基于优化小波分量的高铁桥墩沉降异常探测方法

针对高铁桥墩沉降数据中传统异常值探测方法存在探测结果不理想的情况,提出一种基于优化小波分量的高铁桥墩沉降异常值探测方法。所提方法在拉依达准则法的基础上,通过优化小波分量降低小波分量中的噪声影响并充分利用小波分量中的有效信息。利用模拟实验数据和工程实例数据进行实验,并与拉依达准则法、IQR法、MAD法以及4种传统小波组合方法进行对比分析。实验结果表明,文中所提方法相较于单一异常值探测方法和其它小波组合方法能够探测出更多的异常值,且探测结果更加可靠。

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

一种自适应最优化小波变换算法及应用

传统的二进小波变换对非2的整数幂的数据要进行大量的边界处理,针对这一局限性,提出一种自适应最优化小波变换算法。其核心是通过解析被处理数据长度来捕获其长度的最佳逼近值,实现边界处理的最优化;通过分解最佳逼近长度来获取各层次小波变换基数,实现小波变换基数选择的自适应。与二进小波变换相比,自适应最优化小波变换算法具有运算速度快,边界处理量少,数据压缩量大等特点。最后通过一个图像压缩的应用实例表明了此算法的可行性。

区域经济预测的GPCA和优化小波网络组合模型研究

构建全局主成分分析(GPCA)和优化小波神经网络的组合模型,对中国区域经济发展水平进行预测.首先借助GPCA获得区域经济发展水平的全局主成分分值、综合评价值,作为优化小波网络的输入、目标输出;然后构建遗传-粒子群算法优化的小波网络预测模型.通过仿真,得到较满意的结果,表明区域经济水平预测的组合模型是有效和实用的.

基于ACO优化小波神经网络的语音识别

蚁群优化(Ant Colony Optimization,ACO)算法是根据解决不同优化问题的多个蚂蚁算法所归纳出的解决复杂的组合优化问题的一个一般框架。本文首先研究ACO算法的原理及其结构框架,在此基础上,引入蚁群优化算法进行小波神经网络的训练,对ACO训练小波神经网络步骤和方法进行了研究。并与BP算法、遗传算法、模拟退火算法进行性能比较,将各种方法训练的小波神经网络用于噪声环境下的语音识别。仿真结果表明,基于ACO算法训练的神经网络在收敛速度上更具有优势,能够获得较小的均方误差值,对于非特定人噪声环境下的语音识别的正确率达到96%,是一种有效的语音识别方法。

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元(GRU)神经网络模型预测趋势项,自回归滑动平均模型(ARMA)模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。

基于小波优化EEMD的二氧化硫检测

为解决检测SO2时系统接收到的荧光信号微弱、易被噪声淹没的问题,提出了小波优化总体经验模态分解(EEMD)的方法对SO2荧光信号进行去噪。搭建了SO2紫外荧光检测系统对SO2浓度进行检测,检测的平均相对误差为0.0011,SO2浓度与荧光强度的线性相关系数为0.9787。利用小波优化EEMD去噪方法对SO2荧光信号去噪,得到的信噪比为224.7958,均方误差为1.01×10^-7,波形相似系数为0.9973,SO2浓度与荧光强度的线性相关系数为0.9936。相比于EEMD和小波去噪方法,小波优化的EEMD去噪方法对SO 2荧光信号的去噪效果更好,能够达到理想的去噪效果。

一种改进的小波变异粒子群优化算法

为提高粒子群优化(PSO)算法的优化性能,提出一种改进的小波变异粒子群算法(IPSOWM)。在每次迭代时以一定的概率选中粒子进行小波变异扰动,从而克服PSO算法后期易发生早熟收敛和陷入局部最优的缺点。数值仿真结果表明,IPSOWM算法的搜索精度、收敛速度及稳定性均优于PSO和PSOWM算法。

提升格式下的小波优化及陀螺信号降噪

在小波的各种应用中,一直存在着小波基的选择问题。在小波的提升框架下,提出了一种基于进化算法的小波优化方案,能够根据信号处理的目标对已有小波的系数进行修正。针对陀螺信号的降噪问题,采用此方案得到了一个优化的新小波,并利用这个新构造的小波进行了仿真。结果表明,优化的小波可获得更好的降噪效果,而且与传统方法相比,这种优化方案具有较大的灵活性,可适用不同的实际要求。

