基于EGARCH过程的电磁频谱占用状态波动特性分析

针对传统频谱占用度自回归移动平均(ARMA)模型由于未考虑序列的条件二阶矩,导致无法准确描述频谱占用状态的非线性时变特性问题,该文提出一种基于指数广义自回归条件异方差(EGARCH)过程的频谱占用状态时间序列建模方法。首先通过对ARMA模型的剩余残差进行条件异方差性检验,表明频谱占用时间序列存在明显的时域波动集聚性;其次基于EGARCH过程构建频谱占用度时间序列模型以及对实测数据的分析,表明该模型相较ARMA模型对频谱占用度的拟合与预测精度更高;最后由EGARCH模型参数存在杠杆效应系数,表明频谱占用状态变化对电磁环境波动的影响具有非对称性。研究结果表明EGARCH模型能够量化反映频谱占用状态的复杂非线性时变过程。     

基于时间序列分析的频谱异常自主检测和稳健估计方法

复杂电磁环境和无用频先验知识条件下有效检测电磁频谱异常使用信息,是无线电监测和电磁环境评估等领域的重要难题.本文基于时间序列分析理论,通过构建反映有限频谱占用度序列动态依存关系且包含频谱异常值的时序模型,实现对无线电频谱异常的自主检测和稳健估计.研究结果表明,该方法无需用频数据库或无线电监测历史数据支持,能够有效识别典型频谱异常类型、发生时间以及异常影响强度等信息;同时通过对频谱占用度时序模型的稳健估计,能够显著降低模型拟合误差,提高模型对外部干扰环境的适应性和鲁棒性.     

基于EEMD技术在电力信息安全中的多步时间序列预测方法

针对用户访问轨迹的数据特征,提出一种基于EEMD技术的多步时间序列预测模型。该模型利用了集合经验模态分解EEMD结合极限学习机ELM模型,混合人工鱼群MAFA优化的方式,克服了算法中存在过拟合和多步时间序列预测的策略限制问题。通过该模型,实现了对访问轨迹时间序列多步预测,结合安全范围包络线,进而提前发现是否存在入侵行为。验证结果表明,优化后的EEMD-ELM模型比传统时间序列预测方法的迭代速率与精度得到了极大提高,泛化能力增强,说明了该方法的有效性、可行性。     

改进的EEMD算法在时域航空电磁信号降噪中的研究

常规降噪方法在应用于时域航空电磁信号降噪时需根据噪声情况人为进行参数调整,自适应性较差。总体经验模态分解（EEMD）算法对非线性、非平稳信号处理具有良好的自适应特性,传统的EEMD算法进行噪声抑制是将高频本征模态分量滤除,将低频分量重构得到降噪信号,这种方法易失掉高频分量中的有效信号。本文提出一种改进的EEMD降噪算法,应用于时域航空电磁信号的处理。该方法结合时域航空电磁信号的衰减特性,将信号EEMD分解后得到本征模态分量,其中包含信号和噪声,经Savitzky Golay平滑滤波,再将高频部分进行阈值去噪,最后得到干净的本征模态分量进行重构。实验结果表明在输入信号信噪比小于等于15 dB的情况下,输出信噪比能够提高12 dB左右,在抑制噪声的同时保留了更多有效信息。      

认知无线电系统中频谱可预测性的递归定量分析

针对认知无线电系统中的频谱可预测性问题,研究分析了不同观测尺度下频谱状态时间序列的特点,运用递归图技术和递归定量分析方法,从定性和定量两个方面对4种尺度时间序列的可预测性进行了分析和比较,结果表明：随着观测尺度的减小,频谱状态序列的混沌性和随机性增强,可预测性变差;小时频谱占用度序列具有较高的确定度和可预测性,时隙状态序列的随机性强、可预测性弱。所得结论为进一步建立有效的频谱预测模型提供了有益的参考。     

基于混沌时间序列建模的频谱状态持续时长预测

为提高频谱利用率,该文利用非线性动力学理论对频谱状态持续时长序列进行建模并预测。以实际采集的频谱数据作为研究对象,采用指向导数法对该时长序列进行非一致延长时间相空间重构,利用基于尺度的Lyapunov指数判定其混沌特性。以基于Davidon-Fletcher-Powell方法的二阶Volterra预测模型 (DFPSOVF)为基础,提出一种基于限域拟牛顿方法的Volterra自适应滤波器系数调整模型,并将该模型应用于具有混沌特性的短时频谱状态持续时长预测,通过自适应剔除对预测贡献小的滤波器系数,降低预测模型的复杂度。实验结果表明该算法在保证预测精度的同时降低运算复杂度。     

