实时交通数据的噪声识别和消噪方法

以常用的交通数据———交通量时间序列的实测数据为例,给出多个噪声识别及消噪预处理的实验结果.为提高建模的准确度,采用模糊减法聚类对交叉口实测交通量进行噪声识别.对实测交通量采用奇异值分解的滤波方法进行除噪预处理,并通过训练径向基函数网络进行预测.与数据未经滤波直接训练网络相比,预测结果的平均绝对相对误差降低了3.31%.用小波变换对交通量数据进行消噪处理,即通过多分辨率的小波分解和重构来实现消噪.实验表明,若对原始交通量时间序列消噪后再建立预测模型,将获得更好的预测结果,这说明研究的噪声识别和消噪方法的可行性和有效性.     

结构损伤识别的周期小波方法

通过对结构损伤前后模态特征的变化进行分析,利用损伤结构的位移振型函数构造出曲率振型函数γi(x),然后再在曲率振型函数的基础上提出一个用于探测和评定损伤程度的新指标———损伤因子r(x)=∑i∈Idγi2(x);基于小波分析的方法,对损伤因子进行周期小波变换,通过小波系数的取值范围提出了一种结构损伤定位和损伤程度的评估方法.数值仿真表明,这是一种行之有效的损伤识别方法.     

高压浓相煤粉气力输送差压信号多分辨分析

为了探究高压浓相气力输送过程中时频空间的内部特征,利用六尺度多分辨小波分析对试验差压信号进行时频分解.引进能量、Shannon熵和标准差STD作为特征量对气固两相流频域空间进行分析.分析表明:浓相气力输送过程中,差压信号中的能量主要分布在低频区,Shannon熵从高频到低频上呈先减小后增大分布趋势.在相同的试验压力条件下,随着表观速度的增大,低频所占据的能量份额减小,信号脉动向高频移动;高频d1和d2的Shannon熵和a6上的STD增大,低频d4~d6上的Shannon熵和d1~d6上的STD减小.为进一步研究流型辨识及流动稳定性提供了新方法.     

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。     

一种改进小波变换相关法去除机载雷达图像斑点噪声的应用

针对高分辨率机载雷达图像进行相干斑抑制, 首先讨论小波变换的优点, 然后以小波变换为基础, 对一种方法进行复小波改进, 最后由实验结果可以看出使用该方法处理的效果好于其他方法.     

一种减小TOA测量距离中NLOS影响的DMS模型和估计算法

有效的滤波方法和多尺度估计是无线定位技术的重要研究方向。为了减小在蜂窝网无线定位中非视距传 播(NLOS)对波达时间(TOA)测量距离的误差影响,先结合NLOS误差特性对标准Kalman滤波进行修正,然后提 出将不同采样率的修正Kalman滤波方程与多个尺度联系起来,建立了一种动态多尺度系统(DMS)模型,并给出基 于Haar小波的实现方法。仿真结果表明,基于上述方法优于直接进行Kalman滤波的效果,能较大幅度地提高 TOA测量距离的精度。     

基于转角模态小波变换的连续梁损伤识别研究

针对采用基本振型进行小波变换识别连续梁支座附近损伤的困难,提出了运用转角模态小波变换识别损伤的方法.该方法在对连续梁转角模态进行有限元分析的基础上,用墨西哥帽小波做连续小波变换,并由多尺度小波分析确定损伤位置,由低尺度上的小波系数模极大值识别相对损伤程度,由小波系数线特征确.定损伤类型.通过对一具有离散裂缝、裂缝群和局部刚度下降三类损伤的连续梁做数值计算分析,验证了方法的有效性.该方法对连续梁损伤识别的工程应用具有参考价值.     

小波变换在跳频通信中的应用研究

小波变换是信号的时间一频率分析方法,它具有多辨分析的特点,它能有效地检测和识别跳频信号,在跳频通信中有极其重要的作用.按照跳频信号的数学模型分析,小波变换(WT)与快速傅立叶变换(FFT)、短时傅立叶变换(STFT)相比较,具有明显的优越性.通过对中频信号的有限个采样点的分析处理,提取出跳频信号的特征参数,并运用Matlab语言设计出仿真程序,可以证明小波分析跳频信号具有可行性.     

基于DSP＆CPLD的便携式振动信号处理系统

为了更准确方便地诊断设备运行特性,结合FFT和小波分析原理设计了一种基于DSP＆CPLD的便携式振动信号处理系统。系统的硬件电路由信号调理电路、数据采集处理模块和外围电路等组成,其软件部分由主程序模块、数据采集处理程序和LCD显示程序等组成,能够实时采集振动信号,显示并存储静态特性、振动波形和频谱等数据。     

A Neuro‐wavelet Model for the Short‐Term Forecasting of High‐Frequency Time Series of Stock Returns

We propose a wavelet neural network (neuro‐wavelet) model for the short‐term forecast of stock returns from high‐frequency financial data. The proposed hybrid model combines the capability of wavelets and neural networks to capture non‐stationary nonlinear attributes embedded in financial time series. A comparison study was performed on the predictive power of two econometric models and four recurrent neural network topologies. Several statistical measures were applied to the predictions and standard errors to evaluate the performance of all models. A Jordan net that used as input the coefficients resulting from a non‐decimated wavelet‐based multi‐resolution decomposition of an exogenous signal showed a consistent superior forecasting performance. Reasonable forecasting accuracy for the one‐, three‐ and five step‐ahead horizons was achieved by the proposed model. The procedure used to build the neuro‐wavelet model is reusable and can be applied to any high‐frequency financial series to specify the model characteristics associated with that particular series. Copyright © 2013 John Wiley & Sons, Ltd.