基于边缘检测的优化算法的小波阈值图像去噪

目前,小波阈值去噪方法简单有效,已成为图像去噪领域中常用的去噪方法。但传统的小波阈值去噪方法存在一些缺点,在去除图像噪声的过程中会出现去噪不彻底、噪声残留和噪声误判的问题。本文首先利用小波边缘检测算法确定图像边缘特征的小波系数;然后,根据噪声的方差设置优化阈值函数去噪,即在以往统一阈值基础上加以修改,使阈值能随着分解尺度的变化而改变,对传统的软阈值和硬阈值的优点予以保留,改进它们的缺点,生成一种新的阈值函数,使它在处理小波系数时更加灵活。经过优化的小波阈值去噪后得到平滑图像;最后,把小波边缘检测图像镶嵌入平滑图像中。实验表明,与传统的小波阈值去噪方法相比,该算法解决了传统阈值函数在去噪过程中出现的问题,进行有效去噪的同时保留图像的细节,使图像更加清晰,提高了信噪比。

粒子群-小波神经网络火灾预警算法

针对小波神经网络(WNN)学习速度慢、算法输出精度低的问题,提出改进PSO优化WNN算法。使用随机概率变异算子提高算法的收敛速度,使用随机性强的惯性权重因子提高搜索效率,加入限幅滤波算法提高学习精度。实验采集火灾火焰的温度、烟雾、辐射特征值,对样本数据进行训练,达到火灾火焰的准确识别的目的。仿真结果表明,经优化的WNN算法,提高了网络收敛速度,提高了火灾识别、预警的准确性,验证了火灾三级预警的可行性。

BP小波神经网络在边坡位移预测中的应用

用优化的BP小波神经网络建立的预测模型对吊钟坝边坡的变形量进行了预测。引入了共轭梯度反向传播算法来优化BP小波神经网络,从而使网络计算量大为减少,避免了网络产生局部最优的弊端,有效提高了网络的质量。与未优化的BP小波神经网络和BP神经网络的预测结果进行比较可以看出,优化的BP小波神经网络的预测值更接近GPS实测值。

小波GRU-ARMA优化的InSAR监测沉降预测方法

本文在长短时记忆神经网络-自回归滑动平均模型(LSTM-ARMA)的基础上,提出了基于小波门控循环神经网络-自回归滑动平均模型(GRU-ARMA)优化算法。首先使用小波降噪将InSAR原始时间序列分解成趋势项和噪声项,采用GRU循环神经网络滚动预测趋势项、ARMA模型预测噪声项;然后将趋势项和噪声项的预测值之和作为总的时间序列预测值,其优点为提高了各监测点的预测精度;最后选取阿干矿区2020—2023年最严重沉降区域的多个点(CP0001、CP0007和CP0009)为例进行了研究。试验结果表明,基于小波优化组合模型的预测精度高于传统单一模型GRU/LSTM的预测精度;相较于LSTM-ARMA模型,小波GRU-ARMA优化模型的预测效果更稳定,是一种地表沉降预测的有效思路和方法。

基于GA-WNN模型的差动螺管电感式位移传感器的温度补偿

针对差动螺管式电感位移传感器温度漂移的问题,提出了一种遗传优化小波神经网络(GA-WNN)算法的温度补偿模型。用差动螺管式电感位移传感器的位移和温度的二维标定试验数据,建立GA-WNN模型。该模型利用遗传算法对小波神经网络的参数进行全局优化,克服了小波神经网络易陷入局部最优解的不足。试验结果表明,优化后的零点温度系数提高了2个数量级,灵敏度温度系数提高了1个数量级,实现了对传感器的温度补偿。

基于GA-WNN的电涡流传感器的温度补偿

针对电涡流传感器的温度漂移对其测量精度带来较大影响的问题,提出了基于遗传优化小波神经网络(GA-WNN)算法对电涡流传感器进行温度补偿修正模型。通过对电涡流传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立GA-WNN神经网络模型。该模型用遗传算法对小波神经网络的权、阈值进行全局的优化,改善了小波神经网络训练速度慢的问题,克服了易陷入局部最优的缺陷。研究结果表明,补偿后的灵敏度温度系数由8.69×10^(-3)/℃提升到3.48×10^(-4)/℃;零位温度系数由4. 78×10^(-3)/℃提升到1.85×10^(-4)/℃,均提高了一个数量级,成功实现了温度补偿的目的。

