基于EMD的降雨径流神经网络预测模型

针对小波变换方法的不足,运用EMD方法对黄河兰州以上二级水资源分区45年（1956--2000年）的年降雨量序列进行多时间尺度分析,发现该区域年降雨量存在准3年、准4--8年、准11年波动周期,并探讨了各IMF分量的物理背景及其趋势变化;然后以年降雨量的EMD分量为输入,以相应的年径流量为输出,建立了基于EMD的年降雨径流BP神经网络预测模型. 研究结果表明：EMD作为一种全新的信号处理方法,可以对水文时序进行精确的多时间尺度分析,进而掌握其局部变化规律,为人工神经网络提供高质量、多层次的输入变量,显著提高模型质量.     

建国以来中国棉花产量波动规律研究

应用小波分析技术研究我国棉花产量时间序列周期波动规律,得出建国以来我国棉花产量序列存在5a、10a、14a和24a特征时间尺度,并认为5a、10a特征时间尺度主要反映了我国体制、政策方面因素对棉花产量的影响;14a、24a尺度则反映了气候灾害等自然条件对棉花产量的影响.应用小波分解重构技术,对我国棉花产量序列突变点进行了试探性的检测,得出1983年为我国棉花产量序列的一个突变点的结论,认为小波分解重构技术应用于棉花产量序列突变点的研究是切实可行的.图5,参12.     

基于EMD-WA模型的BDI指数波动周期特征研究

运用结合EMD分解和小波分析构建的EMD-WA模型,分析了国际干散货市场BDI指数的波动周期特征.通过EMD方法对BDI指数序列进行分解,针对分解出的本征模函数的均值、方差比和周期三个方面的特点,将不同频率的IMF进行分类重构,最后通过小波分析方法得到重构序列的主周期情况,并对结果做进一步分析.研究结果表明:一是BDI序列可以分解为随机波动项、周期波动项和趋势项三部分:二是季节性波动周期长度约为1年(0.88年),短周期长度约为4年(3.70年),中周期长度约为10年(9.96年);三是BDI序列周期特别是短周期呈明显4年到2年的缩短趋势;四是突出分析了重大事件与中、长周期紧密联系.     

基于EEMD的投资者情绪与股指波动的关系研究

基于集成经验模态分解（ensemble empirical mode decomposition, EEMD）对非线性、非平稳性金融时间序列的有效 处理, 运用EEMD方法分别将投资者情绪和股指价格序列分解成若干个独立的、不同尺度的IMF分量和一个残余项, 提取出 序列在不同时间尺度下的波动特征, 并将得到的IMF分量和残余项按照高低频重构为序列的短期波动项, 中期重大事件 影响项和长期趋势项, 进一步结合计量模型考察投资者情绪和股指价格序列在不同时间尺度下的波动关联性. 实证结 果表明, 投资者情绪与股指价格波动在不同时间尺度下呈现出不同的波动关系： 短期投资者情绪与股指价格波动存 在双向影响, 中期投资者情绪波动领先于股指价格波动, 而长期则转变为股指价格领先投资者情绪波动.     

EMD-ISMO算法在电力负荷预测中的应用

电力负荷是受多种因素影响的复杂非线性系统,具有明显的周期波动性和趋势性。利用集平稳化和层次化处理能力于一体的经验模态分解（EMD）方法处理非线性非平稳信号的有效性,对电力负荷数据进行平稳化处理,分离出12组IMF数据,包含若干个不同频率的平稳分量,能更明显地看出原负荷序列的周期项、随机项和趋势项;结合对负荷数据具有很好预测能力的改进SMO算法（ISMO）,对IMF数据进行分别预测和组合预测,提出了一种EMD-ISMO算法。实验结果表明,该方法无论在预测精度还是收敛速度上都比单纯的SMO算法有了很大改进,取得了很好的预测效果。

Abstract：

Electrical load is a complex nonlinear system which is affected by many factors.It has obvious volatile,cyclical,and tendency.Empirical mode decomposition （EMD） algorithm has smoothing and hierarchical processing ability.It can process the nonlinear and non-stationary digtal signal effectively.EMD algorithm was used to process the electrical load data.12 groups IMF data were decomposed,including a number of smooth components with different frequency.The cyclical term,random term and tendency term could be observed clearly.EMD-ISMO algorithm was proposed combining with the improved SMO algorithm（ISMO） which had perfect forecasting ability.Forecasting model was established with IMF data to forecast separately and jointly.The experimental results show that EMD-SMO algorithm can greatly improve the forcast accuracy and computation speed.It achieve very good forcast results.     

