The relationship between oil prices and US economy revisited

The authors revisit the relationship between US economic growth and crude oil prices considering Industrial Production Index and West Texas Intermediate crude oil spot prices as respective proxies for a period spanning over January 1986 to June 2017. To capture the asymmetric and time-varying relationship, the authors employ maximum overlap discrete wavelet transform (MODWT)-based quantile regression (QR) analysis. Interestingly, MODWT-based QR analysis provides evidence of supply-driven link between crude oil prices and economic growth in the short run. However, in the medium to long run a demand-driven link is dominant. In addition, the QR results without MODWT also advocate a demand-driven link. Overall, the result of this study adds a new dimension to the literature on the relationship between crude oil prices and economic growth by focusing upon the time-frequency varying business cycle fluctuations.     

基于小波特征提取与深度学习的微电网故障诊断与分类方法

针对现有微电网（MG）故障诊断准确率不高,分类精度不理想等问题,提出了一种基于小波特征提取与深度学习的微电网故障诊断与分类方法。首先,采用最大重叠离散小波变换（MODWT）和母小波提取MG电力信号特征,并进行三级分解,以获得高精度的信号特征提取。然后,利用长短期记忆网络优化深度Q网络,构建深度循环Q网络（DRQN）,更好地分析复杂数据且克服噪声的干扰。最后,将MODWT每个分解层次上的信号分量能量输入DRQN,实现故障的诊断和分类。基于MATLAB环境搭建MG系统仿真模型对所提方法进行实验论证,结果表明使用高采样频率和电流、电压信号时,诊断性能最佳,分类准确率超过91%。同时,所提方法在11种故障类型和4种场景下的分类准确率均超过90%,优于其他对比方法。     

基于MODWT的运动想象脑电信号识别

对运动想象脑电信号进行分类识别,是脑机接口研究中的重要问题。为此,提出一种基于极大重叠小波变换和AR模型的脑电信号分类方法。将脑电信号波形进行极大重叠小波分解,抽取变换系数的统计特征,利用Burg算法提取其3层光滑的8阶AR模型系数以及3层光滑部分的能量曲线特征,将这3类特征进行组合后,使用神经网络、支持向量机及线性判别进行分类和比较。与BCI2003竞赛数据分类精度结果相比,该方法的识别率更高。将模型移植入自行研制的嵌入式脑电信号控制电机转向系统中,该模式识别方法的平均准确度达到了91.3%,可用于嵌入式脑机接口的系统设计。     

金融高频时间序列的MODWT波动分析

与经典小波变换相比,利用最大交叠小波变换(MODWT)对非平稳时间序列进行分解时,由于没有下采样的过程,因此可以最大限度地减少数据信息的遗失。该文通过对股指期货主力合约一天中的采样数据进行研究。发现MODWT可以有效地对序列中的波动与趋势进行分解。此外文章中还发现,如果分解层数足够多,那么大部分的趋势信息则被波动信息所覆盖。因此总结出用小波对零均值数据进行滤波时,要适当选择分解的层数。     

一种基于屏蔽滤波的行波信号消噪方法

针对实际电力系统行波信号中存在噪声干扰的问题,提出了一种基于屏蔽滤波的行波信号消噪方法,对信号进行极大重叠离散小波包变换,将信号分解在不同的尺度上,利用能量算子得到能量强化后的小波包系数,通过计算小波包相邻尺度的相关度,归一化后得到的相关系数与各个尺度的小波包系数进行比较,获得信号奇异点,形成屏蔽滤波器,将屏蔽滤波器与各个尺度下的小波包系数相乘,从而得到新的小波包系数,利用小波包系数得到行波信号产生的准确位置.理论分析、ATP仿真结果及现场实际数据验证了该方法的有效性.     

Discrimination of locally stationary time series using wavelets

Time series are sometimes generated by processes that change suddenly from one stationary regime to another, with no intervening periods of transition of any significant duration. A good example of this is provided by seismic data, namely, waveforms of earthquakes and explosions. In order to classify an unknown event as either an earthquake or an explosion, statistical analysts might be helped by having at their disposal an automatic means of identifying, at any time, which pattern prevails. Several authors have proposed methods to tackle this problem by combining the techniques of spectral analysis with those of discriminant analysis. The goal is to develop a discriminant scheme for locally stationary time series such as earthquake and explosion waveforms, by combining the techniques of wavelet analysis with those of discriminant analysis.     

基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法

现有用户用电模式提取技术主要基于负荷数据时域特征提取,无法准确分辨时域上欧式距离接近但频域上波动特性差异较大的负荷数据,且对类别不平衡负荷数据的分类准确率较低。为解决上述问题,文章首先通过基于样本支持向量的过采样方法（support vector machines-synthetic minority over-sampling technique, SVM-SMOTE）对存在类别不平衡问题的负荷数据进行处理;然后,通过极大重叠离散小波变换（maximal overlap discrete wavelet transform, MODWT）对负荷数据进行分解,并将分解后的尺度系数和细节系数组成频域的特征矩阵;最后将频域特征矩阵输入深度长短期记忆（long short-term memory, LSTM）神经网络进行负荷分类并通过求取各个类别质心来获取典型用电模式。实验结果表明,该方法具有良好的类别不平衡数据处理能力和负荷分类效果。     

基于MODWT的变压器绕组轻微故障检测及分类研究

本文基于变压器在不同运行工况下的等效瞬时励磁电感的差异,利用最大重叠离散小波变换 (MODWT) 提取有效故障特征参数,实现对变压器绕组轻微匝间故障以及匝间电弧放电故障的检测。首先提取变压器在各种工况下的电气量,求取等效瞬时励磁电感,选取基于db4小波函数的最大重叠离散小波变换进行分析,提取特征量。将故障特征量作为决策树的训练集和测试集,从而实现变压器绕组轻微故障的识别以及分类。最后通过仿真证明,所提出的算法能够准确检测以及区分励磁涌流、轻微匝间短路故障以及匝间电弧放电故障。