基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。

关于两尺度序列的一点注记

通常两尺度序列{hk},{gk}有几种不同形式,这样与之相关的一些结论也有所不同.为了澄清一些著作相关的混乱和方便初学者以及工程应用,本文对照给出两尺度序列的几种形式及其相应的结论与相关应用.

网络非平稳流量多尺度时间序列预测数学建模

网络流量具有时变性与非线性等特征,线性时间序列预测性能不佳,提出网络非平稳流量多尺度时间序列预测数学建模。利用离散低通滤波器确定流量分解系数,经过初始化处理,对滤波器做插零完成小波分解;使用支持向量机方法设置回归函数,确保函数最小化,并将低维空间中非线性回归问题转换为高维空间线性回归问题,在初始低维空间做核函数计算获取高维空间内积,引入双曲核函数建立支持向量机每一步的预测模型;重构小波分解后的时间序列,利用预测模型求解回归函数,即可实现对整体流量多尺度时间序列的预测。实验结果表明,上述方法提高预测精度,减少预测延时。

基于变尺度差商比序列统计量的小子样静态一致性检验

针对小子样条件下静态一致性检验问题,介绍了利用次序统计量相关理论进行一致性检验的部分方法,在对此类方法的检验过程进行深入探讨的基础上,借鉴已有的部分研究结论,对利用变尺度差商比序列统计量进行一致性检验的思路和方法进行了改进,改进后的方法适用于任意分布子样,计算过程简便且检验效果良好。

少年与中年脑电信号的多尺度符号序列熵分析

目的脑电信号的生理分析对于评估大脑功能的活跃程度、生理状态具有重要意义,脑电图(electroencephalography,EEG)是临床检查脑部疾病的一种手段,而影响脑电图结果的因素很多,其中年龄是不容忽视的因素之一。本论文提出多尺度符号序列熵(multiscale sign series entropy,MSSE)用于分析不同年龄阶段的β波脑电信号,采用符号化的方法来处理时间序列可以去除一些细节的信息而保留感兴趣的部分。方法首先依次对4组中年和少年的β波脑电数据从数据长度N、字长m和噪声等多个角度对其符号序列熵(sign series entropy,SSE)进行分析,验证了SSE能够正确区分中年和少年的β波脑电信号。接着基于SSE算法在多个尺度下对含噪声和去噪声的中年和少年的β波脑电信号进行分析。结果随着尺度的增加,含噪声与去噪声β波脑电信号SSE的值也同步升高,并且少年的SSE均高于中年的SSE。结论脑电信号的多尺度符号熵分析方法可以有效区分少年和中年β波脑电信号,并且在信号噪声的影响下也可对不同年龄段的β波脑电信号进行检测。

基于序列多尺度特征融合表示的层级舞蹈动作姿态估计方法

人体姿态估计是计算机视觉研究领域的热点研究问题之一,但其在传统民间舞蹈动作姿态估计方面的应用研究尚处于起步阶段.由于舞蹈图像中人体动作复杂多变、舞蹈动作连贯性强、舞蹈者存在严重遮挡不易检测等特点,传统人体姿态估计方法难以准确估计舞蹈者的动作变化,导致舞蹈动作姿态估计准确率较低.针对此问题,本文提出一种基于序列多尺度特征融合表示的层级舞蹈动作姿态估计方法,该方法针对舞蹈动作骨骼关节点尺度变化剧烈的问题,构建基于序列多尺度特征融合表示的关节点估计模型.并且,针对舞蹈姿态形变较大,遮挡严重的问题,设计基于关节点几何关系的层级姿态估计模型,提高舞蹈动作姿态估计的效果.实验结果表明,本文方法在标准人体姿态估计数据集及自建舞蹈数据集上取得较好的姿态估计结果.

1981—2020年贵阳市洪涝灾害多尺度时序特征分析

随着全球城市化进程的快速推进,城市洪涝灾害频繁发生,成为世界各国、特别是中国等发展中国家普遍面临的城市问题。分析洪涝的时间演变规律和发展趋势,对于采取科学的政策措施有效防治洪涝灾害具有重要的参考价值。该文基于贵阳市1981—2020年的逐日气象数据,利用SPEI指数、Mann-Kendall检验和小波变换等方法,分析了近40 a多尺度时序下的洪涝变化规律。结果表明:(1)贵阳市月际和季节降水强度大,暴雨发生频次高,月际降水强度集中在大雨及以上,季节性降水强度集中在暴雨及以上,易发生极端降水事件,造成城市洪涝灾害;(2)多时间尺度下,SPEI值对于降水、气温等气象因素的响应敏感程度不一,日尺度敏感程度最强,其他尺度趋于平缓,同时,随着尺度的增加对应的洪涝事件占比逐渐减少;(3)贵阳市发生洪涝的年份占总年份的20%,SPEI-12上升趋势显著,SPEI-3春季和秋季突变发生频繁,秋季则呈显著上升趋势,说明季节性洪涝有增强趋势;(4)SPEI-1存在准31个月和准14个月的周期变化特征。

