经验模态分解法论文-李洁,林永峰,陈亮,朱静雯,孙弘博

经验模态分解法论文-李洁,林永峰,陈亮,朱静雯,孙弘博

导读:本文包含了经验模态分解法论文开题报告文献综述及选题提纲参考文献,主要关键词:深度学习,金融时间序列,经验模态分解,主成分分析

经验模态分解法论文文献综述

李洁,林永峰,陈亮,朱静雯,孙弘博[1](2019)在《基于深度经验模态分解的金融市场时序预测》一文中研究指出传统模型和单一模型无法实现时间序列预测的高精度需求,现有时间序列预测模型对一些数据不能做到较为精准的预测。融合经验模态分解(EMD)、主成分分析(PCA)以及长短期记忆网络(LSTM),提出一种深度经验模态分解模型EPL,并提出IEPL (interval EPL)模型进行实验优化。选取4类金融衍生品时间序列的数据集FTSE、S&P500、USD、BDI,以单一模型、传统模型、已有组合模型为对照进行实验。对比实验结果表明,EPL和IEPL在精确度方面表现更好,比现有研究的平均精度提高5%-7%。(本文来源于《计算机工程与设计》期刊2019年12期)

赵征,乔锦涛[2](2019)在《基于集合经验模态分解的神经网络短期风速组合预测研究》一文中研究指出针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果迭加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。(本文来源于《电力科学与工程》期刊2019年11期)

刘佩,贾建,陈莉,安影[3](2019)在《基于快速自适应的二维经验模态分解的图像去噪算法》一文中研究指出为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重迭组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。(本文来源于《计算机科学》期刊2019年11期)

张知先,陈伟根,汤思蕊,王有元,万福[4](2019)在《基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断》一文中研究指出为了及时发现和诊断有载分接开关(OLTC)的异常状态,在特征提取方面,结合驱动电机电流信号选取OLTC振动信号的特定时段,以突出状态特征;利用互补集总经验模态分解(CEEMD)得到振动信号的固有模态函数(IMF),针对OLTC振动信号的特点,提出基于IMF能量特征的降噪算法;设计了时频矩阵划分算法,提取划分线、峭度、包络谱熵、时频矩阵能量密度、时频矩阵变异系数等特征参量。在异常状态诊断方面,通过多个振动测点,同时实现OLTC本体和传动机构的异常状态诊断;建立了以局部异常因子(LOF)为诊断参量的OLTC异常状态诊断方法,通过待测样本与正常样本集的比较来发现和诊断OLTC的异常状态,具有较好的普适性。仿真和实验结果表明,基于该文提出的方法能有效发现和诊断OLTC的异常状态。(本文来源于《电工技术学报》期刊2019年21期)

赵辉,华海增,岳有军,王红君[5](2019)在《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》一文中研究指出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迭加获得最终预测值。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。(本文来源于《科学技术与工程》期刊2019年29期)

余忠潇,郝如江[6](2019)在《基于小波包分析与互补集合经验模态分解的轴承故障诊断应用》一文中研究指出针对滚动轴承早期故障信号特征微弱且难以提取的问题,提出结合小波包分析与互补集合经验模态分解的故障诊断方法;凭借小波包在分解时能处理噪声的功能,通过预处理振动信号初步消除噪声,然后利用互补集合经验模态分解得到各本征模态函数分量,并结合快速谱峭度的频带范围和相关系数计算,从而筛选出真实分量用以重构获得有效的故障特征信号。结果表明,该方法能较好地识别并提取目标轴承的故障特征信息,具有一定的可行性和有效性。(本文来源于《济南大学学报(自然科学版)》期刊2019年06期)

王骜[7](2019)在《基于经验模态分解的发动机振动信号分析方法研究》一文中研究指出对于任何机器来说,一旦发生故障,都会产生一段无规律的非平稳信号。通过对这段非平稳信号进行分析,可以实现对机器工作状态的一个系统监测。但是,对非平稳信号的有效片段提取,是现实中的工作难点。对此,目前多使用的传统方法如振动信号处理、傅里叶变换、相关分析法等来对信号进行频域分析,其缺点是无法得知在信号所对应的时间点上的动态变化特征。本文以一段发动机故障信号处理过程为例,主要介绍了经验模态分析方法(EMD),该方法能够将信号由大化小,由非平稳化为平稳,再根据所得的平稳信号,可以更加方便的从信号中提取有效信息及信号规律,从而达到更全面、更简单的对信号进行时频分析研究的目的,由此可见经验模态分析方法具有广阔的发展和应用前景。(本文来源于《内燃机与配件》期刊2019年19期)

