基于EMD和分形高斯噪声的陀螺仪噪声滤波方法研究

为降低MEMS陀螺仪输出信号中低频噪声提高信号精度,提出一种采用基于EMD和分形高斯噪声的滤波方法。陀螺仪输出的横摆角速度信号使用滑动窗口法,对窗口数据进行聚合方差法估计Hurst参数,并通过EMD分解窗口数据获得各层IMF分量及余项,计算窗口阈值并进行阈值处理选择,逐步处理滑动窗口数据,将处理后的IMF分量和余项整合,得出滤波后的信号数据。通过仿真实验验证及实车数据验证,证明滤波方法对信号噪声精度提高的可行性。

基于谱密度的分形高斯噪声数据合成和估计

分形高斯噪声FGN是分形布朗运动的增量过程,广泛应用于自相似过程的建模分析。在众多的合成分形高斯噪声的方法中,研究了基于功率谱的FGN的生成算法,谱模拟方法和Paxson方法的特点以及联系,同时对基于功率谱的Hurst指数的估计方法,周期图法进行了讨论。仿真试验中,使用Paxson方法生成了FGN序列数据,试验结果表明生成的FGN具有很好的自相似性。应用周期图法估计了其Hurst指数,相比方差时间法,周期图法在估计长相关过程的参数方面能够提高精度。

基于分形高斯噪声叠加的蒙特卡罗模拟定价

为了提高蒙特卡罗模拟定价的精度和效率,用循环嵌入方法快速精确地生成分形高斯噪声,进而叠加合成分形布朗运动,在此基础上运用蒙特卡罗方法模拟金融产品价格运动轨迹.通过对国电电力认购权证(国电CWB1)进行100个交易日模拟定价的结果表明,该方法比标准布朗运动能获得更高的定价精度.

分形高斯噪声驱动的神经元反馈模型中的随机共振现象

基于脑神经科学中的长程相关性和谱幂律形态的普遍性,使用分形高斯噪声建立了一类非线性神经元随机模型,研究了分形高斯噪声在非线性神经元模型中的增强信息传输作用。主要研究一般的反馈神经元模型中,加性分形高斯噪声诱导阈上随机共振现象发生的条件,满足一定条件的噪声强度和系统的Lipschitz条件的随机动力系统可发生阈下随机共振或阈上随机共振现象。理论和模拟结果都显示受分形高斯噪声激励的非线性神经元系统在二值输入的状态下互信息随着噪声强度的变化会达到最大值,并出现单峰状态,从而产生阈下随机共振和阈上随机共振现象。随机共振的现象发生与分形高斯噪声的Hurst指数有关。通过模拟,验证了分形高斯噪声可以增强神经元的信息传输作用。

基于改进经验小波变换与分形特征集的风力机齿轮箱故障诊断

针对风力机齿轮箱振动响应信号具有强非线性及非平稳性的特点,考虑平均幅值对平均谱负熵时频域成分权重自适应调节,提出连续改进平均谱负熵方法(ICASN)以体现信号细节复杂度特征,并将ICASN引入经验小波变换(EWT),替代傅里叶谱作为频带划分依据。采用ICASN-EWT分解振动信号,基于改进平均谱负熵筛选特征分量,剔除信号冗余与噪声影响。分析各敏感分量分形特征并构建高维特征集,采用流形学习进行维数约简,并结合分形高斯噪声改进灰狼算法优化支持向量机关键参数,将降维后的向量集输入优化支持向量机进行故障识别与诊断,准确率高达100%。

基于分形高频初始模型和低频先验信息的物性参数随机反演

基于分形高频初始模型和低频先验信息的储层物性参数随机反演方法综合利用混合先验信息和统计岩石物理模型,在贝叶斯理论框架下直接反演储层物性参数。首先通过分形高斯模型算法和克里金插值得到物性参数的先验信息;然后根据统计岩石物理模型建立弹性参数与储层物性参数之间的关系,构建似然函数;最终利用基于模拟退火法(Simulated Annealing,SA)改进的粒子群优化(Particle Swarm Optimization,PSO)算法(SAPSO)实现后验概率密度的抽样。与确定性反演结果相比,该方法能够有效地融合测井资料中的高频信息,提高反演结果的分辨率,并且先验信息中融合了低频成分,可以得到宽频带的反演结果。一维和二维实际资料反演得到的孔隙度、泥质含量和含水饱和度与井资料吻合很好,分辨率较高,验证了该方法的可行性。

经验模态分解阈值消噪方法及其在惯性导航系统数据处理中的应用

针对惯性元件误差中有色噪声影响远大于白噪声的情况,建立元件误差的分形高斯噪声模型,利用功率谱密度方法估计模型参数。基于噪声模型推导经验模分解(EMD)的各固有模态函数(IMF)分量中噪声的方差,以此估计各分量相应的阈值,建立EMD阈值消噪方法。将该方法应用于INS中,并与小波阈值法进行比较。结果表明,小波阈值法难以控制元件中有色噪声的影响,EMD阈值法与噪声模型紧密结合,能够更有效地削弱元件中的随机误差,提高INS精度。

长相关网络流量Hurst指数估计算法

针对传统长相关网络流量Hurst指数估计算法估计结果不准确、可变信息受损严重的情况,提出时域内滑窗时变方差之差Hurst指数估计算法,采用已知参数的人工分形高斯噪声序列及Bellcore采集的真实网络流量序列BC-pOct89对其进行验证。结果表明该算法减少了可变信息损失,能动态地刻画全域上的长相关特性,具有较高的准确性和鲁棒性。

