结构,分别讨论了单一网络和组合网络预测效果的优劣;最后,在秦淮河流域数据集上进行实验验证,与原有的LSTM和VMD-LSTM-ELM方法进行比较。结果表明,所提方法相较于其他方法,预测的峰值时间延迟更小,预测误差更低。可见,所提方法能够解决预测的延迟问题。     

基于时间冗余度侦破过失误差的修正系数法

为正确侦破与识别测量数据中含有的过失误差以保证数据校正结果的可靠性 ,提出一种修正系数法 ,利用过程测量数据的时间冗余度对测量数据中可能含有的过失误差进行侦破与识别 ,并对过失误差的大小进行估计。应用实例表明 ,此方法对过失误差的数目、位置等因素并不敏感 ,具有较好的鲁棒性 ,适用于空间冗余度较小的实际问题。     

用最大熵谱方法分析气候序列的周期

提出以正弦函数拟合序列的周期分量并进行周期分量显著性检验的方法。对南宁年平均气温序列和梧州年降水量序列进行了周期分析。     

基于时间序列分解与全连接神经网络的警情长周期时间序列预测

传统的警情时间序列预测以实际的发案数量为目标,且仅能实现短期的预测,但由于警情时间序列本身固有的强随机性使预测很难达到理想的效果。根据警情时间序列数据的特点,从公安工作的实际需求出发,提出了一种基于时间序列分解与全连接神经网络的(STL-FNN)预测模型,该模型以预测警情的单日发案的风险等级为主要目标,能够实现警情风险等级的长周期预测。利用该模型对B市侵财类警情数据进行了时间序列长周期预测的实证分析,结果表明:STL-FNN模型能够实现一年的警情单日发案风险的预测,平均准确率为0.624 7,预测性能优于Holt-Winters、LSTM、Prophet和ARIMA等模型。     

基于小波多分辨探地雷达逆时偏移处理

从Maxwell方程出发,利用导出的多分辨分解理论与中心差分格式,推导出小波多分辨探地雷达逆时偏移处理算法,并开发了相应的处理程序.与常规的Kirchhoff积分偏移法、15°有限差分偏移法处理后的雷达资料相比较,小波多分辨探地雷达逆时偏移处理算法具有对反射波归位准确、偏移结果精度高、成像效果好、无偏移倾角限制、对噪声具有很强适应能力的优点,可大幅度提高雷达剖面的分辨率,更好地指导探地雷达剖面的地质解释.