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.

基于极大重叠离散小波变换和Elman神经网络的磨刀门咸潮模拟研究

近年来磨刀门水道咸潮上溯频发,引起广泛关注。对该地区建立了基于极大重叠离散小波变化(MODWT)和Elman神经网络的咸潮模拟模型(MOD-Elman),模拟预测日均氯度,并借助一维纵向扩散方程分析河段的含氯度分布。结果表明:(1)MOD-Elman模型对非平稳的含氯度变化模拟效果较优且泛化能力较好;(2)咸潮影响预测图在一定程度上能反映站点之间各点含氯度变化。利用MOD-Elman模型和一维纵向扩散方程,可预测未来一段时间内磨刀门的受咸潮影响情况,对预警压咸有一定帮助。

中美股市联动性——基于极大重叠离散小波变换的研究

经济全球化和国际金融市场一体化的发展背景下研究中美股票市场之间联动关系具有重要的理论和现实意义。针对具有时变和频变双重特性的金融市场时间序列,本文采用极大重叠离散小波变换(MODWT)方法对上证综指和道-琼斯工业平均指数之间的联动关系进行研究,包括单变量的多分辨分析以及双变量之间交叉相关系数和交叉协方差的计算,样本时间跨度为2000年1月1日到2012年12月31日。本文的研究结论是:无论短期、中期还是长期,中美股市间均存在不同程度的联动关系,其中短期3个交易日频率下中美股市联动关系最为显著,半个月、一个月以及一年频率下观察到的中美股市联动关系也比较明显。半个月和一个月频率下中美股市间交叉相关系数出现负值下界,表明两市间有反向运动可能性,这增加了市场间的短期投资便利性。一年频率水平下分析还得出中美股市间存在代表某种领先—落后效应的相位差。

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。

基于离散余弦变换和小波变换的电能质量扰动信号检测方法

综合离散余弦变换和小波变换模极大值原理在时频分析中的优点,提出了基于离散余弦变换和小波变换的电能质量扰动信号检测方法。先通过离散余弦变换检测出各种基频干扰(电压暂降、电压暂升和电压间断)和各次谐波(包括暂态谐波),再利用小波变换模极大值原理检测出暂态振荡和暂态脉冲,并实现扰动时间和扰动幅值的测定。该方法具备较强的抗噪能力,仿真结果验证了该方法的有效性。

基于极大重叠小波系数方差分析的混沌时间序列去噪方法研究

自然界中观测到的混沌现象一般都混有噪声,存在的噪声会使得对混沌时间序列的预测产生较大的误差。小波阈值去噪具有多分辨率分析的特点,计算量较小,同时去噪效果较好,但传统的消噪方法存在重信号而轻噪声特征的情况,噪声水平的估计也常常以第1层小波系数的中值变差为依据,同时阈值的选取又与噪声水平和信号长度相关。如果能准确估算混沌信号的水平,并确定各层小波分解系数上的噪声方差,便可提高去噪效果。因此,构建了近似仿真Lorenz混沌含噪信号,并通过极大重叠离散小波对信号进行了分解,分析噪声方差在各层小波系数上的分布规律,并由此确定小波系数各层不同的阈值系数。通过该方法可以得到相对较优的结果。算例结果表明,采用所提方法可以减少预测产生的误差,验证了该方法的有效性。

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。

基于小波变换的直流线路行波保护采样数值稳定性研究

高压直流输电系统由于输送容量大,输电距离远,在我国电力系统中起到越来越重要的作用。一旦直流输电线路发生故障,快速准确识别故障具有极其重要的意义。对小波变换的直流输电线路行波保护方案进行了研究,发现在10 kHz的采样率下,对同一行波不同的采样,可导致小波变换模极大值的波动范围达7倍以上,意味着采用离散采样进行保护整定有严重的数值稳定性问题。提出了多重采样方法,以采样重数为表征指标,获得了小波变换方法故障指标数值波动的可能范围,分析了数值波动概率分布情况,并获得了过渡电阻值对故障指标波动范围的影响。该研究方法和结论对于实际工程中的行波保护整定,具有较重要的参考意义。

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。

基于小波奇异性检测的发动机故障诊断方法研究

针对通过二进离散小波变换计算出的Lipschitz指数不够精确且不能描述奇异点能量的不足,提出了模极大值点能量法并用于信号的奇异性检测。通过仿真证明采用该方法不仅能准确定位奇异点发生的位置,并且能描述其能量。将该方法应用于发动机曲轴轴承故障诊断时,为了突出局部时间段的信号特征,采用抽区间采样方法抽取特定时间段的信号。试验结果表明,两种方法的结合能有效区分出曲轴轴承的不同技术状况,并得出最佳诊断部位和最佳检测转速。

股指期货套期保值率的小波分析方法

本文运用极大交迭离散小波变换对新加坡新华富时A50股指期货合约原始数据进行逐尺度分解,在不同时间尺度下以半方差最小化为套期保值目标对最优套期保值率进行估计,并与最小小波方差套期保值率进行比较。实证结果表明随着时间刻度的增加,期现货收益率间的相关性及套期保值率均相应递增;以半方差作为套期保值目标可以使套期保值组合获得更好的超额收益性质,并且随着套期保值期限长度的增加,超额收益性质的相对表现更为优良。

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。

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DWT与SVM的风门开闭阶段识别方法

为解决因风门开闭导致的风速传感器数据异常波动与误报警问题,提出一种基于离散小波变换(DWT)与支持向量机(SVM)的风门开闭阶段识别方法。使用多尺度滑动窗口将传感器风速监测数据离散化为若干段不同尺度的子时间序列数据,利用统计方法与DWT,提取各尺度子时间序列数据中的统计特征与隐含的波动特征,建立SVM风门开闭阶段识别分类模型。为进一步优化识别结果,基于重叠度(IoU)规则合并、修正、组合、取优分类识别结果,再根据相似准则建立长度方向取变率为2、整体相似比为1∶16的相似试验模型,开展风门开闭扰动试验,验证方法的可行性。结果表明:在测试集上的识别准确率较高,对于风门开闭时间的识别准确率可达到90.08%,风门开闭阶段的划分准确率可达到71.05%,优化滑动窗口尺度数量,可继续增加方法识别的准确率。