基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法（CEEMDAN）对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量（IMF）和残差（Res）;对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解（VMD）算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。     

基于CEEMD-TCN模型的变压器油中溶解气体浓度预测方法

变压器油中溶解气体浓度是了解变压器运行状态、判断变压器是否发生故障的重要指标。针对油中溶解气体浓度序列非线性、非平稳性的特点,数据直接训练模型会明显降低预测精度,因而提出了一种基于互补集合经验模态分解和时间卷积网络相结合的预测方法。首先,将原始序列分解成不同尺度的子序列分量,经过预处理后训练时间卷积网络,并优化网络超参数,各分量的预测结果叠加重构从而获得最终预测结果。通过实验验证表明,该模型预测误差小,预测精度高。     

基于EMD-LSSVM的多尺度混合建模方法及其应用

激光陀螺漂移时间序列具有非平稳和非线性的特点,单一预测模型难以准确跟踪其变化趋势。研究了基于经验模态分解（EMD）和最小二乘支持向量机（LSSVM）的多尺度混合建模方法及在激光陀螺漂移预测中的应用。首先,利用经验模态分解将漂移时间序列分解为多个本征模式分量,在采用具有适当核函数的最小二乘支持向量机分别对这些分量进行预测后,以加权集成方式得到最终预测结果。最后,将该方法用于激光陀螺的随机漂移预测中,仿真结果表明:该方法能够准确预测激光陀螺漂移值,取得了比单一模型更好的预测效果,能够为激光陀螺的漂移补偿、故障预报和可靠性诊断提供参考。     

基于改进时间序列方法的HRG输出建模预测

针对半球谐振陀螺仪的输出可能不符合时间序列分析的平稳性要求的问题,提出了一种基于经验模态分解的改进时间序列灰色预测方法,该方法将经验模态分解、时间序列建模和灰色预测结合起来。首先利用经验模态分解对陀螺仪的输出原始信号进行预处理,分解得到原始信号中包含的随机项和趋势项,然后对这些信号进行平稳性检验,根据检验结果选择时间序列分析和灰色预测对这些数据分别进行建模预测,最后将预测结果进行重构得到最终的预测值。仿真实验结果表明,该方法的预测效果比单独使用时间序列分析进行建模预测的效果要好。     

实测卫星频谱占用状态拟合与预测方法

由于在不同时间、不同空间卫星接收数据底噪是动态起伏的,传统建模固定门限的方法存在缺陷。本文在时间维度上对卫星频谱感知数据的频谱占用模型进行分析,利用自适应阈值法确定噪声门限,对卫星频谱数据进行预处理,得到卫星频谱占用长度序列。为对卫星频谱的态势进行有效的统计分析,利用泊松分布和指数分布方法对频谱占用时间长度序列的概率密度曲线进行拟合,得到了适用于卫星频谱占用时间序列的概率分布模型。基于所得的卫星频谱占用状态模型,通过两状态马尔可夫链计算出卫星信道某一频点的状态转移矩阵,从而预测出信道占用和空闲的概率。利用卫星频谱感知数据构建的数据集进行反向传播(BP)神经网络训练,预测某一频点的占用长度。通过计算BP神经网络与传统的长短期记忆(LSTM)神经网络预测法的均方根误差(RMSE),得到LSTM神经网络的RMSE为2.208 1,BP神经网络的RMSE为0.172 8。评估结果表明,BP神经网络准确度高。     

卫星S频段下行链路频谱占用建模与预测

目前提出的频谱占用模型能够在时域上描述和重现基本的统计特征，如传统的地面移动通信的频谱占用/空闲周期长度可以用经典的广义帕累托(GP)分布、指数分布等分布来拟合。然而在某些复杂的如卫星链路频谱占用场景中，传统的参数估计分布无法给出良好的拟合。为此提出了用核密度估计(KDE)的方法来进行概率密度分布的拟合，在此基础上，分别采用差分整合移动平均自回归模型(ARIMA)和模糊神经网络对频谱占用模型的时间序列进行预测并进行对比。结论表明，核密度估计的使用可以更加准确地描述并再现卫星下行链路所使用S频段的占用时间序列的统计特征，而模糊神经网络的预测比ARIMA模型预测更加精确。     

