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。     

基于小波消噪偏最小二乘回归模型的径流预测

小波消噪方法,可消除原始数据序列存在的噪声;偏最小二乘回归分析方法,可减弱自变量间多重相关性在系统建模中的不利影响。为此,引入基于小波消噪的偏最小二乘回归分析方法进行建模分析,对奴各沙水文站1960-2000年的径流序列进行拟合和预测。结果表明,该模型在径流的拟合和预测中表现较好,具有较高的精度和较好的稳定性,可作为径流预测的有效方法。     

基于小波消噪及BP神经网络的大坝变形分析

基于港口湾大坝多期变形观测数据,采用Matlab语言、小波消噪及BP神经网络分别建立了基于时间序列和基于环境因素的大坝变形监测BP神经网络模型,并利用模型分别对大坝某点变形值进行预测。时间序列BP模型具有结构简单、学习速率快的特点;环境因素BP模型精度高,可有效反映变形因素,便于拟合预测复杂的测点变形,相对前一种模型能更好地揭示大坝变形规律。两种建模方法先应用小波分析对原始观测数据消噪,训练过程中采用附加动量法等改进BP算法,大大提高了BP神经网络的计算效率,克服了其易陷入局部极小的缺陷,取得了良好的拟合效果和预测精度。     

基于小波消噪的年径流预测SPA模型

集对分析(SPA)的年径流预测就是基于SPA原理从同、异、反3个方面刻画预测模型的误差分布情况,利用联系度描述水文预测模型的预测精度,从而建立预测模型。水文序列的多时间尺度和高度的非线性特性,使得建立的水文预测模型精度往往不高。应用小波消噪的特点,利用汾河水库坝下站1959—1983年的资料建立小波消噪的SPA模型,对1984—1989年的丰枯状态进行预测,将水文预测中的单一预测和综合预测结果分别与实测系列进行对比。结果表明,综合预测模型优于单一预测模型。     

水文序列分析中基于信息熵理论的消噪方法

为准确有效地识别和分离水文时间序列中的噪声成分,应用信息熵理论并结合小波消噪概念,建立了小波系数阈值优选熵准则和水文序列消噪新方法。该方法首先应用熵函数H值描述噪声成分的不确定度,并应用信息量系数(information cost function ICF)值描述主序列的复杂度;然后通过分析不同小波系数阈值对应的噪声成分H值和主序列ICF值的变化规律,可优选出合理的小波系数阈值;最后对小波系数进行阈值量化处理,即可实现水文序列消噪。通过对不同特性模拟序列和不同实测水文序列分别进行分析,并通过与常用小波消噪方法(FT、SURE、MAXMIN)的消噪结果对比,验证了该阈值优选熵准则的合理性和适用性。分析结果显示,水文序列中的噪声成分具有偏态特性,因此本文应用偏态分布线型(P_Ⅲ型分布)对噪声成分进行描述更为合理,而且小波系数阈值优选熵准则所得的阈值是基于信息熵理论而确定的,因此是整体上最优值。     

基于小波去噪的深基坑变形预测研究

基于小波去噪原理,对基坑变形数据小波去噪过程中的相关参数进行优化,对于去噪中的影响因素和作用规律研究有积极意义。利用最优小波去噪将原始监测数据分为趋势项序列和误差项序列,再利用BP神经网络对两序列加以预测,并与传统BP神经网络预测结果进行对比分析。结果表明:采用硬阈值取值和10层小波分解时的去噪效果最好,且通过去噪分离了原始数据的长期性和游离性,增加了数据的可预测性;并且由后期预测结果可知,小波神经网络预测精度要优于传统的BP神经网络预测,具有更高的可信度。     

岩溶地下河水文时间序列小波消噪处理

在对重庆青木关岩溶地下河进行水文地质调查和水文气象观测的基础上,针对岩溶地下河水文过程的复杂非线性特征及存在的观测噪声,利用小波消噪方法对岩溶地下河水文时间序列进行消噪。结果表明：对水文时间序列进行消噪是必要的;小波消噪后,曲线变得平滑而且自相似性更强,该方法是有效可行的;小波函数的选择、分解层数的选取、阈值的确定和处理,需进行更深入的研究。     

