基于EMD-LSTM的国际黄金期货价格预测

黄金是一种特殊的金融商品,黄金期货作为黄金市场的衍生品,其价格受到多方面的影响,且具有金融序列非线性不平稳的特点,因此传统的统计预测模型通常难以预测其走势.将美元指数、纳斯达克综合指数、道琼斯工业平均指数和标准普尔500指数作为国际黄金期货价格的影响因素,选择2011―2021年交易日收盘价基于EMD-LSTM的组合模型进行预测,并通过与SVR、RF、RNN和LSTM模型对比分析,结果表明：EMD-LSTM模型在国际黄金期货价格的预测上具有更良好的效果,精度更高,能更准确地预测国际黄金期货价格走势.     

草酸钙酸分解的热力学分析

为阐明草酸钙渣酸分解过程的热力学,基于同时平衡原理、质量守恒原理、电中性原则,以盐酸和硫酸为分解药剂,计算和绘制草酸钙酸分解的热力学平衡图,并结合实验验证。研究结果表明：单因素实验结果与热力学计算结果的趋势一致,且部分情况的实验值和计算值吻合;草酸钙是较稳定的沉淀,在pH=4～13的范围内,维持较低溶解水平;在盐酸体系中,氯化钙和草酸对草酸钙的溶解有显著抑制作用,而在硫酸体系中,硫酸钙的生成使溶液钙浓度维持在较低水平,从而促进草酸钙的分解;硫酸参与草酸钙分解的反应率随初始酸度增加而增加,硫酸浓度为4 mol/L时,硫酸的反应率可达39.7%;而盐酸的反应率几乎不受初始酸度的影响,维持在5.4%的较低水平。此外,硫酸参与草酸钙分解的反应率随初始草酸浓度增加而下降,但在相同初始草酸浓度下,硫酸参与草酸钙分解的反应率明显比盐酸的高。     

基于改进SSA-VMD的列车门丝杠机构故障诊断技术研究

【目的】为解决地铁运行时因列车门噪声过大而导致故障诊断难的问题,以列车门为研究对象,提出一种基于改进麻雀搜索（SSA）算法的变分模态分解（VMD）振动信号降噪法,并通过支持向量机来对故障进行诊断。【方法】首先,利用Hénon混沌映射来初始化种群,将非线性权重因子引入群体行为阶段,并通过Levy飞行策略及柯西变异对位置进行更新。其次,通过改进的麻雀搜索算法对变分模态分解算法中的惩罚因子α和模态分解数K进行全局寻优,确定参数分解并重构,得到降噪信号。最后,使用主成分分析法（PCA）来提取特征,并利用支持向量机（SVM）来诊断故障。【结果】试验结果表明,该方法对振动信号的降噪效果明显,故障诊断准确率达91%,验证了该方法的有效性。【结论】该方法能有效克服传统VMD去噪参数难以选取的问题,对列车门故障诊断研究具有一定的参考价值。     

催化分解二茂铁制备Fe3O4/螺旋形碳纳米纤维复合材料及磁学性能

在500℃实验条件下, 通过锡粉催化分解二茂铁, 反应12 h 获得大量高纯Fe₃O₄/螺旋形碳纳米纤维复合材料. 表征结果表明, Fe₃O₄ 纳米颗粒的直径主要集中在35~65 nm 之间,螺旋形碳纳米纤维的直径为40~70 nm. 调节反应温度可以控制纳米复合材料的形貌和组成. 在此基础上, 讨论了Fe₃O₄/螺旋形碳纳米纤维复合材料的形成过程. 500℃反应12 h 制得Fe₃O₄/螺旋形碳纳米纤维复合材料的磁滞回线表现出铁磁行为, 其饱和磁化率、剩余磁化率和矫顽力分别为29.8 emu/g, 9.6 emu/g 和306.6 Oe.     

基于稀疏约束非负矩阵分解的水下线谱增强方法

水下目标线谱增强是被动声纳目标探测的关键问题之一。传统的线谱信号处理方法集中于时域和频域处理,本文提出了利用非负矩阵分解,在时频联合域内进行线谱信号增强的处理方法,以目标线谱信号的时频矩阵作为非负矩阵分解的输入,通过基矩阵提取线谱信号的频谱模式。根据线谱信号在频域的稀疏性质,对基矩阵进行稀疏性约束,利用权重稀疏扫描的方式讨论基矩阵的稀疏度和频率估计精度随权重系数的变化关系,确定稀疏约束项的有效权重系数区间。仿真结果显示,稀疏约束项在低信噪比条件下表现出优越的线谱增强能力,最低信噪比可达-30 dB。海试数据结果表明,此方法可以有效地提高对线谱信号的提取能力。     

非带限冲激信号的一种低通采样和重建方法

提出了非带限冲激信号的一种低通采样和重建方法,将冲激信号通过低通滤波器后,按照信号新息率进行采样,然后对采样得到的离散时间信号进行傅里叶变换,采用最小二乘零化滤波算法可以准确地重建原始冲激信号。在冲激信号个数较大及受到噪声影响时,最小二乘零化滤波算法性能恶化,通过适当提高采样率,使用奇异值分解重建算法,可以获得理想的重建结果。分析和仿真结果证明,所提出的非带限冲激信号低通采样和重建方法,能够以较低的速率进行采样和恢复原始冲激信号,并具有良好的抗噪声性能。     

基于深度学习的柴油机气门健康状态评估

柴油发动机在运行过程中,其气门间隙会随其性能状态退化发生改变,为了解决传统的健康状态评估方法健康指标确定困难、权重人为经验依赖性大的问题,提出一种基于深度学习的柴油机气门健康状态评估方法.首先通过小波包分解算法对柴油机缸盖振动信号进行分解,对分解得到的节点信号分别提取常见的14个时域特征和小波包分解信号能量比向量,构建...     

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。     

VP型宽频带倾斜仪故障信号的BBA-SOM智能诊断

针对现有VP型倾斜仪故障诊断主要依靠人工经验和诊断流程较为复杂的问题,提出以互补集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)多尺度近似熵和二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络参数的VP型倾斜仪故障诊断新方。首先,将归一化后的仪器故障信号进行CEEMD分解,对6阶本征模态函数(intrinsic mode function, IMF)求取多尺度近似熵值;然后将网络输入法按比例分为训练集和测试集,以训练集的识别率为适应度函数,应用二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络的竞争层维数和网络训练次数;最后应用上述得到的BBA-SOM网络模型对倾斜仪故障特征数据进行辨识。实验表明：CEEMD多尺度近似熵判据对倾斜仪故障特征的区分效果符合预期;相对于朴素贝叶斯、AdaBoost集成学习与LDA等学习模型,BBA-SOM模型可以准确进行故障诊断;该方法对实现VP型倾斜仪故障的自动诊断有重要现实意义。