基于整体经验模态分解和支持向量回归的北京市PM2.5预测

为了更好地掌握大气中PM2.5浓度的变化规律,利用EEMD-SVR混合模型对该地区的PM2.5浓度值进行了短期预测。首先,通过采用整体经验模态分解(EEMD)方法分析北京市PM2.5,把原始时间序列分解成多个固有模态函数和趋势项;然后,对各阶固有模态函数进行周期性分析,揭示了北京市PM2.5的周期性变化特点;最后,对经过EEMD分解后的各阶固有模态函数和趋势项用支持向量机回归(SVR)方法进行预测。结果表明,EEMD-SVR混合模型比单一的SVR模型预测精度更高。

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60%,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数(IMF)分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。

自适应噪声整体经验模态分解法在CORS站数据处理中的应用

为了有效消除CORS站点高程时间序列噪声,提出采用EEMDAN信号处理方法。该方法可以改进信号在EEMD分解时产生的模态混叠问题。以某市CORS站点高程时间序列为试验数据,选取相关系数、均方根误差、正交性指标以及能量密度与平均周期的乘积等定量指标,验证EEMDAN方法的有效性与优化性。结果表明,经EEMDAN方法处理的IMF分量IO值比EEMD方法处理的IMF分量IO值低53.7%,分解精度更高;EEMDAN重构后的信号均方根误差比EEMD重构后的信号均方根误差减少21.5%,相关系数增加2.1%,说明采用EEMDAN方法重构信号的效果更好。

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。

基于整体经验模态分解的金融高频数据波动率估计研究

针对金融高频数据波动率的估计问题,借鉴小波变换思想,首次利用整体经验模态分解方法实现了高频数据波动率估计.首先,通过模拟数据验证了方法的可行性和有效性;其次,以日内高频数据为研究对象,并将分别利用经验模态分解和整体经验模态分解方法计算所得的波动率与已实现波动率进行了对比.结果表明,自适应分解方法可有效实现高频数据波动率估计,但整体经验模态分解要优于经验模态分解方法.该方法为高频数据波动率的非参数估计提供了新的解决途径,具有重要的推广与应用价值.

联合主成分分析-小波与整体平均经验模态分解的锋电位去噪方法

多通道微电极阵列记录的锋电位(Spike)十分微弱,极易受干扰,其含噪的特性影响了Spike检出的准确率。针对Spike检测过程中通常存在的独立白噪声、相关噪声与有色噪声,本文结合主成分分析(PCA)、小波分析和自适应时频分析,提出PCA-小波(PCAW)与整体平均经验模态分解(EEMD)联合的去噪新方法(PCWE)。首先,利用PCA提取多通道神经信号通道间的主成分作为相关噪声去除;然后利用小波阈值法对独立白噪声进行去除;最后利用EEMD把噪声分解到各层本质模态函数中,对有色噪声进行去除。仿真结果表明,PCWE使信噪比约提高2.67 dB,标准差约减小0.4μV,显著提高了Spike的检出精确率;实测数据结果表明,PCWE能使信噪比约提高1.33 dB,标准差约减小18.33μV,表现出良好的去噪性能。本文研究结果表明,PCWE可以提高Spike信号的可靠性,或可为神经信号的编码解码提供一种新型有效的锋电位去噪方法。

HHT-EEMD用于IGS站高程时间序列分析

利用经验模态分解(EMD)和整体经验模态分解(EEMD)方法,将BJFS站2000~2015年高程时间序列进行分解,发现其不仅存在1a、0.5a、0.25a、2个月、1个月以及长周期等周期项,还存在以往方法很难探测出来的近似2a周期信号。与EMD分解结果对比,整体经验模态分解可以明显减弱模式混叠现象。对各分量进行Hilbert变换(HHT),得到时间-频率-能量的Hilbert频谱图。结果表明,年周期和2a周期变化是高程运动的主要贡献项。利用小波变换方法对比验证EEMD的分解结果表明,与小波分析相比,EEMD重构信号与高程序列差异的RMS更小,证明了HHT-EEMD方法在数据资料分析过程中的有效性。对环境负载及GRACE负载造成的测站位移进行功率谱分析得出,环境负载确实会造成IGS站高程时间序列的1a、0.5a以及季节性运动,GRACE负载还验证了2a信号的存在。