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。     

水文序列分析中基于信息熵理论的消噪新方法

为准确有效地识别和分离水文时间序列中的噪声成分，应用信息熵理论并结合小波消噪的基本思路，建立了小波系数阈值优选熵准则和水文序列消噪新方法：即首先应用熵函数H值描述噪声成分的不确定度，并应用信息量系数ICF(information cost function)值描述主序列的复杂度；然后通过分析不同小波系数阈值对应的噪声成分H值和主序列ICF值的变化规律，可优选出合理的小波系数阈值；最后对小波系数进行阈值量化处理，即可实现水文序列消噪。通过对不同特性模拟序列和不同实测水文序列分别进行分析，并通过与常用小波消噪方法(FT、SURE、MAXMIN)的消噪结果对比，验证了该阈值优选熵准则的合理性和适用性。分析结果显示：水文序列中的噪声成分具有偏态特性，因此本文中应用偏态分布线型(P-III型分布)对噪声成分进行描述更为合理；且此阈值优选结果是基于信息熵理论而确定，因此是整体上最优值。     

基于小波消噪的参考作物腾发量RBF网络预测方法

介绍小波消噪的原理和步骤。以北方某流域甲站2001—2005年逐日气象数据为基本资料,进行10阶Dmey小波消噪,然后构建预测ET0的前馈网络模型(RBF-ET0),用2001—2004年的资料作为训练样本,对2005年的ET0进行预测,并与Penman-Montieth公式计算值进行比较。结果为:预测值与目标值的相关系数为0.991 2,相对误差的平均值为6.56%,相对误差小于20%,15%,10%的合格率分别为93.88%,85.66%,73.51%,与未经小波消噪处理的RBF-ET0模型预测结果相比,预测精度有明显提高。     

小波分析法实现水轮发电机轴心轨迹的提纯

分析水轮机发电机轴心轨迹是水轮机机组诊断振动故障的重要方法。由于轴心轨迹中包含了大量的噪声信号,将小波分析的理论应用于轴心轨迹的提纯,在传统小波硬、软阈值去噪方法的基础上提出了一种改进的软阈值去噪方法;并且引入谐波小波分析方法。通过计算机模拟试验,达到了比较理想的去噪及轨迹提纯结果,并对上述4种方法进行了分析和比较。     

Soil Water Simulation and Predication Using Stochastic Models Based on LS-SVM for Red Soil Region of China

The seasonal drought and the low available soil moisture affect the agricultural production in red soil region, China. Therefore, it is necessary to simulate and predict the dynamic changes of soil water in the field. Presently, dynamic model has been applied to obtain the soil water information. While the simulation accuracy of dynamic model depends on many complicated parameters, which are difficult to obtain. In this study, the various nonlinear Stochastic Model of soil water simulation systems and chaotic time series analysis methods of prediction systems had been set up. In the nonlinear Stochastic Model of soil water simulation systems, the daily soil water content simulated by Least squares support vector machine (LS-SVM) with the meteorological factors had more stabilities and advantages in soil water simulation performance over the Back Propagation Artificial Neural Network (BP-ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS). In chaotic time series analysis method of prediction systems, the various signal preprocessing methods including the appropriate de-noising methods and wavelet decomposition methods were applied to preprocess the original chaotic soil water signal. The results of the prediction systems showed that the appropriate de-noising methods and the tendency of wavelet transformation had less effect on the delay time (τ) and embedding dimension (m). The de-noising methods may ignore the detail information of the soil water signal, while the appropriate wavelet transformation to get smaller Maximum Lyapunov Exponent (λ₁) of the chaotic soil water signal detail and tendency information can improve the predicting capacity.     

