基于自适应Fourier分解和机器学习的投资者信心指数预测研究

通过AFD去噪分解选取的相关变量,结合门控循环单元(GRU)神经网络模型提出一种基于自适应Fourier分解(AFD)和机器学习的投资者信心指数预测方法——AFD-GRU预测模型,同时采用多个基准模型进行对比分析。研究表明:对于月度投资者信心指数数据,AFD方法结合机器学习模型预测结果更优;针对结构复杂的非线性多变量数据,AFD-GRU预测模型有更好的泛化能力,其预测精度优于其他基准模型。实证结果显示,AFD-GRU模型能够有效预测投资者信心指数的变化趋势,预测精度高且波动性较小,具有一定的实用价值。这一方法有望在金融、统计等领域得到广泛应用。

基于自适应Fourier分解-同步提取变换的机械故障诊断方法

传统的同步提取变换方法(synchronous extraction transform,SET)用于机械故障诊断时,要求多分量信号满足各相邻模态的瞬时频率差大于所选取的SET窗函数频率支撑范围的2倍,否则容易产生频率混叠,实际信号往往无法满足该条件。此外,信号受到噪声的影响,难以获得故障的瞬时频率。针对传统的同步提取变换在机械故障诊断中存在的不足,结合自适应Fourier分解(AFD)和同步提取变换的各自优点,提出了一种基于AFD-SET的机械故障诊断方法。该方法能够有效处理频率接近的非平稳信号,准确地表达信号的瞬时频率,并且具有很快的收敛速度。仿真结果表明,提出的方法能够有效解决传统SET方法中的频率混叠,并具有更高的时频聚集性。将提出的方法应用到滚动轴承故障诊断中,诊断结果表明,该算法正确有效,能够有效提取出故障信号的频率特征。

自适应Fourier分解思想在再生核W_(2)^(1)[a,b]空间的应用

在再生核W_(2)^(1)[a,b]空间中研究自适应正交贪婪分解算法,利用能量下降最快的原理自适应性地构造出最佳n项逼近函数,并从理论上证明其收敛性成立。最后,实验验证了在W_(2)^(1)[a,b]再生核空间中,利用正交贪婪原理构造的n项数值原函数比用等分结点构造出的最佳n项数值原函数收敛效果更优。

面向无人机海上侦察任务的自适应粒度分解策略研究

无人机海上侦察作战任务自动规划的前提是任务分解,分解策略的通用性和分解粒度的合理性直接影响任务规划的速度和实际效果。对无人机海上侦察任务具有随机性强、复杂度高、动态性明显等特点,提出了一种基于军事领域知识库的无人机海上侦察任务自适应粒度分解策略,构建了无人机海上侦察领域知识图谱和自适应粒度任务分解模型,并以海上编队护航背景下的无人机侦察任务为例,实施了任务分解策略验证,结果表明分解策略较传统任务分解方法具有更佳的稳定性和适应性。

基于动态模态分解-自适应变步长油浸式电力变压器绕组瞬态温升快速计算方法

为了改善当前油浸式电力变压器绕组瞬态温升计算过慢的问题,该文结合动态模态分解法和自适应变步长法提出了一种动态模态分解(DMD)-自适应变步长(ATS)快速计算方法。首先,该方法引入了动态模态分解算法,利用动态系统中前若干时步提取得到的变化特征,近似拟合其后一段时间内的系统变化,并通过选取主模态降低计算时间。其次,为了提高DMD算法性能,进一步提出结合ATS方法,通过自适应调整计算步长,提高瞬态计算效率;为了验证算法的计算精度和效率,建立了八分区分匝绕组数值传热模型并在此基础上将该文所提算法与仿真软件Fluent的计算结果进行对比,结果表明,在计算精度方面,二者结果几乎一致,计算误差最大不超过0.3 K;对于计算效率,该文算法的总计算时间为5.99 s,仅为Fluent总计算时间的1/89,且算法时间步数仅为Fluent的4.7%。最后,为了验证DMD-ATS算法的工程实用性,基于产品级油浸式电力变压器绕组结构搭建温升实验平台,并将所提算法计算结果与实验结果进行对比,结果表明所提算法在各测量线饼的误差均处在可接受的范围内,最大误差仅为4.57 K,且包含预处理时间在内的计算时间仅为69.14 s,计算时步仅需17步,较当前主流的计算方法效率有明显提高。综合算法的精度和效率,充分说明所提算法具有一定工程价值。

采用变分模态分解与领域自适应的表面肌电信号手势识别

针对传统机器学习在表面肌电信号手势识别领域的适应性和准确性不足,以及新用户因个体生理和行为差异在已有模型上表现不佳的问题,提出一种利用卷积神经网络模型并有效克服肌电数据分布差异的算法,用于提升手势识别的性能。首先对肌电信号进行变分模态分解,构建易于识别的表面肌电图像,并提出了一种卷积神经网络模型进行手势识别,提升用户相关的肌电信号手势识别准确率;同时利用迁移学习中的领域自适应和模型微调技术,提升用户无关的肌电信号手势识别准确率,并将所提算法在NinaPro DB1肌电数据集中进行了3分类、4分类、5分类和12分类共4组评估验证。结果表明:在4组评估验证中,用户相关的肌电信号手势识别平均准确率分别达到了99.28%、99.30%、98.39%和93.40%,用户无关的肌电信号手势识别平均准确率分别达到了94.05%、92.60%、88.38%和70.03%,表明本文提出的算法在表面肌电信号手势识别中具有良好的效果,为实现人机交互中的普适性的肌电设备开发提供了一种可行的方案。

