基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

基于EMD-PF-GRNN的短期风电功率预测研究

针对短期风电功率预测,将风电输出功率作为时间序列信号,由于其所具有波动性、非平稳性的特点,提出一种基于经验模态分解(EMD)、粒子滤波(PF)和广义回归神经网络(GRNN)的组合预测模型。首先,利用EMD对风电功率序列进行分解,获得各个相对平稳的模态分量;然后,将分解得到高离散度的数据采用PF进行分析处理,低离散度的数据采用GRNN进行分析处理,其中,通过粒子群算法(PSO),根据各低离散度数据自身特点优化GRNN的平滑因数,以进一步提高其预测性能和精度;最后,通过线性叠加各分量的预测结果得到最终风电功率的预测值。结果表明,与PSO-GRNN和单一GRNN结构相比,EMD-PF-GRNN预测模型的预测误差降低了6%左右,预测精度更高,可以更好的预测风电功率。     

基于EMD-AO-DELM的光伏功率预测算法

为提高光伏功率预测精确度,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）-天鹰优化器（Aquila Optimizer,AO）-深度极限学习机（Deep Extreme Learning Machine,DELM）的组合光伏功率预测模型.该算法对光伏发电影响因素进行分析筛选,选出与光伏输出功率高度相关的因素作为输入变量,并采用经验模态分解（EMD）将光伏原始功率数据分解为多个特征模态函数（Intrinsic Mode Function,IMF）.然后,将分解得到的IMF分量分别输入DELM预测模型,同时通过AO优化算法对DELM初始输入权重进行优化,从而提高深度极限学习机的泛化能力.最后,将各IMF分量预测结果叠加求和得到最终预测结果 .通过仿真结果表明,本文提出的EMD-AO-DELM预测模型,相较于单一DELM模型具有更好的预测精度,证明了所提方法的有效性.     

基于EMD-RVM的短期光伏发电系统功率预测

由于光伏发电并网会对电网产生冲击,进而影响电网的稳定,因此提高光伏发电预测的精度对电网具有重要的意义。考虑到光伏出力的非平稳性和随机性,提出了一种基于经验模态分解(EMD)和相关向量机(RVM)的组合方法(EMD-RVM)对光伏发电系统功率进行预测。首先把历史数据按照天气类型进行分类,利用欧氏距离算法筛选出与待预测日特征相似的历史数据;然后将光伏发电输出功率序列进行集合经验模态分解,得到若干个不同频率的相对平稳的固有模态分量(IMF),通过分析不同分量的特征规律对各分量建立对应的RVM模型,再将各分量的预测值等权值求和得到最终预测值。仿真结果表明,同一些传统预测方法相比,利用EMD-RVM组合方法进行光伏发电预测具有较高的预测精度。     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的...     

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。     

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

基于EEMD和小波神经网络的短期电价组合预测

从降低电价序列非平稳性出发,提出一种基于聚类经验模态分解(EEMD)和小波神经网络(WNN)的新型组合预测模型来预测短期电价;采用Matlab/Simulink仿真平台进行建模仿真;仿真结果表明:新算法预测精度高,预测方法可行。     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于经验模式分解的齿轮箱振动辨识

论述了一种新的针对非线性非平稳信号的经验模式分解（EMD）方法，使用EMD方法对齿轮箱振动信号进行了辨识，并且与离散小波分解方法进行了对比，结果表明，通过EMD分解获得的齿轮箱振动内在模式分量（IMFs）能很好地辨识出齿轮的啮合振动模式，且比离散小波方法的分解效率更高；EMD分解的第3个IMF－IMF3清晰地表示出齿轮箱的第一级齿轮的216Hz的啮合振动模式。     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.      

分数阶经验模态分解方法在机械故障诊断中应用

将经验模态分解方法(EMD)和分数阶Fourier变换基本理论相结合,提出一种基于分数阶Fourier变换的经验模态分解的机械故障诊断方法.仿真结果表明,提出的方法是有效的,尤其是对于用EMD分解方法无法进行有效分解的信号.如果时频平面旋转一定的角度,将信号从EMD难以分离的区域变换到可以用EMD分解有效识别的区域,然后经过EMD分解和分数阶Fourier反变换,就可以实现分量的提取.诊断实例进一步验证方法的有效性.     

抑制EMD端点效应方法的研究

基于经验模态分解的Hilbert-Huang变换在分解过程中产生端点效应,使得信号两端点附近出现失真问题,提出对端点效应进行抑制的多种方法. 对全局统计平均法、平行线段延拓极值法、多项式拟合法、镜像延拓法、神经网络延拓法等抑制方法进行对比研究. 仿真和实验结果表明,端点效应得到有效抑制,Hilbert-Huang变换的分析性能得到改善.     

正交化经验模式分解方法

针对Hilbert—Huang变换中经验模式分解所得固有模式函数存在的不完全正交问题，基于Gram-Schmidt正交化方法，提出了一种新的正交化处理方法，可得到完全正交的固有模式函数，从而完善了Hilbert—Huang变换方法．通过典型时程曲线的数值模拟的分解结果表明了这一方法的正确性，实际地震波数据的分解显示了这一方法的良好应用前景．