小波消噪在枯水期来水量预报中的应用

根据小波理论,将枯水期来水量序列进行小波分解,并用软阈值方法进行消噪处理。用消噪后的小波系数进行序列重构,对重构后的序列进行时间序列分析,构建时间序列AR（p）模型,用AR（p）模型进行来水量的预测。     

基于小波包-卡尔曼的大坝变形数据处理研究

采用小波分析和卡尔曼滤波相结合的方法对乌鲁瓦提大坝变形数据进行处理,对比分析了小波分解与重构和小波包分解与重构后的结果,提前滤除了原始观测信号中的大部分高频噪声和粗差等,再运用小波与小波包和标准卡尔曼滤波相结合的模型对数据再次处理,结果表明该模型进一步提高了数据的可靠性和预测的精度.经工程实例分析得出:小波包进行分解与...     

小波包特征熵提取水电机组轴心轨迹形状

将小波包多分辨与信息熵相结合,提出了一种提纯水电机组轴心轨迹的方法--小波包特征熵法.首先对采集到的摆度信号进行小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而提取其小波包特征熵,选取占信号特征熵比较大的几个主要小波包进行信号重构,得出能清晰反映轴心轨迹形状特征的提纯信号.     

三峡船闸人字门连门轴故障诊断的小波包分析

根据船闸人字门及启闭机故障引起的闸门振动信号具有随机性和非平稳性的特点,经检修已知人字门连门轴磨损故障,采集船闸检修前后的闸门振动信号,提出利用小波包分析技术进行故障诊断的方法。即,利用小波包对信号进行分解和重构,计算各频带信号能量分布,经分析能量集中频带信号的时频特性后,发现信号故障主要分布在低频部份,证明了利用小波包分析技术进行船闸人字门及启闭机故障诊断是有效可行的。其方法可为同类事故诊断参考。     

基于WP-MUSIC功率谱的水轮机低频故障信号分析

WP（小波包）对信号的分解与重构能够提取信号在某一小频率段内的信息;多信号分类（MUSIC）功率谱分析不仅适用于正弦信号，而且广泛适用于窄带信号的估计，能够从信号中分检出低频和微小的信息。大型水轮机组的工作频率和各种故障征兆频率往往较低，结合WP及MUSIC谱的优点建立WP-MUSIC谱分析法，能够更加有效、准确地进行低频故障信号分析，并有利于水轮机故障诊断及定位。     

小波分析在GPS时间序列分析中的运用

利用"陆态网络"中KKN4站2010~2013年时间序列数据,通过小波分析对其周期性质和多尺度进行分解、去噪及重构,并利用重构前后的GPS时间序列的信噪比来对比去噪的有效性。结果表明,小波分析可以较好地分析时域信号的局部特征,将信号分解到不同的尺度上,说明小波分析可以很好地运用于GPS时间序列的分析中。     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

基于混沌的大坝监测序列小波RBF神经网络预测模型

本文结合混沌理论、小波分解与重构,以及径向基函数(RBF)神经网络的优点,提出了一种基于混沌的大坝监测序列小波RBF神经网络预测模型。该模型主要利用小波分析将大坝监测序列分解为趋势项和细节时间序列,并利用RBF神经网络和基于RBF神经网络的混沌理论对两种时间序列进行预测,最后通过小波重构得到预测值。实例分析表明,本模型能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,对监测数据的预测精度较高,可应用于实际工程。     

小波分解方法应用于混凝土坝水平位移趋势分析及预测

从目前的认识来看,大坝变形观测序列可以认为由三部分组成,即趋势分量、荷载分量和随机分量。这些分量变化周期依次减小,频率依次增大。文章借助小波分解方法对大坝变形观测序列进行分解,得到各趋势分量,再根据水位和温度的变化趋势分量对变形变化趋势进行预测。     

基于小波分解和支持向量机的大坝位移监控模型

常规大坝安全监控统计模型未能分别针对监测序列值内系统信号和随机信号特点进行模拟,故预报精度存在一定的提升空间。基于小波分解技术,利用监测序列值信号频率特征分离出系统信号与随机信号,并结合逐步回归与支持向量机(SVM)对不同信号的处理优势,在引入网格寻优与交叉验证确定SVM敏感参数的基础上,提出了一种基于多元统计结合小波分解和支持向量机的大坝位移监控模型,同时编制了其相应的计算程序。工程算例表明,该模型较常规模型能够同时考虑监测序列中的系统信号和随机信号,并且具有较强的模型寻优能力和更高的预报精度,从而验证了所建模型的有效性,该方法亦可推广应用于高边坡及大坝其他预警指标的监控。     

水流脉动压力的小波分析研究

利用小波分析对试验所测得的水垫塘边坡脉动压力信号进行小波包的完全分解。对分解所得的各个频段的信号的方差进行统计分析。结果表明，分解前后信号的能量是守恒的，脉动能集中在低频段，其分布规律与用傅里叶变换计算的功率谱一致。水垫塘较低高程处脉动压力具有较大的能量，该处旋涡的尺寸相对较大，测点间存在较大的相关性；在较高处测点间相关性不大，旋涡尺寸相对较小。     

CEEMDAN与小波变换混合去噪方法在光纤陀螺监测系统信号去噪中的应用

为了有效降低噪声对光纤陀螺监测系统实测信号的影响,提出基于CEEMDAN与小波变换混合去噪的方法。先将信号进行CEEMDAN分解,得到一系列IMF分量,计算每一个IMF分量与原始信号的相关系数,利用相关系数的大小筛选出主要的IMF分量。结合小波变换,对筛选出的IMF分量进行降噪处理,最后进行信号重构。引入含噪信号与降噪误差比和均方误差两个指标来判断降噪效果,利用单一的小波变换、CEEMDAN方法、CEEMDAN与小波变换混合去噪三种方法对仿真信号和实测信号进行分析。结果表明,基于CEEMDAN与小波变换混合去噪方法的去噪效果最好,有效地降低了噪声对真实信号的影响,去噪后的信号能准确地表征真实信号的变化特征。该方法非常适合光纤陀螺监测系统的信号去噪,能进一步提高光纤陀螺监测系统的测量精度。     

