联合EMD和FSVM的非平稳时间序列预测

提出一种基于经验模态分解(EMD)和模糊支持向量机(FSVM)的非平稳时间序列组合预测方法。首先,利用EMD对非平稳时间序列进行分解,将其分解为时间尺度特征较为单一的单模态分量,降低待预测信号的非线性复杂度;然后,利用模糊支持向量机对EMD分解后的各固有模态函数进行预测;最后将各固有模态函数独立预测的结果进行叠加,即可得到原始序列的预测值。以带噪声的Lorenz系统和太阳黑子月平滑值序列为实验数据,对提出的预测方法进行了仿真分析。实验结果表明,与BP神经网络预测和传统的SVM预测方法相比,提出的方法具有更好的预测精度,而且对带有孤立点、噪声的序列信号具有较强的适应能力。     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

Hilbert—Huang变换在谱分析中的应用

本文对Hilbert—Huang变换（Hilbert-Huang Transform）理论做了仿真研究，并通过仿真实验对非平稳信号作经验模式分解（Empirical Mode Decomposition），得到它的固有模态函数（Intrinsic　Mode　Function）分量；对各个分量作Hilbert变换，得到瞬时频率，并构造希尔伯特谱-时间-频率的时频分布图。通过与短时傅立叶变换（Short　Time　Fourier　Transform）、小波变换（Ｗavelet　Tramform的分析比较，Hilbert—Huang变换方法更能反应原始数据的固有特性，有更好的时频聚集性，更适用于对突变信号和非平稳信号的处理。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

经验模态分解法在大气时间序列预测中的应用

介绍了一种可以提高非平稳时间序列预测精度的新方法, 该方法应用 Hilbert-Huang 变换的核心内容---经验模态分解法 (Empirical mode decomposition, EMD) 对非平稳时间序列进行分解, 以降低被预测信号中的非平稳性, 利用神经网络对分解后的各分量进行预测, 再将预测结果叠加. 利用该方法对石家庄市年逐月降水量进行预测, 预测结果显示, 其预测精度比直接用神经网络预测的预测精度有较明显的提高.     

EMD-BP神经网络预测模型及应用

时间序列分析是根据客观事物的连续性和规律性推测未来发展趋势的预测方法,分析时设法过滤除去不规则变动,突出反映趋势性和周期性变动。为了提高预测精度,构建了EMD-BP神经网络预测模型,利用Hilbert-Huang变换中的经验模态分解将时间序列分解为有限个本征模函数,重构后进行BP神经网络预测。通过对中国石化的股票资料进行实验仿真,表明该模型降低了被预测数据的非平稳性,其精度比直接用神经网络预测有较明显的提高。     

基于小波变换与MOBP的股价预测

提出了一种基于小波变换与改进动量BP神经网络（MOBP）的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络（MOBP）预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。     

CEEMD-WT和CNN在短期风速预测中的应用研究

由于风速存在随机性和不稳定性,为了提高短期风速预测的精度,提出了一种基于完备总体经验模态分解（CEEMD）、小波变换（WT）和卷积神经网络（CNN）的短期风速预测混合模型。首先,CEEMD算法把原始风速序列分解成一些相对平稳的固有模态函数和一个残差序列;然后,WT算法对每个固有模态函数进行二次去噪,进一步消除噪声对固有模态函数的影响;最后,卷积神经网络对每个固有模态函数、残差序列和影响风速的5个属性训练预测得到各自的预测结果,对所有的预测结果重构得到最终的预测结果。通过实验与其他4个风速预测模型进行比较,所提出的模型预测的绝对平均百分比误差（MAPE）最小,为2.484%,表明在短期风速预测方面CEEMD-WT-CNN模型有较好的性能。     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

A new short-term load forecasting method of power system based on EEMD and SS-PSO