陈岳坪,谌炎辉,汤慧,葛动元[8](2019)在《基于经验模态分解方法的曲面加工误差补偿》一文中研究指出采用误差补偿技术对曲面的加工误差进行补偿是提高该类零件加工精度的有效方法。针对加工误差进行经验模态分解,将加工误差分解为若干个固有模态函数(IMF)和一个res趋势项函数。根据系统误差的特征,趋势项函数中一定存在系统误差,利用自相关分析法和频谱图对固有模态函数分析是否存在周期性变化系统误差,最终分解出系统误差和随机误差。搭建了数控机床在线检测的实验平台,实现了曲面零件的系统误差补偿。通过一个曲面零件的加工实验表明,补偿加工后的曲面精度提高了86.0%。仿真算例和实验结果表明,基于经验模态分解方法的加工误差补偿能有效提高曲面零件的加工精度。(本文来源于《计算机集成制造系统》期刊2019年10期)

陈东毅,陈建国,李玉榕[9](2019)在《改进经验模态分解与谱峭度法的步态信号特征分析》一文中研究指出通过对步态信号进行分析,提出基于能量矩占比与方差贡献率的改进经验模态分解和谱峭度法的步态信号特征频率分析方法.改进的经验模态分解消除了传统分解过程中存在的低频虚假本征模态分量,抑制了高频噪声的干扰.通过确定谱峭度图上的中心频率和带宽构造带通滤波器对信号进行包络解调分析,并通过实验验证了该方法能有效提取步态信号的特征频率,为步态信号的后期研究提供一条新的思路.(本文来源于《福州大学学报(自然科学版)》期刊2019年05期)

王亚娟,李怀良,庹先国,沈统[10](2019)在《一种集成经验模态分解的样本熵阈值微地震信号降噪方法》一文中研究指出微地震信号的采集过程中,会不可避免地混合非平稳随机噪声,传统的线性滤波和频谱分析方法对这种混合信号的去噪效果并不理想。针对这一需求,本文提出了一种新的降噪方法。首先对含噪声的微地震信号执行集成经验模态分解(EEMD),获取一系列不同频率成分的本征模态函数(IMF);为了区分这些IMF分量中的信号和噪声,文中通过计算各个IMF分量的样本熵,根据所设置的样本熵阈值来提取符合微地震信号特征的IMF分量,并对这些IMF分量进行信号重构,由此达到抑制随机噪声的目的。将提出的方法应用于模拟数据和实测微地震数据,均表明该方法具有理想的降噪效果。(本文来源于《物探与化探》期刊2019年05期)

经验模态分解法论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果迭加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

经验模态分解法论文参考文献

[1].李洁,林永峰,陈亮,朱静雯,孙弘博.基于深度经验模态分解的金融市场时序预测[J].计算机工程与设计.2019

[2].赵征,乔锦涛.基于集合经验模态分解的神经网络短期风速组合预测研究[J].电力科学与工程.2019

[3].刘佩,贾建,陈莉,安影.基于快速自适应的二维经验模态分解的图像去噪算法[J].计算机科学.2019

[4].张知先,陈伟根,汤思蕊,王有元,万福.基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断[J].电工技术学报.2019

[5].赵辉,华海增,岳有军,王红君.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[J].科学技术与工程.2019

[6].余忠潇,郝如江.基于小波包分析与互补集合经验模态分解的轴承故障诊断应用[J].济南大学学报(自然科学版).2019

[7].王骜.基于经验模态分解的发动机振动信号分析方法研究[J].内燃机与配件.2019

[8].陈岳坪,谌炎辉,汤慧,葛动元.基于经验模态分解方法的曲面加工误差补偿[J].计算机集成制造系统.2019

[9].陈东毅,陈建国,李玉榕.改进经验模态分解与谱峭度法的步态信号特征分析[J].福州大学学报(自然科学版).2019

[10].王亚娟,李怀良,庹先国,沈统.一种集成经验模态分解的样本熵阈值微地震信号降噪方法[J].物探与化探.2019

标签:;  ;  ;  ;  

经验模态分解法论文-李洁,林永峰,陈亮,朱静雯,孙弘博
下载Doc文档

猜你喜欢