基于经验模态分解空域相关滤波的脉冲星信号消噪

针对脉冲星信号信噪比极低,且信号中有色噪声成分远大于高斯白噪声的特点,提出了一种基于经验模态分解(empirical mode decomposition,EMD)的脉冲星信号空域相关滤波消噪方法。首先建立脉冲星信号的分形高斯噪声模型,根据双对数功率谱密度估计分形高斯噪声的Hurst参数值;然后,结合脉冲星累积信号的窗口辐射特性和分形高斯噪声经EMD分解后的噪声分布特点,估计脉冲星信号各层内蕴模态函数(intrinsic mode function,IMF)中噪声的方差;最后,以IMF噪声方差为基础,建立EMD空域相关滤波方法并应用于脉冲星累积轮廓消噪。实验结果表明,与经典的平移不变小波阈值消噪法、平移不变小波空域相关滤波消噪法以及EMD模态单元比例萎缩消噪法相比,改进的EMD空域相关滤波消噪法在抑制脉冲信号中的噪声和保留更多的微脉冲特征细节信息方面更加有效。

Copula相依结构下沪深股指波动及动态VaR计量

采用带三类不同噪音的ARMA-ARCH模型拟合沪深股指收益率分布,并通过随机模拟的方式进行拟合优度检验,结果显示,基于分形高斯噪音的ARMA-ARCH模型能够较好刻画沪深股指收益率波动的长相依性、厚尾性及波动性聚类特征。进一步通过两类不同Copula-ARMA-ARCH模型处理沪深股指相依性,并通过随机模拟进行拟合优度检验,模拟结果显示,基于分形高斯噪音的Student’st Copula-ARMA-ARCH模型能够较好刻画沪深股指收益率波动的VaR风险。

基于H1总线的信息网络业务流分析

通过对基于H1总线的信息网络过程监控层的业务量测量与分析,证实了该业务量具有典型的统计自相似性.从理论上研究了多AR1序列累加生成自相似流的机理和多个自相似流的累加过程,给出了H1总线业务量自相似性产生的原因.结果表明,基于H1总线的信息网络过程监控层的网络流量服从统计自相似分布,是一种具有典型长相关性的网络流.

Hurst指数估计法中的修正方法研究

Hurst参数是表征网络业务量自相似性的重要参数,对突发业务的Hurst参数进行准确的估计能直接影响网络流量控制和缓冲资源分配。详细给出4种Hurst参数估计方法的实现过程,并针对这4种估计方法进行修正。通过估计不同Hurst参数的自相似业务量来对比修正前后估计方法的精度,结果表明采用修正的方法各个估计方法的相对误差都有降低,其中R/S法降低了2个百分点,聚类方差法降低了8个百分点,周期图法和小波分析法相对误差降低了一个数量级。

自相似业务量生成方法研究及改进

当前被广泛使用的分形高斯噪声法对高斯噪声功率谱逼近效果较差,生成自相似业务量精度不高。针对该问题,提出一种高次方线性拟合方法。将分形高斯噪声的功率谱分成有限项和无穷累加项2个部分,采用Matlab的拟合工具箱cftool对功率谱的无穷项进行高次拟合,减少运算量,克服以往采用数学推导过程复杂的问题,弥补数学推导过程中使用连续积分代替离散求和时造成的误差。仿真结果表明,改进方法生成自相似业务量的相对误差比采用公式推导的方式低,用小波法估计时相对误差降低到0.05%,生成自相似业务量的速度较快,生成长度为220的自相似序列用时0.634 s。

自相似模型仿真ATM网络VBR视频源研究

仿真过程采用了一种新的异步传输模式 (ATM)视频源建模方法 ,即长期相关性分析和自相似模型方法 ,使用了自相似模型中的分形高斯噪声 (FGN)模型 .FGN过程的产生采用了Hosking算法和反变换法 .在仿真具体实现过程中改进了现有FGN模型仿真算法的不足 ,从而使产生的过程既充分考虑到实际可变比特率 (VBR)视频源序列的长期相关性 ,又兼顾了序列的短期相关性 ,同时给出了仿真结果与实际源统计特性的比较和验证 .比较结果表明 。

基于FGN输入流的G/D/1排队模拟

传统的排队理论不适于分析高速网络表现出的自相似流量 .通过实验仿真 ,主要考察平均等待时间和在队列分别为无限和有限情形下的队列尾部特征等参数 ,并对以FGN为输入流的G/D/ 1排队模型作了定性分析 .结果表明在输入流的强度和方差基本相等且系统利用律大于某一阈值的情况下 ,队列平均等待时间随Hurst参数增大而显著增长 .同时指出在相同的条件下考察队列尾部特征 ,具有有限队列长度的G/D/

基于小波变换的分数布朗运动参数估计

为了估计分数布朗运动参数,对离散分数高斯噪声进行了Haar小波变换。根据"近似"小波系数方差和分数高斯噪声(DFGN)方差的关系,并结合平稳序列小波分解的性质,推导出一种估计算法。在仿真中,和修改的EM算法相比较,算法简洁,并以方均根误差和标准差为指标说明了此种方法的有效性和优越性。