Aiming to the disadvantages of short-term load forecasting with empirical mode decomposition (EMD) such as mode mixing and many high-frequency random components, a new short-term load forecasting model based on ensemble empirical mode decomposition (EEMD) and sub-section particle swarm optimization (SS-PSO) is proposed in this paper. Firstly, the load sequence is decomposed into a limited number of intrinsic mode function (IMF) components and one remainder by EEMD, which can avoid the mode mixing problem of traditional EMD. Then, through calculating and observing the spectrum of decomposed series, some low-frequency IMFs are extracted and reconstructed. Other IMFs can be forecasted with appropriate forecasting models. Since IMF1 is main random component of the load sequence, the linear combination model is adopted to forecast IMF1. Because the weights of the linear combination model are very important to obtain high forecasting accuracy, SS-PSO is proposed and used to optimize the linear combination weights. In addition, the factors such as temperature and weekday are taken into consideration for short-term load forecasting. Simulation results show that accuracy of the load forecasting model proposed in the paper is higher than that of BP neural network, RBF neural network, support vector machine, EMD and their combinations.     

基于多尺度分析与神经网络的需水量预测

采用小波多尺度分解的方法,将需水量时间序列分解为多个较平稳的细节子序列和一个趋势序列,再利用BP神经网络对分解后的各序列进行预测,把预测后的序列聚合重构,得到预测结果。以新疆石河子地区的需水量为例对该方法作了验证。表明多尺度分析与神经网络耦合预测,比单一BP神经网络预测精度更高,可满足实际需要。     

基于小波变换和神经网络的车内噪声信号重构

为获取较高精度车内噪声主动控制(Active Noise Control, ANC)参考信号,提出了一种基于小波变换和BP神经网络的车内噪声信号重构方法。以在某轿车采集到的噪声信号为基础,用声学传递路径分析(TPA)方法确定影响车内噪声的关键点信号。鉴于噪声源信号对车内信号非线性关系的复杂性,建立BP神经网络的噪声重构模型,并利用小波分解来降低噪声信号的非平稳性。为对比重构效果,建立BP神经网络噪声重构模型。结果表明,本文提出算法的重构值与实测值之间的平均绝对误差比BP神经网络小,并且基于小波变换和BP网络重构模型的平均绝对误差均小于0.01。该方法能够对车内噪声信号进行准确、有效的重构。     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

A self-adaptive data analysis for fault diagnosis of an automotive air-conditioner blower

This paper presents a fault diagnosis system for an automotive air-conditioner blower based on a noise emission signal using a self-adaptive data analysis technique. The proposed diagnosis system consists of feature extraction using the empirical mode decomposition (EMD) method and fault classification using the artificial neural network technique. The EMD method has been developed quite recently to adaptively decompose the non-stationary and non-linear signals. It sifts the complex signal of time series without losing its original properties and then obtains some useful intrinsic mode function (IMF) components. Calculating the energy of each component can reduce the computation dimensions and enhance classification performance. These energy features of various fault conditions are used as inputs to train the artificial neural network. In the fault classification, the probabilistic neural network (PNN) is used to verify the performance of the proposed system and compare with the traditional technique, back-propagation neural network (BPNN). The experimental results indicated the proposed technique performed well for quickly and accurately estimating fault conditions.     

遗传算法优化BP 神经网络的短时交通流混沌预测

为了提高BP神经网络预测模型对混沌时间序列的预测准确性,提出了一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到几个典型混沌时间序列和实测短时交通流时间序列进行有效性验证.仿真结果表明,该方法对典型混沌时间序列和短时交通流具有较好的非线性拟合能力和更高的预测准确性.     

基于神经网络和小波分解的目标信号检测方法研究

将小波分解和神经网络相结合，应用于高海况、低信噪比条件下水中目标信号的特征提取中。文中首先对信号进行多尺度小波分解，利用目标信号功率主要集中在低频部分的特点，提取在不同频率带内信号的能量作为特征，然后利用人工神经网络对目标信号进行检测。在此基础上，通过不同浪级情况下海洋水压力场的仿真信号数据，对某型目标舰船的水压力信号进行了检测计算．验证了该方法的有效性，达到了在高海况、低信噪比条件下，目标信号检测率比较高、虚警率比较低的效果。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。