基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法

在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解(CEEMDAN)算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数(IMF),然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。

基于完全自适应噪声集合经验模态分解与小波变换相结合的GPS/BDS-3多路径误差削弱研究

多路径误差是GNSS短基线相对定位过程中主要的误差源,已经影响定位的精度。针对经验模态分解(EMD)存在断点效应和模态混叠问题,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)-小波变换(WT)的提取GNSS多路径的方法。通过两天的GPS/BDS-3的实测数据处理分析,实验结果表明,采用CEEMDAN-WT提取多路径相关系数高于小波分析、经验模态分解(EMD),实时削弱多路径误差中使用CEEMDAN-WT比其他两者方法效果更好。

基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

融合 OCEEMDAN的多模态互量纲一化与宽度学习改进的智能故障诊断

滚动轴承作为旋转机械的重要组成部分,在恶劣环境运行导致振动信号具有非线性和非平稳的特点,使得区分故障信号和正常信号变得困难。针对此,提出一种结合多模态互量纲一化(MMDI)与宽度学习系统(BLS)的智能故障诊断方法。通过优化完全自适应噪声集合经验模态(OCEEMDAN)与小波阈值对轴承观测信号进行分解处理,对有效的本征模态函数(IMF)重构并提取MDI,构建了一批MMDI;采用反向传播算法(BP)与堆叠模块方式优化BLS,改进的BLS算法能够快速识别不同的故障类型;最后通过凯斯西储大学轴承数据中心与某实验室提供的轴承数据集对所提方法进行验证,平均准确率分别为99.8%与100%,验证了方法的有效性。

基于改进CEEMDAN的深度学习电煤库存STIFM

准确预测燃煤电厂的电煤库存是优化能源储存、保障电力供应的重要依据。针对实际生活中短期电煤库存呈不平稳性、随机性和局部突变等特点,提出一种基于改进CEEMDAN分解的TCN-BiGRU-Attention组合模型电煤库存短期预测方法,分析电煤库存特征并选取主要影响因素,将影响因素通过词向量的方式构建成新时序序列,利用于完全自适应噪声集合经验模态分解(Complete EEMD with Adaptive Noise, CEEMDAN)分解数据后通过零率(Zero Crossing Rate, ZCR)将分量分类为高、中和低频并叠加求和,通过时序卷积网络(Temporal Convolutional Network, TCN)提取不同频段时序序列的隐藏特征,以特征向量的方式输入双向门控循环神经网络(Bidirectional Gated Recurrent Unite, BiGRU),并结合Attention机制(Attention Mechanism)给予不同权值突出关键特征并产生预测结果,将各频段序列预测结果求和产生最终预测结果。结果表明,上述模型比单一和其它组合模型预测结果更准确。

基于ICEEMDAN分解与SE重构和DBO-LSTM的滑坡位移预测

滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、样本熵(SE)以及蜣螂算法(DBO)优化的长短期记忆网络(LSTM)组合模型进行位移预测。以八字门滑坡为研究对象,利用ICEEMDAN方法将滑坡累计位移进行分解,并用样本熵值表征分解得到的子序列,将其重构为趋势项和周期项位移。之后利用LSTM模型预测趋势项和周期项位移;通过灰色关联度的方法确定周期项位移的影响因素。考虑到LSTM网络中超参数的随机性会影响模型预测精度,引入蜣螂优化算法获取LSTM最优超参数,最终将预测得到的趋势项和周期项位移叠加得到累计位移。本文所提的ICEEMDAN-SE-DBO-LSTM模型预测周期项位移的RMSE、MAE、R23项指标分别为1.803 mm、1.584 mm、0.988,相较于DBO-BP,LSTM,GRU和BP模型预测效果更优,证明了模型的有效性。

基于两层分解和极限学习机的河流水质预测

针对城市河流水质中的化学需氧量和高锰酸盐指数无法有效预测的问题,提出一种基于两层分解方法和极限学习机的河流水质预测方法。引入改进的自适应噪声完备集合经验模态分解(improved complete ensemble EMD,ICEEMDAN)分解原始水质时间序列,分频处理子分量为高频分量和低频分量,加入变分模态分解(variational mode decomposition, VMD)对高频分量进行二次分解,建立关于所有分量的极限学习机(extreme learning machine, ELM)和最小二乘支持向量机(least square support vector machine, LSSVM)预测模型,将各分量预测值线性相加得到最终的预测结果。以苏州市水道的水质数据集作为样本进行实验,上述方法得出化学需氧量和高锰酸盐指数的平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别为0.076、0.158、2.674%和0.182、0.193、0.673%,在识别和分析关键水质参数方面的稳健性优于其它对比模型,克服了集合经验模态分解(ensemble empirical mode decomposition, EEMD)重构过程中出现的模态混叠问题,特别是在高频分量情况下,能够做到预测更加有效。

改进BBO优化BP神经网络的短期风电功率预测模型

为了提高预测模型在处理风电功率时间序列数据中的复杂模式和非线性特征时的识别能力,提出了一种新的预测模型。通过改进完全自适应噪声集合经验模态分解算法进行信号处理,然后根据改进生物地理学优化算法对反向传播神经网络进行初始权重优化,进一步提升短期风电功率预测的准确度和稳定性。通过实际应用案例表明,与其他优化算法相比,提出的模型在MAE、RMSE和MAPE上的表现分别平均提高了43.21%、37.98%和36.84%,显示出更高的预测准确度,仿真结果验证了本方法在短期风电功率预测领域的效果及其明显的优势。