融合小波阈值与多维自回归的时序预报模型研究

针对传统统计模型并不能完全涵盖位移影响分量信息以及真实影响分量信息易受到噪声干扰等问题，提出了一种融合小波阈值理论与多维自回归的混凝土坝位移时序预报模型。该方法主要是将小波阈值理论与时间序列算法结合起来创建混凝土坝位移时序预报模型，模型通过不同小波分解层数、小波基、阈值选取准则、阈值函数集成出一个MATLAB编码平台进行数据平滑处理，能高效挖掘大坝位移数据的影响分量信息，并选择自回归(autoregressive model, AR)时间序列模型作为预报模型。实例应用表明，新的融合模型预测性能较好，能有效监测大坝运行状态，且其分析结果对于其他数字工程的数据预测也具参考价值。     

水文序列小波分析中小波函数选择方法

将信号离散小波变换中常用的7个小波系共54个小波函数作为选择范围,应用蒙特卡罗方法,通过黄河利津站和浙江白溪流域的实测水文序列,探讨小波分析中影响小波函数选择的因素,进而建立合理选择小波函数的依.据和方法.该方法应用每个小波函数对水文序列进行小波分解,并重构得到低频重构序列和高频重构序列两部分及相应的特征值,依据相应的小波函数选择判别标准分析特征值,从而得到合理的小波函数.研究结果表明,序列自身的变化特性是小波函数选择的重要影响因素;整体上序列变化特性越复杂时,适用的小波函数类型就越少.对两个流域资料分析结果验证了本文的小波函数选择方法的合理性.     

基于时间序列组合模型的河川年径流预测

河川年径流序列具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现精确预测。考虑从多角度优化预测算法,建立基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将年径流分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现河川年径流预测模型。以新疆开都河年径流序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果可为河道防洪、水库运行调度与区域水资源配置提供参考。     

基于小波分解的日径流逐步回归预测模型

本文以预测水文站的上游水文站的日径流序列为依据,利用小波分解和重构得到预测水文站及上游水文站的日径流序列在1~4尺度下的概貌分量,然后以各站的原始径流序列及其在不同尺度下的概貌分量为候选预报因子,建立了径流逐步回归多步预测模型。计算实例表明,由于引入了上游水文站的径流序列并提取了各站径流序列的不同尺度下的概貌分量,本文提出的基于小波分解的日径流逐步回归预测模型的预测精度高于小波网络模型和多元自回归模型,能对非凌汛期未来1~3d以及凌汛期1~7d的日均流量进行预测,可为制定水电站未来的发电计划提供科学的依据。     

基于小波包分解的 LS-SVM-ARIMA 组合降水预测

针对降水量影响因素众多, 是一种复杂的非平稳、非线性且存在噪声问题的时间序列的特点, 提出一种基于小波包分解的 LS-SVM 与 ARIMA 组合模型的年降水量预测方法。利用小波包将降水序列分解成低频趋势序列和高频细节序列; 应用 LS-SVM 模型预测低频趋势序列, ARIMA 模型预测高频细节序列; 将两个模型的预测结果叠加, 得到年降水量的预测值。实例验证表明: 小波包对时间序列的分解比小波分解更精细, 组合模型预测能够全面的提取降水序列中所包含的信息, 更好地反映年降水量随时间变化规律, 提高了年降水量预测的精准度, 为降水量预测提供一种新方法。     

基于小波变换的水文时间序列分解

运用Mallat算法和Daubechies小波，介绍了基于小波变换的水文时间序列分解方法。通过小波变换，将水文时间序列分解成不同时间尺度的确定性序列和随机序列，为建立水文时间序列中长期预报耦合模型打下了基础：以长江寸滩站日平均流量和年最大流量序列为例，进行了小波变换：通过对分解后的序列进行重构，结果是满意的。     

基于小波变换去噪的ARMA堤坝水平位移预测模型

堤坝位移监测数据可以被视为非平稳时间序列,但是因为受到诸多因素的影响,位移的测值常含有随机误差。在传统时间序列预测方法的基础上,提出了基于小波变换去噪的时间序列预测方法。基本步骤是:采用小波分解与重构法去噪,将信号分解到不同的频带上,再直接提取有用信号的频带进行重构,减小测值中的随机误差;进一步对去噪后不平稳的位移时间序列差分建立预测模型。工程实例计算分析表明,基于小波去噪所建立的模型位移预测结果要明显优于传统的模型位移预测结果,可以用于短期内堤坝水平位移预测中。     

小波分解与变换法预测地下水位动态

通过小波分解方法将地下水位动态的非平稳时间序列分解为多个细节信号序列和逼近信号序列，然后运用时间序列自回归模型及人工神经元网络模型对各信号序列分别进行模拟预测，模拟结果比单纯用自回归法或人工神经网络模型更接近实测值，说明通过小波分解方法进行地下水位动态模拟和预测是适合的；同时用小波变换方法对地下水位动态进行了宏观分析，使隐藏的规律性显现出来，揭示出地下水位动态变化中除了具有一个水文年内的周期性变化规律外，还存在2～3年间隔的波幅强弱变化，可以推断未来短期内地下水位动态发展仍将延续当前总体下降的趋势，与小波分解方法得到的预 测结果相吻合。