基于格拉布斯准则的小波阈值去噪算法研究

在小波去噪理论的基础上,应用格拉布斯准则对各层分解系数的阈值进行选取,改进了小波系数阈值估计的模型,并结合实例进行了计算分析。     

基于时移小波-灰色理论的边坡位移预测模型研究

边坡的变形稳定性问题是土木工程建设中亟待解决的问题之一。大量研究表明,用实测的边坡位移时间序列预测边坡未来变形更为准确。但外界因素可能使数据产生误差,需去噪处理,才能使监测数据更有使用价值。结合时移小波去噪和灰色理论,对锦屏一级水电站边坡位移监测数据进行研究,提出了时移小波系数相关性去噪及小波-MGM(1,n)预测模型。该模型通过对小波尺度系数和近似系数的分解与重构来模拟真实信号,进而预测边坡的深度位移曲线。经验证预测曲线与实测曲线很接近,为边坡的治理和防护提供了一定的参考依据。     

小波阈值与小波包对南水北调工程防渗墙监测数据去噪有效性研究

以南水北调北京段大宁水库防渗墙加高施工工程为背景,基于小波包变换去噪法和小波变换阀值去噪法,对现场监测数据进行了消噪处理,比较了两者在工程实际中的应用效果。研究表明,对防渗墙工程安全监测数据,小波包的处理结果更为理想,能够更有效地去除噪音突变信号,保留原始有用信号的突变点,使重构信号能够更光滑地重现原始信号,其去噪法性能比小波变换阀值去噪法更佳,具有更好的实际应用价值。研究结论为后期更加准确地评价防渗墙施工期间的变形和进行墙体长期稳定性分析提供重要依据,研究方法可为类似工程提供参考。     

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。     

基于信息融合的水文预测技术研究

从系统的角度研究了信息融合技术的基础理论,在介绍了信息融合系统的融合层次、功能模型和结构模型后,重点研究了信息融合的常用算法的优缺点.小波分析、遗传算法、神经网络与混沌分析进行信息融合时可采用辅助式、合作式、松散耦合式、紧致耦合式等.结果表明:在应用混沌预测前,小波消噪是有效的,遗传算法和神经网络相结合取长补短为混沌预测提供支持也是有效的.     

基于多小波的变形监测信号处理

在简单介绍多小波基本理论的基础上,给出了把DGHM多小波应用于全球定位系统(GPS)监测信号去噪的实例.由于DGHM双正交小波具有短支撑、正交性、对称性(反对称性)及二阶逼近性等特点,在相同的滤波器长度下,利用多小波对变形监测信号消噪,可以取得比传统小波更好的信号消噪效果.实例表明多小波在信号去噪方面具有很大的应用潜力.     

A Practical Guide to Discrete Wavelet Decomposition of Hydrologic Time Series

Discrete wavelet transform (DWT) is commonly used for wavelet threshold de-noising, wavelet decomposition, wavelet aided hydrologic series simulation and prediction, as well as many other hydrologic time series analyses. However, its effectiveness in practice is influenced by many key factors. In this paper the ??reference energy function?? was firstly established by operating Monte-Carlo simulation to diverse noise types; then, energy function of hydrologic series was compared with the reference energy function, and four key issues on discrete wavelet decomposition were studied and the methods for solving them were proposed, namely wavelet choice, decomposition level choice, wavelet threshold de-noising and significance testing of DWT, based on which a step-by-step guide to discrete wavelet decomposition of hydrologic series was provided finally. The specific guide is described as: choose appropriate wavelet from the recommended wavelets and according to the statistical characters relations among original series, de-noised series and removed noise; choose proper decomposition levels by analyzing the difference between energy function of the analyzed series and reference energy function; then, use the chosen wavelet and decomposition level, estimate threshold according to series?? complexity and set the same threshold under each level, and use the mid-thresholding rule to remove noise; finally, conduct significance testing of DWT by comparing energy function of the de-noised series with the reference energy function. Analyses of both synthetic and observed series indicated the better performance and easier operability of the proposed guide compared with those methods used presently. Following the guide step by step, noise and different deterministic components in hydrologic series can be accurately separated, and uncertainty can also be quantitatively estimated, thus the discrete wavelet decomposition result of series can be improved.     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。