用最大重叠离散小波包变换的Hilbert谱时频分析

在介绍基于最大重叠离散小波包变换(Maximal Overlap Discrete Wavelet Packet Transform,简称MODWPT)的Hilbert谱方法的基础上,将基于MODWPT的Hilbert谱应用于非平稳信号的分析。采用MODWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值都具有经典物理意义的分量之和,求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合得到原始复杂信号完整的时频分布。对基于MODWPT和基于经验模态分解(Empirical Mode Decomposition,简称EMD)的Hilbert谱,在不同类型非平稳信号下的时频分析效果进行了比较和分析,结果表明了基于MODWPT的Hilbert谱分析方法的有效性。

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.

基于变分模态分解和最大重叠离散小波包变换的齿轮信号去噪方法

针对齿轮故障信号易受噪声干扰导致故障特征难以提取的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和最大重叠离散小波包变换(maximal overlap discrete wavelet packet transform,MODWPT)相结合的信号去噪方法。采用VMD方法将齿轮振动信号分解成一系列不同中心频率的固有模态函数(intrinsic mode function,IMF),对VMD分解过程中影响其精度的主要参数选择方法进行了探究,提出相关参数的选取依据。结合能量熵增量-频域互相关系数准则以剔除分解出的高频噪声和虚假干扰成分;采用MODWPT方法对包含高频噪声的IMF分量进行去噪,以进一步提升信号的去噪效果和性能指标;最后将去噪后高频IMF分量同表征信号自身特征的敏感模态分量重构为去噪信号。通过仿真信号和齿轮断齿故障信号的分析,证明了所提方法的有效性和实用性。

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。

基于逆时域分析的压缩机组接地缺陷自动检测方法

为解决压缩机组接地缺陷检测费时费力的问题,提出基于逆时域分析的压缩机组接地缺陷自动检测方法。采用多个传感器采集压缩机组由于接地缺陷产生的行波信号,利用极大重叠离散小波包(MODWT)方法对采集到的行波信号进行降噪处理后,采用同步压缩短时傅里叶变换(SSTFT)方法提取压缩机组的行波信号脊线,并通过同步压缩逆变换重构脊线对应的时域信号,完成压缩机组行波信号特征的提取;将提取到的行波信号特征输入支持向量机进行训练,采用训练完毕的支持向量机对压缩机组接地缺陷进行诊断。实验结果表明:该方法应用同步压缩傅里叶变换方法获取的信号主频特征清晰,特征提取优势显著;并且该方法可精准实现压缩机组接地缺陷的自动检测。

基于MODWPT平方包络峭度谱的轴承声信号故障诊断方法

针对噪声干扰条件下的轴承声信号故障诊断问题,可以通过基于最大重叠离散小波包变换(MODWPT)的平方包络峭度谱法对轴承进行故障诊断。该方法首先对原始非平稳信号用MODWPT分解为若干个子频带分量之和,再对各子频带分量做平方包络峭度谱,快速定位原始非平稳信号当中冲击成分显著的频带范围,最后对目标频带做带通滤波并进行包络解调可得到故障诊断结果。通过实测轴承声信号数据验证,该方法可以有效地对轴承进行故障诊断。

基于先验知识的移动通信话务量预测

本文提出了一种基于先验知识引导的极大重叠离散小波变换的移动通信话务量预测方法.采用傅里叶谱分析作为小波分解子成分先验知识降低小波分解的盲目性.利用具有明确物理意义且更易提取子层的极大重叠离散小波变换对话务量序列进行分解.分解后仍以傅里叶谱先验知识为参考,合并相关子层形成趋势项和周期项两部分,并采用季节性求和自回归滑动平均(ARIMA)模型对二者分别建模和预测.采用真实数据测试的结果表明:本文方法可实现多步预测,且预测精度优于单纯的季节性ARIMA模型.