由尺度函数构造小波的一个充要条件

对由尺度函数g生成的L2(R)上的多分辨分析以及小波空间W0,我们给出由尺度函数g构造出W0中的小波h的方法,建立了{h(x-k)}是W0的Riesz基的充分必要条件,将程正兴等在尺度序列属于l'空间限制下得到的g和h的分解关系推广到l2空间。

改进YOLOv8的轻量化轴承缺陷检测算法

针对工业轴承表面缺陷检测算法精度低、模型参数量大的问题,提出一种改进YOLOv8的轻量化目标检测算法(MFA-YOLOv8)。首先,设计了一种轻量化多尺度特征卷积模块EMFC,基于此重构了主干和颈部部分C2f中的Bottleneck结构,保持轻量化的同时还有效地捕获不同尺度信息的细节特征;其次,引入焦点调制模块FM,提升模型对缺陷目标的表征能力和感受野;最后,引入注意力尺度序列融合模块ASF,进一步提升网络对轴承缺陷的检测精度,减小参数规模。实验结果表明,在GGS数据集上,MFA-YOLOv8的检测精度mAP@0.5高达91.5%,较YOLOv8检测精度提升了2.4%,参数量下降了21.9%,可满足工业现场轴承外观缺陷检测要求。

基于ASF-WIoU-YOLOv8的无人机航拍图像多目标检测算法

针对无人机航拍图像的多目标检测问题,本文提出了一种基于改进YOLOv8的目标检测算法ASF-WIoU-YOLOv8。首先,在YOLOv8的基础架构上,加入一种注意尺度序列融合机制(Attentional Scale Sequence Fusion-ASF),该机制能够对不同尺度的特征图进行融合,从而获得更好的图像特征,提取出更丰富、更准确的特征信息。然后,对损失函数进行改进,引入Wise-IoU机制,该机制通过自适应地调整权重系数提高目标检测的灵活性和鲁棒性,从而进一步提高算法的检测精度。实验结果表明,在VisDrone数据集上,本文所提算法比YOLOv8算法的平均精度mAP50提升了2.0%,该算法在无人机航拍图像上具有更高的检测精度。

基于ASF-YOLOv8的交通场景多目标检测算法

针对复杂交通环境下的多目标检测问题,本文提出了一种改进YOLOv8的目标检测算法ASF-YOLOv8。首先,在YOLOv8的基础架构上,加入一种注意尺度序列融合机制(Attentional Scale Sequence Fusion, ASF),该机制能够对不同尺度的特征图进行融合,从而获得更好的图像特征,提取出更丰富、更准确的特征信息。然后,对损失函数进行改进,引入Inner-IoU,通过辅助边框计算IoU损失,进一步提高算法的检测精度。实验结果表明,在VisDrone数据集上,本文所提算法比YOLOv8算法的平均精度mAP50提升了1.4%,该算法在复杂交通环境下具有更高的检测精度。

小波滤波在时间序列频繁模式挖掘中的应用

与布尔型数据的频繁模式挖掘相比,时间序列的频繁模式挖掘是一个相对复杂的问题,目前对此类问题还缺少深入的研究.通过对小波滤波的研究,提出了一种时间序列的频繁模式挖掘算法,Frequent-Wavelet算法.该算法的特点是采用多孔平滑滤波器组对时间序列做低通平滑处理,用得到的多个尺度序列表示原序列,较好地解决了时间序列的平凡相似问题和时间轴伸缩问题.实验表明,Frequent-Wavelet算法对于时间序列的频繁模式挖掘具有较好的效果.

a尺度紧支撑双正交多小波

本文给出一种由双正交多尺度函数构造双正交多小波的方法 ,其构造方法如构造双正交单一小波那样容易 .

