基于变分模态分解参数优化的地震随机噪声去除方法

为解决变分模态分解在地震数据去噪中依赖人工经验,模态分解和去噪效果具有一定随机性和偶然性的问题,提出基于频域奇异值分解信噪比估计的参数优化方法。该方法在参数范围内以较高的估计信噪比为评价参数对模态分量数目与有效模态进行选取,自适应寻找去噪最有效的参数,从而避免主观选取参数的随机性,改善去噪效果。仿真模型实验表明：估计信噪比与真实信噪比的误差为正相关关系,能够有效反映地震数据中噪声程度,所估计信噪比可以作为去噪效果的评价参数。通过仿真模型和实际地震数据对方法进行验证,结果表明基于估计信噪比参数优化后的变分模态分解方法能够有效压制噪声、凸显同相轴信息。     

二氯化氯·五氨合钴(Ⅲ)配合物的热分解动力学机理研究

用非等温热重法研究了二氯化氯·五氨合钴(Ⅲ)配合物[Co(NH3)5Cl]Cl2 的热分解反应机理.非等温热重数据通过ACHAR法和COATS-REDFERN法进行拟合,结果得到第1 步反应的微分动力学函数f(α)= 4α3/4,积分动力学函数g(α)= α1/4, 活化能E1 =132.628 kJ/mol,E2 =24.888 4 kJ/mol;指前因子A1=2.843 9×10-14/s,A2 =2.199 1×10-2/s;动力学补偿效应方程lnA1=4.463 6E1+5.696 4,lnA2=4.516 6E2+38.465.第2步反应的微分动力学函数f(α)=3/2[(1-α)1/3 -1]-1,积分动力学函数g(α)= α+(1-α)ln(1-α), 活化能E1 =137.306 1 kJ/mol,E2=332.607 8 kJ/mol;指前因子A1=2.744 4×1011/s,A2=1.395 8×102 5/s;动力学补偿效应方程lnA1=5.005 8E2+5.617 4,lnA2=5.031 7E1+43.026.     

Short-run wavelet-based covariance regimes for applied portfolio management

Decisions on ass et allocations are often determined by covariance estimates from historical market data. In this paper, we introduce a wavelet-based portfolio algorithm, distinguishing between newly embedded news and long-run information that has already been fully absorbed by the market. Exploiting the wavelet decomposition into short- and long-run covariance regimes, we introduce an approach to focus on particular covariance components. Using generated data, we demonstrate that short-run covariance regimes comprise the relevant information for periodical portfolio management. In an empirical application to US stocks and other international markets for weekly, monthly, quarterly, and yearly holding periods (and rebalancing), we present evidence that the application of wavelet-based covariance estimates from short-run information outperforms portfolio allocations that are based on covariance estimates from historical data.     

带状随机线性系统状态的估计问题

针对目前关于广义系统状态估计的研究现状 ,即几乎所有的讨论都集中在奇异矩阵为方阵的情况 ,讨论了广义逆矩阵和矩阵的奇异值分解问题。首次提出了带状随机系统的状态估计问题 ,利用矩阵的奇异分解理论给出了带状广义连续线性系统的奇异值标准形式。基于标准形式 ,利用广义逆矩阵的性质 ,在两种情况下将系统分解成两个子系统 ,通过估计子系统的状态 ,得到了该系统状态的最优预测和滤波递推方程。     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。     

结合低秩分解与多流融合的行为识别方法

运动信息对行为识别任务至关重要。现有方法仅利用了局部运动信息,忽略了全局运动信息的重要作用。为解决该问题,提出了一种基于低秩分解与多流融合的行为识别方法。通过3条支路分别提取视频的特征,第1条支路利用低秩分解提取全局运动信息;第2条支路提取视频的光流特征以得到局部运动信息;第3条支路利用原始视频作为输入,以保留完整的空域信息。将3条支路的预测结果进行后融合,得到最终的行为识别结果。通过多流融合,充分利用视频的多尺度时域运动信息和丰富的空域信息,提高现有模型的行为识别能力。实验结果表明,提出的方法优于现有模型的多流融合行为识别方法。     

基于矩阵分解和混沌置乱的数字水印算法

为了提高运算效率,同时保证算法的不可见性和鲁棒性,提出了一种基于矩阵Schur分解的盲水印算法．首先利用混沌原理对水印信息置乱加密,然后将分块载体图像进行离散余弦变换（DCT）,利用矩阵分解理论得到对称矩阵,将对称矩阵作Schur分解,通过量化调制完成水印的嵌入．结果表明,该算法运算量小,并且具有良好的不可见性和鲁棒性．     

基于小波EMD的柴油机油耗量测量信号去噪处理

提出基于小波经验模态分解的柴油机油耗量信号去噪处理算法.将柴油机油耗量测量信号进行经验模态分解(EMD)后,经阈值处理和尺度滤波,去掉主要干扰因素所对应的本征模函数(IMF)分量,然后对剩余IMF分量进行重构,得到去噪后柴油机油耗量测量信号的时间序列.测试结果表明:重构后的信号能反映柴油机油耗量信号的真实趋势,其相对误差约为0.72％.     

过硫酸钾在织物一浴前处理过程中分解反应动力学的研究

过硫酸钾已较为广泛的应用于织物的前处理过程中.在织物的退/煮/漂一浴前处理过程中加入少量过硫酸钾,不但可以提高处理效果,还能使纤维的强力得到有效的保护.为了更充分了解过硫酸钾在织物退/煮/漂一浴前处理过程中的分解行为,本文对过硫酸钾在该处理过程中的分解动力学进行了研究.研究结果表明,其分解反应为一级反应,并得到了其动力学参数和建立了动力学方程.结合电子顺磁共振波谱(EPR)测定结果,推定出了过硫酸钾的分解反应机理以及分解产物与浆料及纤维作用的机理.