基于广义解调时频分析的多分量信号分解方法

广义解调时频分析方法是一种新的信号处理方法,该方法将广义解调和最大重叠离散小波包变换相结合对复杂信号进行分解,得到若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号,从而获得原始信号完整的时频分布。本文在介绍广义解调时频分析方法的基础上,将该方法用于多分量信号的分析,对该方法进行了改进,给出了由改进的广义解调时频分析方法分解多分量信号的具体步骤,从而由改进后的广义解调时频分析方法不仅可以得到原始信号中各个分量的时域波形,而且还可以得到相同的时频分布。采用改进后的广义解调时频分析方法对仿真信号进行了分析,同时和其它时频分析方法进行了比较,结果表明了该方法的有效性。最后,对广义解调时频分析方法中的相位函数选择问题进行了讨论。

一种基于屏蔽滤波的行波信号消噪方法

针对实际电力系统行波信号中存在噪声干扰的问题,提出了一种基于屏蔽滤波的行波信号消噪方法,对信号进行极大重叠离散小波包变换,将信号分解在不同的尺度上,利用能量算子得到能量强化后的小波包系数,通过计算小波包相邻尺度的相关度,归一化后得到的相关系数与各个尺度的小波包系数进行比较,获得信号奇异点,形成屏蔽滤波器,将屏蔽滤波器与各个尺度下的小波包系数相乘,从而得到新的小波包系数,利用小波包系数得到行波信号产生的准确位置。理论分析、ATP仿真结果及现场实际数据验证了该方法的有效性。

广义解调时频分析方法在调制信号处理中的应用

介绍了一种新的信号处理方法-基于广义解调的时频分析方法,并将这种方法应用于调制信号的处理。广义解调时频分析方法采用广义解调将时频分布是曲线的信号变换为时频分布是平行于时间坐标轴的直线的信号,然后采用最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)对广义解调后的信号进行分解,得到若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号,再对各个单分量信号进行逆广义解调,进一步求出瞬时频率和瞬时幅值,从而得到原始信号完整的时频分布。采用广义解调时频分析方法对调幅-调频信号进行了分析,结果表明该方法能有效地提取调幅-调频信号的调制信息。

基于MODWPT的Hilbert谱及其在齿轮故障诊断中的应用

在对基于最大重叠离散小波包变换(Maximal overlap discrete wavelet packet transform,简称MODWPT)的Hilbert谱方法进行介绍的基础上,将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和,然后求出各个单分量信号的瞬时频率和瞬时幅值,再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明,基于MODWPT的Hilbert谱可以有效地提取齿轮振动信号的故障特征。

基于MODWPT的包络阶次谱在滚动轴承故障诊断中的应用

为了有效提取滚动轴承的故障特征,提出了基于MODWPT的包络阶次谱故障诊断方法.采用MODWPT将多分量的滚动轴承振动信号分解为若干个分量,对各个分量信号进行包络分析并对包络信号进行角域重采样;最后对重采样后的信号进行频谱分析,得到包络阶次谱,从而判断滚动轴承的工作状态和故障类型.采用该方法分别对仿真信号和实验信号进行了分析,结果表明了该方法的有效性.

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.

基于copula-SV模型的股市相关性的多分辨分析

使用极大重叠离散小波变换将上证指数和深成指数的日数据分解在了4个尺度上,分别采用SV-t模型拟合边缘分布,并建立copula函数来拟合两市在不同尺度上的收益率,并分析其尾部相关性.结果表明沪深两市时间序列在同尺度下的相关性远远大于不同尺度下的相关性,且在同一置信水平下,各尺度的下尾相关性要大于上尾相关性,随着交易周期的增加,不论是下尾还是上尾的相关性都明显增强.

基于并行隐马尔科夫模型的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MaximalOverlapDiscrete WaveletTransform, MODWT)和并行隐马尔科夫模型(ParallelHiddenMarkovModel, PHMM)的电能质量扰动分类方法。首先利用MODWT提出一种实用的电能质量扰动检测算法,该算法无需设定检测阈值,可准确获取扰动时段的起止时刻。接着提取扰动时段的电压谐波成分并组成特征向量。然后用PHMM分类器对扰动信号进行分类识别。PHMM方法克服了人工神经网络方法收敛性较差、训练时间较长的缺陷,使分类器性能大大提升。通过应用于现场实测扰动数据表明,所提出的方法适用于多种类型的电能质量扰动检测,分类正确率高,训练速度快,具有良好的应用价值。

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。

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。