基于反正切函数权值累加生成的DGM(1,1)_(atan)模型及其应用

传统DGM(1,1)模型的累加生成算子没有考虑数据振荡对数据序列发展趋势的影响,模型预测结果往往呈现齐次指数增长的趋势.该局限性使得DGM(1,1)模型不适用于本身存在随机振动特征的序列分析与预测.针对这一问题,本文提出基于原始数据均值像序列的随机波动特征分析方法,设计出均值像反正切函数变权形式的累加生成算子;在此基础上建立了基于均值像反正切函数变权累加的DGM(1,1)atan模型,该模型综合考虑了数据的整体增长趋势与局部波动特征;最后,将模型应用于海域水质监测的数据分析与预测,预测结果验证了模型的有效性及实用性.     

周期异方差时间序列中季节单位根的Gauss 检验

为检验带异方差的季节时间序列中的单位根,提出了基于Cauchy估计的Zc统计量.在原假设下得到该检验统计量的极限分布服从于标准正态分布,并与季节周期d和误差项的周期异方差无关.Monte Carlo模拟计算表明当模型中自回归系数接近1时,用该方法得到的估计值比普通的最小二乘方法得到的估计值误差小.计算结果和实例分析结果表明了用该方法检验季节单位根的简便性和有效性.     

矩阵Renyi α阶熵水文序列变异诊断新方法

水文序列的变异诊断研究能够为各类水利、土木工程规划和管理决策提供依据和参考.针对水文序列动力学结构变异难以诊断的问题,本文提出一种基于矩阵Renyi α阶熵的变异诊断方法.首先,引入矩阵Renyi α阶熵理论描述水文序列的动力学结构;其次,利用数据滑动技术构造滑动移除矩阵Renyi α阶熵序列,用来刻画水文系统动力学结构的演变;最后,利用Pettitt检验诊断出滑动移除矩阵Renyi α阶熵序列的变异点及显著性水平.以渭河流域、洮河流域、窟野河流域和西柳沟流域的水沙序列为例开展应用研究,并与Shannon熵、Mann-Kendall检验和滑动T检验等方法进行对比分析.研究结果表明:咸阳站、状头站和红李区间年径流序列均没有发生变异,其它站年径流序列均发生了变异,变异概率大于90%;咸阳站、张家山站和状头站年输沙量序列均在20世纪80年代发生了变异,其它站点在20世纪90年代末发生变异,变异发生的概率均大于95%.通过与现有研究成果比对分析发现,本文提出的Renyi α阶熵方法的诊断结果与实际情况基本吻合,而其它方法的诊断结果与实际情形差异较大.     

基于空间相似性和波动阈值的退化模型一致性检验方法

针对退化模型中存在模型一致性检验不充分问题,借鉴数理统计知识和灰色系统理论,提出一种基于空间相似性和波动阈值的退化模型一致性检验方法。首先,考虑基于正态总体的波动阈值一致性检验,确定退化模型和验证试验结论具有动态一致性,即退化模型结论在容许的波动阈值内;然后,考虑基于灰色关联的空间形状相似性一致性检验,确定退化模型曲线之间的相似度;最后,根据退化模型同时满足基于正态总体的波动阈值一致性检验和基于灰色关联的空间形状相似性一致性检验,认为退化模型通过一致性检验;反之,认为不通过一致性检验。通过实例建模和试验数据对比,验证了所提方法的有效性。     

基于互联网搜索指数的多因素集成下人民币汇率预测

针对人民币短期汇率预测问题,构建了基于互联网大数据信息的互联网搜索指数,改进了人民币汇率短期预测CAR模型.首先,基于涵盖丰富信息的互联罔大数据,构建了反映大众关于汇率波动观点、情绪及预期的互联网搜索指数,并运用热最优路径(TOP)方法、去趋势交叉相关分析(DCCA)方法对指数的有效性进行了检验,结果表明该指数可以有效地表征出大众情绪和预期的变化.进一步地,利用所编制的互联网搜索指数对人民币汇率的短期预测模型进行改进,构建了融合互联网搜索指数的CAR模型.实证结果表明,融合互联网搜索指数的人民币汇率短期CAR预测模型可以有效提升短期汇率的预测精度.     