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。

基于模态分解和机器学习的水平辐照度预测方法研究

光伏电站日渐发展成为新能源的焦点,准确、可靠的水平辐照度(GHI)预测是解决光伏电站相关问题的方法之一。因此,提出了一种有效的混合模型CEEMDAN-RF-LGBM-XGB,用于预测每小时的水平辐照度。首先,完全自适应噪声集合经验模态分解(CEEMDAN)将非线性和非平稳性的气象变量序列分解为若干个模态函数,依据对水平辐照度的影响程度,随机森林将分解的模态函数进行特征提取,降低数据复杂度,达到降维的目的,完全自适应噪声集合经验模态分解和随机森林相结合得到一组简单且信息量丰富的影响因子。其次,利用轻量级梯度提升机算法对中国三个不同气候地区的水平辐照度进行预测,得到初始的水平辐照度预测值。针对预测模型训练中产生的固有误差,引入极致梯度提升算法进行误差修正,提升模型的预测性能。针对一些混合模型和独立模型对所提模型的性能进行了测试。测试结果显示,最小%RMSE (%MAE)提高了23.14% (24.45%)。实验结果证明所提出的模型具有最高的预测精度,且提出的混合结构模型均提高了单一模型的预测能力。

基于改进HHO算法的碳交易价格组合预测研究

为提高碳交易价格预测精度,建立了多策略改进哈里斯鹰算法的碳交易价格组合预测模型。一方面对碳交易价格序列的高频和低频序列分别建立ARIMA模型和指数平滑模型,通过加和对碳交易价格进行预测。另一方面综合考虑碳交易价格的经济指标和技术指标,通过Pearson相关系数筛选出6个与下一日碳交易价格高度相关的变量作为解释变量,建立多策略改进哈里斯鹰优化极限学习机模型(THHO_ELM)。最后,对模型I和模型II建立基于l_(p)范数的组合预测模型。结果表明,组合预测模型优于单一的分类模型。

基于改进ICEEMDAN的肌电干扰去除算法

肌电干扰使心电信号产生细小波纹,频率分布范围宽广,严重影响心电图的准确性,不利于病情诊断。针对心电信号中肌电干扰去除效果不好的问题,提出基于改进的自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的心电信号肌电干扰去除方法。对含有肌电干扰的心电信号进行ICEEMDAN自适应分解,得到一系列频率由高到低的模态分量,并计算每组分量样本熵,选择合适的分量进行提升小波阈值去噪,进而重构去噪处理后的分量和未经处理的分量完成去噪过程。选取MIT-BIH数据库提供的心电信号作为原始心电信号,仿真结果表明,该方法在不同信噪比肌电干扰下,去噪效果较好,尤其在20 dB肌电干扰下,能够显著提高信噪比,降低均方根误差且能比较完整地保留有效信号。

基于CEEMDAN-小波包自适应阈值混凝土声发射信号降噪研究

为了得到更加纯净的混凝土声发射(acoustic emission, AE)信号来更准确地监测混凝土结构破裂过程,提出了一种完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition, CEEMDAN)与小波包自适应阈值联合方法对循环荷载作用下的混凝土声发射信号进行降噪处理,运用信噪比和快速傅里叶变化(fast Fourier transform, FFT)分析来验证所用方法的可行性。实验结果表明:结合CEEMDAN-小波包自适应阈值对混凝土声发射信号进行降噪的效果较好,能有效地保留混凝土声发射信号特征信息,对混凝土声发射信号降噪提供新的思路,为后续利用声发射信号分析混凝土结构内部微裂纹扩展及演化特征奠定基础。

基于CEEMDAN和ICA的油气勘探大地电磁噪声消除方法

大地电磁(MT)信号中的噪声会严重影响大地电磁勘探的观测数据,导致后续反演、解释工作出现严重偏差,影响油气勘探效果。为此,提出了一种基于带自适应噪声的完全集合经验模态分解(CEEMDAN)和独立分量分析(ICA)的噪声消除方法。该方法将经验模态分解(EMD)中的CEEMDAN方法与盲源分离(BSS)中的ICA方法进行有效结合。首先,利用改进的端点检测技术识别电磁信号中的有噪声信号分段;其次,利用CEEMDAN方法对其进行分解,提取具有代表性的固有模态分量(IMF)分量并进行ICA处理,达到消除噪声的目的;然后,利用获得的独立分量对有用MT信号进行逆向重构;最后,将未受噪声污染的MT信号与去噪后的有用MT信号进行拼接,获得最终的消噪后的完整MT信号。对合成信号和实测MT数据的实验结果表明,该方法能有效消除MT信号中的噪声。

基于CEEMDAN与改进小波阈值的电缆局部放电信号降噪方法

对检测到的电缆局部放电信号降噪是实现电缆绝缘诊断与评估的前提,为此提出一种基于自适应噪声的完备集合经验模态分解(CEEMDAN)与改进小波阈值的电缆局部放电信号降噪方法。首先,采用CEEMDAN算法将染噪局部放电信号进行分解,得到数个模态分量;然后,计算模态分量的峭度值,筛选出有效特征分量并重构;最后,将重构信号通过改进小波阈值法再次降噪去除冗余噪声,得到降噪后的局部放电信号。将该方法、传统小波阈值法及集合经验模态分解与改进小波阈值法分别用于不同噪声强度下局部放电仿真信号的降噪处理,结果表明该方法具有更高的信噪比与波形相似系数,能有效抑制周期性窄带干扰与白噪声。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。