SK型静态混合器内瞬时速度时间序列分形识别

为了研究静态混合器内湍流速度的非稳态特性,在湍流状态下(Re=3972～11916)利用激光多普勒粒子分析仪下对直径为0.04m、长径比为1.25的SK型静态混合器的3维湍流瞬时流场进行测量。基于小波阈值消噪理论和分形理论,选用Sym小波基在不同消失矩N对瞬时速度时间序列进行多尺度分析。结果表明:静态混合器内瞬时速度信号呈现低维非周期长程自相似分形特性,Hurst指数在0.845～0.896之间波动;单个混合元件内,随着轴向位置的增加,Hurst数值先减小后增大,随着径向位移的增大Hurst数值呈先增大后减小的双峰分布;元件衔接处速度波动信号奇异性最强,N=8时速度波动信号分解误差最小。

自相似参数辨识与汇聚无线业务尺度特性分析

Hurst参数是衡量网络流量自相似程度和突发性的重要参数,在时域R/S统计、方差-时间图法和频域周期图法的基础上,提出一种最优化线性回归小波模型,实现小波域内Hurst参数的准确有效快速辨识.研究了WLAN中多个输入业务源的汇聚过程以及汇聚的多输入自相似业务源统计特性.仿真实验比较了传统的以及基于最优化线性回归小波模型的Hurst参数辨识方法,验证了理论分析中汇聚自相似业务也呈现自相似性的结论,且仿真结果表明,汇聚业务的突发性得到加强而不是削弱.研究结论对网络流量的准确建模以及网络传输中流量控制和优化网络资源配置以及提高网络性能具有重要作用.

基于三维荧光与BLLS/RBL同时检测蜂蜜中3种喹诺酮类抗生素

采用三维荧光光谱法实现对蜂蜜中的3种喹诺酮类抗生素(氟甲喹、恩诺沙星和左氧氟沙星)残留样本的数据测量,对所得光谱消除了二级瑞利散射和拉曼散射的干扰,采用小波优化集合经验模态分解(EEMD)的方法消除光谱噪声,完成了预处理过程。采用双线性最小二乘/残差双线性(BLLS/RBL)算法分别对预处理前后的样本进行定性、定量检测。结果表明:经预处理后可以准确地解析出样本中各组分光谱,且与原光谱有着极高的相似度。定量分析中,氟甲喹、恩诺沙星和左氧氟沙星的预测平均加标回收率RA分别为94.99%,100.20%,103.20%;均方根误差RMSE分别为4.03,0.21,0.29μg/L;灵敏度SL分别为3.2×10^(3),3.5×10^(4),3.3×10^(4)μg/L;检测下限L_(out)分别为2.08,0.18,0.19μg/L;优于未经预处理的结果。

基于时频分析法的开关柜避雷器泄漏电流检测

[目的]在电力系统中,开关柜避雷器承担着抑制瞬态过电压和泄放脉冲大电流的重要作用,对于维持其正常稳定运行具有重大意义。[方法]为了有效抑制噪声对泄漏电流信号检测的干扰,提出了一种基于自相关系数与卡方检验优化的时频分析方法。首先通过电流传感器和分流器两种测量结果进行分析,然后利用基于自相关系数与卡方检验优化的小波变换消除信号中的噪声干扰,实现最优分解尺寸的确定,从而更好地适应小信噪比场合。[结果]通过软件平台分析得出在分流器的测量基础上利用优化后的小波算法去噪的抗干扰能力更强,波形质量更好。最后研制了一款泄漏电流在线检测装置,对提出的泄漏电流检测模型加以验证。[结论]实验结果表明该装置能够较好地实现避雷器泄漏电流的实时检测。

基于经验模态分解的激光干涉信号处理

为了去除激光干涉测速系统提取的小波脊的大量高频噪声,提高系统测量精度,采用一种基于经验模态分解的小波脊优化的方法,对高频噪声强度进行了很好的抑制,测量误差为原来未优化误差的42.3%,较大幅度提高了激光干涉测速系统的测量精度。结果表明,该方法对经过时频分析的信号去噪有重要的实用价值。