原子钟频差数据去噪算法的研究

为降低原子钟频差的噪声,根据其数据非线性非平稳的特征,将整体经验模态分解用于原子钟频差去噪算法。首先将原子钟频差数据叠加一定强度的白噪声;然后进行经验模态分解,如此重复多次;最后将各分量叠加求平均得到去噪的原子钟频差序列。从时域和频域上分别分析了该算法的去噪效果,并与小波阈值去噪算法进行了比较。结果表明,该算法有效地去除了原子钟频差数据序列中的噪声,将方差由小波算法的2.707%降为0.7263%,数据变得更加平稳。

基于EEMD和SVR的人民币汇率预测

采用整体经验模态分解(EEMD)方法分析人民币兑美元汇率,通过对各阶固有模态函数进行分析,揭示了人民币兑美元汇率在不同尺度上的信息.分别利用支持向量回归模型(SVR)和混合模型(EEMD-SVR)对人民币兑美元汇率进行预测,得出EEMD-SVR混合模型的预测具有较高精度,其预测结果对经济发展策略的制定具有重要的参考价值.

中国煤炭市场现状剖析与国际煤价走势研究

近年来我国已成为世界第一煤炭生产国、消费国和进口国。2013年实施电煤价格并轨后,我国国内煤价与国际煤价的波动趋势也将日趋一致。在国内煤炭供给过剩的情况下,我国煤炭进口却仍在大幅增加,对我国煤炭市场造成了较大影响。因此,准确预测国际煤炭价格既有利于择机进口煤炭,也有助于进一步完善国家煤炭应急储备机制。通过整体经验模态分解(EEMD),非平稳煤价序列被分解重组为正常市场波动、重大事件影响、长期趋势等具有不同经济含义的时间序列。这三项时间序列被用于支持向量机(SVM)组合建模对国际煤价进行了一年内短期预测。研究发现:2013年国际煤炭价格将呈整体下跌趋势,趋向长期趋势线,并处于低位小幅波动。

分数阶Fourier变换域中网络流量的自相似特性分析

通过分析网络流量数据在FrFT域的统计特性发现,实际网络流量在FrFT域满足自相似性,进一步地,针对网络流量在FrFT域的"时域"和"频域"展开,分别给出了基于改进的整体经验模态分解—去趋势波动分析(MEEMD-DFA)的Hurst指数估计法以及基于加权最小二乘回归(WLSR)的Hurst指数自适应估计法。实验结果表明,相比于现有估值算法,MEEMD-DFA法具有较高的估计精度,但计算复杂度高;而FrFT自适应估计法则具有更优的估计顽健性,且计算复杂度较低,可作为一种实时在线估计真实网络数据Hurst指数的方法。

基于EEMD和Husrt指数的GNSS基准站的垂向速率估计

连续的全球卫星导航系统(GNSS)基准站的坐标时间序列中包含了复杂的噪声信号、非构造形变及其它因素的影响,尤其在垂直方向,对GNSS基准站在国际地球参考框架(ITRF)下的运动速率估计产生了较大的干扰。为进一步提高速率精度,文中采用整体模态分解(EEMD)方法对GNSS基准站的垂向观测时间序列进行分解,并根据各种信号的Hurst值进行分类及重构为噪声信号、季节性信号和长期趋势信号,采用最小二乘方法拟合长期趋势信号得到垂向速率。通过对中国大陆构造环境监测网络(CMONOC)的GNSS台站从2001—2013年近13a的垂向坐标时间序列的实例分析,采用基于EEMD和Husrt指数的最小二乘法能够准确地估计GNSS基准站的垂向速率。

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取,进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。