L^2([0,1]~d)的周期多尺度分析的特征

给出Ｌ２（［０，１］ｄ） 的周期多尺度分析的一个特征，并研究了尺度函数序列的特征．

一种小波分解回声状态网络时间序列预测方法

针对多尺度时间序列各尺度发展趋势及整体预测问题,建立小波分解回声状态网络预测模型(wavelet decomposi-tion and echo state networks,WDESN),根据各尺度的不同性质选取与之相匹配的回声状态网络模型(echo state networks,ESN),同时,通过在各尺度条件下引入权值系数实现预测分量最优整合,提高整体预测精度。预测带噪多尺度正弦序列实验表明:WDESN模型与ESN、支持向量机及BP神经网络模型相比预测精度较高。目前,该模型已成功用于移动通信话务量的预测,并满足了现实系统的精度要求。

基于FSDAF模型的红树林月尺度动态变化监测

【目的】红树林是一种生长在海陆过渡地带的特殊珍稀木本植物群落,具有较高的经济价值,同时还能提供多种生态服务功能。然而,由于自然和人为干扰的双重影响,使红树林资源受到严重威胁,红树林资源保护工作迫在眉睫。红树林空间分布的准确获取及动态变化监测是红树林科学保护工作顺利开展的前提。目前光学卫星影像仍是大区域研究最常用的遥感数据源,但由于红树林所处海陆过渡地带多云雨,而常用中高分辨率光学卫星影像则受云雨影响较大,导致不易获取连续的高质量影像数据,致使现有变化监测频率多为年际变化,监测结果难以为红树林资源保护提供及时有效的数据支撑。【方法】时空融合模型通过将低空间分辨率影像与高空间分辨率影像融合从而预测某一时期影像,为基于离散光学影像重建连续高质量光学影像提供了可能,而FSDAF模型作为常用的时空融合模型,不仅模型所需影像数量较少,且对异质性较高区域有较强适用性。因此,本研究拟采用FSDAF模型,将Sentinel-2、Landsat-8与MODIS进行融合,从而构建以月为时间尺度的连续时间序列影像,并采用优选特征的面向对象随机森林分类方法提取月尺度时间序列红树林空间分布,进而实现红树林资源月尺度动态变化监测。【结果】基于FSDAF模型所得融合影像与原始影像高度相似,在无云区域两影像相关系数R^(2)为0.92,有云区域相对较低,R^(2)为0.73。同时,基于优选特征组合的面向对象随机森林分类方法能够实现红树林空间分布的精确提取,总体精度为96.84%,Kappa系数为0.88。基于月尺度时间序列红树林空间分布提取结果可知,2018年、2019年、2020年9—12月红树林面积分别增加了0.61、0.37和0.33 km^(2),而2018—2020年8—12月各月红树林面积分别增加了0.15、0.52、0.41、0.24、0.02 km^(2),由此可知2018—2020年不同月份红树林面积变化差异不同,最大差异为0.52 km^(2),而最小差异仅为0.02 km^(2)。【结论】1)基于FSDAF模型不仅可生成所需月份的影像数据,而且生成的融合影像与原始影像相关系数较高,可用于红树林月尺度动态变化监测。2)基于优选特征组合的面向对象随机森林分类方法能够实现红树林空间分布的精确提取。3)基于FSDAF模型生成的月尺度时序影像数据可实现红树林月尺度动态变化监测,提高了监测的时间频率,有利于发现红树林的变化并及时采取措施,可为红树林资源保护与恢复提供更加及时的数据支持。

α尺度向量小波

向量小波是近年来新兴的小波研究方向 ,它具有一维小波所不具备的优良性质 ,但在构造上有较大的难度。将 2尺度向量小波的一些结论推广到α尺度向量小波的情形 。

α尺度双正交向量小波包

讨论了α尺度双正交向量小波的性质 ,给出α尺度双正交向量小波包的一些特性 ,并作出平方可积空间L2 (R)的α尺度双正交向量小波包分解。

Meyer型正交小波基的构造与性质

本文基于多分辨分析理论与Ａ．Ｗ．Ｗ方法将Ｍｅｙｅｒ正交小波的构造规范化，给出其设计方法．并证明此类Ｍｅｙｅｒ型小波母函数ψ（ｘ）及相应的尺度函数■（ｘ）具有优良的性质，如速降性 Ｏ（｜ｘ｜－Ｎ－１）（｜ｘ｜→∞）、 Ｎ阶消失矩、线性相位、对称性、频谱有限性、并且双尺度序列（滤波器）ｈｎ＝■（ｎ／２）等．

基于网格量化和区间均值的动态目标识别

动态目标识别中,当摄像机和目标之间相对距离变化时,对于同一目标的多尺度序列图像,虽然目标区域图像大小和清晰度不同,但整体结构分布具有相似性和一致性。根据这一特点,提出基于目标区域网格量化的方法。在目标区域上形成采样网格,通过相对量化提取结构特征矩阵。对于同一目标序列图像中的每一个目标区域,其结构特征矩阵基本不变。结构特征矩阵反映象素分布的自相关性质。进一步,对由干扰引起的灰度值结构分布误差,采用网格区间均值的方法加以解决。目标区域网格量化是对相邻采样点的差值进行量化匹配。区间均值是对少数相邻采样点的进一步匹配。实例表明,本文的方法运算速度快、可靠性高,达到了实用目的。