基于极大重叠离散小波变换的金融高频数据波动率估计

利用极大重叠离散小波变换方法对资产收益的积分波动率进行估计.针对沪深300指数选取不同小波函数估计积分波动率,计算相对误差统计量.结果表明,不同小波函数对积分波动率估计不存在显著差异,但随着抽样频率的增加,估计精度逐渐提高.对尺度及其相应尺度下的波动率进行对数变换可见,二者之间存在显著的线性关系,随着尺度的增加,波动率逐渐变小.

基于最大重叠离散小波变换的油中颗粒污染物特征信号提取

油液中的金属颗粒物是液压系统重要的健康指标,利用颗粒污染物的相关参数,实现对故障的诊断,可以提前预防事故的发生;介绍了基于最大重叠离散小波变换的油中颗粒污染物特征信号提取技术,并分别使用仿真信号和真实信号对该方法进行了验证,以期能够以此提高油液中颗粒污染物监测精度。

基于MODWT变换的海洋重力观测航行数据滤波方法

厄特弗斯效应是动态海洋重力测量的主要误差来源,厄特弗斯改正精度与航速和航向角精度密切相关。本文从最大重叠离散小波变换系数的分布特性入手,利用改进的定量化Lipschitz条件来确定观测曲线的正则性,提出了一种海洋重力观测中含噪航行数据的滤波方法,该方法在抑制噪声干扰的同时能够很好地保留测量信号的局部特征。本文提供了两组海洋重力测量中航速和航向角数据的处理结果,充分验证了本文方法的可靠性与有效性。

结合小波变换与数学形态学的电缆局放信号识别与降噪方法

针对大部分电缆局放(PD)信号识别方法在噪声影响下的识别准确率低、波形失真等问题,提出了一种基于小波变换与数学形态学的电缆PD信号识别及降噪方法。该方法利用最大重叠离散小波变换提取PD信号的高频和低频特征,结合重构和数学形态法滤除噪声。利用自适应神经网络学习小波变换后的特征,最终完成PD信号的识别分类。基于某变电站实测PD信号波形对所提方法进行实验分析结果表明,信号降噪处理后的信噪比与均方误差分别为5.439 dB、0.251,且整体的识别准确率超过了88%,均优于其他对比方法,具有良好的应用前景。

基于连续和离散小波分析的我国股市汇市传染效应研究

2015年股灾,"811"汇率改革及人民币加入SDR等事件使我国金融市场对汇率和股价两种资产价格的敏感度明显加强,两市场间传染效应随之改变。文章分析股市与汇市传染效应的渠道、方向和效果,理论介绍连续小波和极大重叠离散小波基本模型,随后实证检验上证综指和汇率在汇改至股灾前及股灾后两个时间段的传染效应并得到以下结论:汇率和股市之间并非简单因果关系,一阶段"同升同降"可能同受风险偏好变化影响,另一阶段"此消彼长"可能与国际资本流动、实体经济之间形成循环反馈效应。

基于改进阈值函数的小波去噪算法研究

针对用小波变换进行信号去噪的阈值函数设定问题,在传统软、硬阈值函数去噪的基础上,提出一种改进的阈值函数方法,并与极大重叠离散小波包变换相结合,从而得到一种改进阈值函数的小波去噪方法。Matlab仿真结果表明:去噪方法提高了重构信号的信噪比,有效除去噪声,且保留原始信号的细节特征,是一种较好的信号消噪方法,在股票去噪中具有较高的实用价值。

基于小波和神经网络模型的邮电业务总量预测

引入极大重叠离散小波变换的概念,利用极大重叠离散小波变换的多分辨分析特性,对邮电业务总量序列进行分解.然后对分离得到的光滑项和细节项两部分利用小波神经网络模型进行建模和预测,最后再重构得到邮电业务总量序列的预测值.数据测试结果表明:本文方法可实现多步预测,且对邮电业务总量的预测精度比单纯的用小波神经网络模型或BP神经网络模型高.

LMSV模型波动的长记忆与相关性的小波分析

本文提出了LMSV模型的波动自相关函数的定义,将小波分析方法引入到LMSV模型的建模研究中,提出了基于最大重复小波变换(MODWT)的不同尺度下的LMSV模型,并进一步讨论了不同尺度下的波动自相关函数的性质,并用该方法对上海和深圳证券市场综合指数收益波动序列进行建模,对在同一尺度和不同尺度下的长记忆性与相关性进行了实证分析。

从颈部多帧图像序列获取脉搏波信号

脉搏波是表征人体生理状况的重要指标,基于成像式的非接触式脉搏波检测技术在医疗健康领域具有重要的研究意义。鉴于目前非接触式获取脉搏波的方法存在波形细节丢失的缺点,提出一种利用近红外光源照明,多帧连续照相颈动脉搏动来获取脉搏波信号的方法。实验中,在波长为850nm的光源照明环境下,由工业级近红外相机远距离拍摄颈动脉搏动引起的表皮振动。选取感兴趣区域后提取到原始脉搏波信号,进而利用极大重叠离散小波变化对信号进行滤波处理,最终得到保留细节特征的脉搏波。对不同受试者的测量结果显示,方法获得的波形可以观察到主波、潮波及重搏波等特征,对于非接触式获取脉搏波具有重要的参考价值。

基于MODWT在金融数据预测的应用

为了准确的把握股价的趋势走向,提出了一种基于极大重叠离散小波变换(MODWT)时间序列分析的股价预测方法 (M-ARMA)。该方法是对股价时间序列利用mallat算法对其进行极大重叠离散小波变换,使得整个序列分解成不同频率的序列,同时利用小波分析在时域和频域上都具有良好的局部化性质,多尺度分析功能,结合ARMA模型的预测方法,以较为准确地根据历史数据预测其将来短期的走势。实验表明,MODWT时间序列分析方法比传统的时间序列分析方法预测的精度更高。

基于小波方差的沪深两市的收益率波动性分析

本文基于小波方差对沪深两市指数的收益率进行月波动性分析,结果表明,股市收益率的月波动性会受到季节变化的影响,不同尺度下的月波动性呈现出相似的变化趋势.