锋电位检测信号的EEMD去噪方法研究

神经元锋电位(spike)是研究大脑信息编码的基础,因其宽带、小幅值等特点而极易受噪声干扰。针对spike信号的间歇性及非平稳性,采用经验模态分解(EMD,Empirical Mode Decomposition)的改进算法--整体平均经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)对spike检测信号进行分解并结合小波阈值法进行去噪。EEMD能将信号中间歇性成分有效分离出来,解决了EMD产生的模态混叠问题。基于仿真和实测数据将其与EMD去噪方法及多元小波去噪法进行比较,结果表明:EEMD去噪方法不仅有效提高了spike检测信号的信噪比,而且降低了spike波形的畸变。在3种去噪方法中,EEMD去噪方法效果最为显著,对仿真信号的信噪比平均提高了4.177 2d B。为随后spike信号的分类和信息编码奠定了良好基础。

基于EEMD和HOC的超宽带雷达生命探测算法研究

针对超宽带生命探测雷达回波信号属于非线性、非平稳等特点,提出了一种基于EEMD和HOC的超宽带雷达生命探测算法。通过对雷达回波信号进行EEMD分解,将信号自适应分解为若干个本征模态函数(IMF),然后计算各个IMF分量在呼吸和心跳频带内的能量百分比重构呼吸和心跳信号,最后对重构的呼吸和心跳信号的四阶累积量进行FFT变换,获得呼吸和心跳的频率。实验结果表明,文中提出的算法比EEMD重构后直接进行FFT变换具有更高的信噪比和频率估计精度,可有效应用于生命探测雷达人体信号检测中,具有广阔的研究价值和应用前景。

基于EEMD与RBF神经网络的网络流量预测

网络流量预测对于网络性能和服务质量的提高具有重要意义。提出一种基于整体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)与径向基函数RBF(Radial Basis Function)神经网络的预测模型,利用EEMD将长相关流量转化为短相关流量并应用RBF神经网络模型对流量数据进行建模及预测,不仅降低了算法的复杂度,而且有利于网络流量的实时预测。仿真试验结果表明,相比于自回归分数综合滑动平均模型FARIMA(Fractional AutoRegressive Integrated Moving Average Mode)、RBF神经网络模型及EMD(Empirical Mode Decomposition)与自回归滑动平均模型ARMA(AutoRegressive Moving Average Model),该模型具有更高的预测精度和良好的自适应性。

EEMD生命探测雷达人体数量识别技术

针对生命探测雷达回波信号的非线性、非平稳性和难以获得大量实验样本的实际问题,提出了一种基于EEMD奇异值和支持向量机的多人识别方法。通过对雷达回波信号进行EEMD分解,将信号自适应分解为若干个本征模态函数(IMF),然后对特征向量矩阵进行奇异值分解求出特征向量,最后将特征向量输入支持向量机的分类器进行模式识别,判断墙体后面的人体数量。实验结果表明,所提出的方法识别速度快,识别率高,可有效应用于生命探测雷达的人体数量识别,具有广阔的应用前景。

基于EEMD与DFA的Hurst指数估计

去趋势波动分析(DFA)是一种研究时间序列长相关幂律特性的简单而有效的方法,其中关键的去趋势步骤就是获取序列在不同时间尺度上的局部波动函数。提出采用整体平均经验模态分解(EEMD)确定局部趋势项,去趋势操作通过移除基于EEMD的局部趋势项完成,从而给出了一种基于EEMD的DFA方法,并将其用于时间序列的Hurst指数估计。采用分形高斯噪声(FGN)和真实网络流量数据的仿真结果表明,该方法具有较好的估计效果,相比于基于EMD的DFA估计法,具有更高的估计精度。

基于EEMD的验潮站水位序列降噪方法

验潮站水位序列是研究海平面变化的重要基础数据,针对验潮站水位序列中夹杂的噪声对海平面变化速度估计的负面影响,提出一种基于整体经验模态分解方法(EEMD)的降噪新方法。该方法通过EEMD进行水位序列分解,并以相关系数进行高频噪声与低频信号分离,以提高验潮站水位序列速度估值的确定精度。通过对美国西海岸的10个长期验潮站进行实验分析,实验结果表明经本文所提出的方法降噪后的验潮站水位序列能清晰地反映站点长期的变化趋势,其海平面变化速度不确定度平均减小0.122 mm/年,并且在较高纬度地区效果更为显著。