数据驱动的开放动态频谱接入系统构建方法

在认知无线电(CR)背景下,动态频谱接入已成为提高无线网络频谱利用率的重要途径。基于全球移动通信系统-铁路(GSM-R)系统中采集的细粒度频谱监测数据,提出一种数据驱动的深度学习方法,建模频谱模式,并建立一套动态频谱接入访问框架。采用一种深度频谱生成模型指导频谱分配;设计一种综合递归序列表征与场景特征嵌入的深度网络,建模和预测短时频谱占用情况,并由此提出一种动态信道接入策略。进一步,利用软件无线电(SDR)平台实现一套跳频系统,并将其与动态频谱接入策略进行集成。使用真实的历史频谱数据评估该系统的数据吞吐能力,测试结果表明,所提方法及构建的跳频系统能有效提高机会通信能力,高效利用频谱资源。该频谱接入框架及SDR系统实现具有较强的通用性,易于集成到不同场景和频段的系统中。     

基于非平稳时序ARIMA模型的W频段雨衰预测

针对目前绝大多数雨衰预测模型仅验证到55 GHz,而经过验证的W频段预测模型相对较少,且存在模型表述复杂度高、计算量大的问题,该文提出一种结构简单、计算量小的实时预测方法。该方法基于ARIMA模型,利用非平稳雨衰时序中相邻时序间的相关性建立预测模型,对初始序列进行平稳性检验,通过差分变换将非平稳序列转化为平稳序列,并对平稳化后的时间序列进行参数估计及诊断检验,将传统非线性预测转化为线性预测。并先将该ARIMA(1,1,6)模型在不同极化方式、预测间隔和时序个数的条件下进行比较,然后分别与ITU-R, Silva Mello模型在垂直极化、预测间隔0.10 GHz,时序个数50的条件下进行比较,最后使用ARIMA(1,1,6)模型进行预测,并对照预测序列与仿真序列的吻合度。结果表明,ARIMA模型与ITU-R, Silva Mello模型所得结果预测误差不超过10-3 ,且衰减变化趋势基本相同,预测序列与仿真序列间吻合度较高,说明该方法可用于W频段雨衰预测,且预测精度高,模型表述简单。     

功率变流器传导干扰多通路频域模型研究

针对功率变流器传导电磁干扰建模与预测方法展开研究,提出了多通路并联的"干扰源-耦合通路"频域模型,研究了干扰源频谱及干扰耦合通路传递函数的建模提取方法.通过提取干扰源的端口频谱特性及干扰耦合通路的传递函数,直接在频域计算干扰噪声,具有建模方法简单,通用性强,不受具体电路结构限制的特点,可作为通用的频域建模方法应用于功率变流器传导电磁干扰建模与预测研究.通过具体实例,阐述了所提出的多通路频域模型的建模流程,验证了模型的准确性及其在变流器传导干扰建模、预测与噪声抑制过程中的指导意义.     

基于关联规则挖掘的无线电频谱占用预测

无线电频谱占用预测是认知无线电研究中的关键技术之一。实验采用中星世通CS-805 F可搬移监测测向系统对四川省成都市的GSM900上行频段(890~915 MHz)和广播电视业务的部分频段(750~806 MHz)进行了为期24 h的实地监测,针对频谱监测中产生的大量历史数据,选用了部分周期模式的关联规则挖掘方法,挖掘频谱使用中存在的频繁模式,并由信道占用频繁模式生成强关联规则,得到特定业务频段的使用规律,从而实现无线电频谱的占用预测。实验结果表明,该方法在两个业务频段的占用预测均取得了较好的效果,准确率分别可达74.02%和83.98%。另外,实验指出了该算法的敏感参数并进行了简要分析。实验对研究认知无线电设备实施动态频谱接入和提高频谱使用率有一定意义。     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

基于EMD的语音功率谱分析

提出了一种基于EMD的功率谱分析法,即先用经验模态分解方法(EMD)将语音信号分解成若干个固有模态函数IMF分量,而后对包含主要信息的IMF分量利用现代参数模型法估计出它们各自的功率谱。文中对不同情感状态下语音数据的分析结果表明,EMD方法能有效地应用于非平稳语音信号的功率谱分析中,可更细致的体现语音信号内在特征。