基于MODWT和ANN的微电网故障诊断

近年来,微电网的故障诊断研究变得越来越重要,因为它可以确保微电网安全稳定运行。基于此背景提出了一种基于极大重叠离散小波变换(MODWT)和人工神经网络(ANN)的微电网故障诊断方法。首先利用MODWT对采集到的电流信号进行故障检测,判断是否发生故障;再利用MODWT对故障电流进行特征提取,得到相应的特征向量;随后使用ANN得到故障分类结果。结果表明,该方法可以准确的检测到故障发生时刻。此外,和其他几种智能故障分类方法相比,具有更好的故障分类精度。

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的多分辨系统风险分析

文章利用小波分析具有良好的多分辨特性,对其股票收益率进行极大重叠离散小波变换,使得收益率按不同频率分解,然后对不同时间尺度上的收益率估计CAPM模型的Beta系数。实验结果表明,在不同的尺度下,Beta系数有较大的差异,即系统风险值Beta具有多分辨性,投资者可以根据不同Beta值选择不同的投资时间,使得风险分散化。

利用小波方差进行原子钟频率稳定度的估计

离散小波变换可以在不同尺度上分解时间序列,而不同尺度的波动性可用小波方差来表征。从小波方差的定义入手,系统地归纳了基于极大重叠离散小波变换(MODWT)的小波方差估计方法,及其等效自由度(EDF)的实用计算方法。最后利用一个实测算例进行计算分析,并与相应的重叠阿伦方差、重叠哈达玛方差进行比较,通过实验分析可以看出小波方差可有效消除原子钟信号非线性和非平稳性的影响,通过选择适当的小波基函数,如D4、D6小波,其方差可以像哈达玛方差一样,减少调频闪变噪声和调频随机游走噪声的泄露,适用于原子钟频率稳定度的表征。

基于MODWT的自适应阈值微电网故障检测算法

对微电网线路故障的高效检测有助于快速切除故障,降低微电网对大电网的影响。现有的故障检测方法存在阈值难以选择、对高过渡电阻故障不敏感等问题,为此提出了基于极大重叠离散小波变换(MODWT)系数突变的自适应阈值选取故障检测算法。利用MODWT的特性,采用扩大窗的方法,在窗扩大的过程中对MODWT系数差值的阈值进行适应性调整。相较于现有的定阈值方法,该算法可以适应任意长度的数据样本,对于多种故障状态可以进行适应性阈值调整,因此对高过渡电阻故障有较高的敏感度。通过仿真实验验证,该算法能在各种故障状态下快速检测故障发生的时间。

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比,所提出的方法可以提供更好的故障分类精度。

基于MODWT和LSTM网络的分布式电网故障诊断

近年来,针对分布式电网故障诊断的研究变得越来越重要,因为它能确保电网安全而稳定地运行。传统的故障诊断方法在故障分类的准确率上仍有待提高,对此,提出了一种基于极大重叠离散小波变换和长短期记忆网络的分布式电网故障诊断方法。首先采集故障数据,再进行特征提取和网络训练,最后得到故障分类的结果。结果表明,该方法不但能准确地识别出故障类型,且不受故障发生时刻和过渡电阻等影响。另外,与其他几种智能诊断方法相比,所提出的方法可以提供更好的故障分类精度。为了评价该方法的性能,以修正的IEEE13总线标准系统为例进行了验证。

基于单通道ECG信号与INFO-ABCLogitBoost模型的睡眠分期

为了减少对传统多导睡眠图(PSG)系统的依赖,基于单通道心电图(ECG)信号,设计了一种简单高效的睡眠分析算法.采用最大重叠离散小波变换(MODWT)对原始信号进行多分辨分析,再进一步提取峰值信息;根据峰值位置的一阶偏差,提取多维度的心率变异性(HRV)特征.为了进一步筛选与不同睡眠阶段具有强关联性的HRV特征,提出基于ReliefF算法与Gini指数的特征提取方法.在此基础上,采用INFO-ABCLogitBoost方法挖掘HRV与不同睡眠阶段之间的关联性,从而实现睡眠阶段的精细分类.在实际公开数据集上的实验结果表明,所提出的模型在睡眠分期任务中,总体精度为83.67%,准确率为82.59%,Kappa系数为77.94%,F1-Score为82.97%.相比于睡眠分期任务中的常规模型,所提方法展现出更加高效便捷的睡眠质量评估性能,有助于实现家庭或移动医疗场景下的睡眠监测.

基于多数据源融合的电网故障判别与告警技术研究

针对国家电网故障判别误差率较高的问题,设计一种基于多数据源融合的电网故障判别与告警方案。利用最大离散小波变换技术和长短期记忆网络算法结合的方法提高电网故障判别与告警能力;利用最大重叠离散小波变换技术具有的扩充冗余自成正交特性对故障类型进行划分;将长短期记忆网络算法由单向进程转为双向网络,避免了反馈传输过程中的网络层无法得到合适的偏导数等梯度消失情况。试验结果表明,通过所提算法进行数据质量核查的准确度高达九成以上,表明所提研究系统对解决提升故障判别准确度的提升具有较强的实用性、优越性。