基于Hilbert-Huang变换理论的非线性系统分析

介绍了Hilbert-Huang变换(HHT)这一全新的处理非线性、非平稳信号数据的方法,将其用于分析典型的非线性系统-Duffing方程,通过对使用三阶Runge-Kutta法求解而得到的Duffing方程数值解分解后,得到了4个固有模态函数分量和1个残余量,给出了相应的能量-频率-时间分布图-Hilbert谱,并将其边际谱与Fourier谱作了比较。结果表明,此方法具有更好的局部特性分辨以及瞬时频率分解效果,经HHT变换得到的主要固有模态函数分量具有明确的物理意义,体现在Hilbert谱上的系统固有频率存在明显的波内调制机制,分析结果充分保留了系统的非线性特征。     

WebGIS多层次矢量数据压缩方法及仿真实现

互联网带宽的限制是导致WebGIS数据传输效率低的原因,因此矢量数据压缩对于提高整个WebGIS系统的传输性能是至关重要的。提出了一种多层次的矢量数据压缩方法,融合了适用于WebGIS的有损压缩与编码方式的无损压缩,进一步提高了压缩比率。对该压缩方法的核心部分进行了详细的阐述,最后通过网络地图服务的仿真实验,表明该压缩方法能够达到90%以上的压缩比,并且有效的降低了用户响应时间,这将对WebGIS应用提供更好的探索空间。     

基于最小二乘支持向量机的非线性系统建模

探讨了利用支持向量机进行非线性系统建模的方法。首先,利用相空间重构,将非线性时间数据序列映射到高维空间,以便把时间序列中蕴藏的信息充分显露出来。其次,基于最小二乘支持向量机(RLS-SVM)对系统进行建模,仿真结果表明,支持向量机具有良好的非线性建模能力和泛化能力,原始时间数据序列和重建时间数据序列相似,说明提出的算法能够有效的对非线性动态系统的时间序列进行建模。     

基于HHT的高频雷达机动目标参数估计

针对高频雷达强杂波场景下的机动目标检测,提出了基于希尔伯特黄变换(Hilbert-Huang transform,HHT)的机动目标参数估计算法。该算法首先通过复数经验模态分解将回波分解为杂波和目标分量,然后计算目标分量的瞬时频率,获得频率随时间变化的HHT谱,最终利用线性拟合估计目标运动参数。该算法无需抑制杂波,可同时对多目标进行运动参数估计,有助于简化多目标运动补偿和检测流程。数据分析结果表明,该算法可以有效运用于对高频雷达机动目标速度和加速度的估计。     

一种飞行数据预测方法

为了解决实际飞行试验中机载系统与GPS采样率频率相异,难以对飞行状态实时估计和性能导航进行计算等问题,通过对GPS进行预测来对数据统一化处理.如果机载系统采样频率是GPS的整数倍且GPS输出时间对应于机裁系统采样时刻,给出了一种基于模型的预测方法.对于一般情况,采用了时间序列的混沌多项式预测模型,对实测数据进行相空间重构的基础上,选取最优邻近点进行预测.实际飞行试验数据分析结果表明,给出的预测方法是有效的.     

小波分频技术和混沌时间序列在国际石油价格预测中的应用

提供了一种小波分频技术结合Volterra自适应滤波器的预测石油价格趋势的方法,先对原始的石 油价格时间序列进行小波分频分析,将分解后的各层尺度系数和细节系数重构各层的时间序列, 然后分别计算各层时间序列的最佳延迟时间和嵌入维数来重构相空间,最终用Volterra自适应滤波器法预测各层时间序列, 重构成预测油价.实验证明该方法比直接混沌时间序列全局预测和一阶局域预测的精度更高,可预测范围更大.     

非线性时间序列的相空间重构技术研究

分析了混沌时间序列相空间重构中常用的C-C方法所存在的四点不足,提出了改进的C-C-2方法.该方法改进了时间序列关联积分的计算方法和参数,利用混沌序列周期N的概念,提出了通过寻找Scor(t)的第一个属于混沌序列周期N的局部极小峰值,来确定最优延迟时间窗口的判断方式;并只寻找平均ΔS2(t)的第一个极小值来确定最优时间延迟,所得结果更合适、稳定,而且将原算法的抗噪能力由30%提高到80%.     

基于Kalman滤波算法的Volterra级数核估计及其应用

为了进一步提高Volterra级数模型在混沌时间序列预测中的精度以及核估计的收敛速度,提出利用自适应Kalman滤波算法对Volterra级数核进行估计的一种新方法。同时,在混沌动力系统相空间重构的基础上,采用关联维数法和最大Lyapunov指数法,对船舶运动时间序列进行混沌特性判定,并对船舶横摇运动时间序列进行多步预测。仿真表明,与归一化最小均方(normalization least mean square, NLMS)算法和最小二乘(recursive least-square, RLS)算法的Volterra级数模型相比,基于自适应Kalman滤波算法的Volterra模型在收敛速度与预报精度方面均优于NLMS算法和RLS算法,为实时在线预报提供了理论依据。     

基于独立成分分析的时间序列谱聚类方法

为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.