两级自适应调频模式分解-同步提取变换的故障诊断方法

同步提取变换(Synchroextracting Transform,SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊,导致难以精确提取快速波动的瞬时频率。针对此问题,结合自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)的自适应先验信息和贪婪算法的优势,将ACMD引入到SET中,构造一种两级ACMD-SET故障诊断方法。在提出的方法中,将基于基尼指数(Gini Index,GI)最大化准则的分量选择重组算法和第一级ACMD结合,提取出强干扰下的多模态故障脉冲信号的模式。然后,利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中,得到高分辨率的故障特征,方法的有效性得到验证。最后,将所提方法应用于航空发动机高速滚动轴承的振动信号分析中,结果表明,所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率,其结果明显优于SET方法。

张量分解和自适应图全变分的高光谱图像去噪

高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。

一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

基于自适应变分模态分解的组合模型风电功率预测

风电机组出力的高波动与随机性,影响电力系统安全稳定运行与风电预测精度,针对此提出结合风电功率波动特性研究的风电功率预测方法。首先从时间与机组规模尺度分析风电功率波动特性,并指导选取合适的风电数据用于风电功率预测;然后建立基于最小二乘支持向量机的风电机组短期功率预测模型,采用自适应变分模态分解实现风电数据分频,并采用改进粒子群优化最小二乘支持向量机模型中影响回归预测的模型参数。实验结果表明,预测模型自适应性较强,通过预测误差评价指标,可证明预测方法的有效性。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

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。

基于自适应投影多元经验模态分解的电力系统强迫振荡源定位

近年来,电力系统强迫振荡在电网中频繁发生,严重威胁到电网的安全稳定运行,快速、准确地定位强迫振荡源对抑制强迫振荡具有重要意义,但现有方法在分解具有高差异度多通道广域量测信息时难以准确提取强迫振荡模式分量,严重影响到强迫振荡源定位精度。为此,该文提出一种基于自适应投影多元经验模态分解(APIT-MEMD)的强迫振荡源定位方法。该方法首先采用APIT-MEMD通过构建自适应投影方向向量,实现对发电机多通道广域量测信息的同步分解,分离出表征不同振荡模式的固有模态函数(IMF)分量;然后,借助对数能量熵从众多IMF分量中提取出含强迫振荡模式的IMF分量;在此基础上,根据提取出的强迫振荡IMF分量,计算各发电机的耗散能量流,根据耗散能量流实现强迫振荡源定位;最后,通过WECC 179节点测试系统仿真数据和实际电网同步相量测量装置(PMU)实测数据对所提方法进行分析、验证,结果验证了所提方法的准确性和实用性。

基于自适应变分模态分解的桥梁振动信号降噪

针对实际桥梁结构振动响应信号易受环境噪声的影响,而降噪效果较好的VMD方法存在本征模态函数分解数量难以确定的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition)方法--自适应变分模态分解方法(Adaptive VMD,AVMD),实现了桥梁振动响应信号的自适应降噪。在传统VMD方法的基础上,通过结合EMD方法和主成分分析,解决了VMD方法中本征模态函数分解数量难以确定的问题,并引入多尺度小波分解技术,对受噪声污染的信号进行多尺度分解、优选与重构,进而实现复杂桥梁结构振动信号的降噪。以一座大型悬索桥为工程背景,对桥梁实测振动响应数据进行了降噪与模态参数提取。结果表明,AVMD方法解决了传统VMD方法中本征模态函数分量难以确定的问题,降噪信号所识别出的桥梁结构虚假频率比原始信号所识别出的虚假频率减少了58.82%。

基于注意力时间卷积网络的农产品期货分解集成预测

针对农产品期货时间序列数据受多方面因素影响,非线性、非平稳数据特征难以提取而导致预测准确性不高的问题,基于“分解-集成”的预测思想,本文提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与Transformer-Encoder-TCN的农产品期货预测方法.首先,使用CEEMDAN将时间序列分解为多尺度多频率的本征模态分量(IMF)与残差,降低了序列建模复杂度;其次,使用融合多阶段自注意力单元Transformer-Encoder的时间卷积网络(TCN)对各个分量子序列进行特征提取与预测,优化了序列显著特征建模权重;最后,将各个子序列预测值线性相加集成得到最终预测结果.以南华期货公司农产品指数中的大豆期货指数为研究对象,采用时序交叉验证与参数迁移的方式进行模型重训练,消融和对比实验结果表明,提出的新模型在RMSE、MAE和DS三个评价指标上具有良好的效果,验证了该模型对农产品期货预测的有效性.

基于结构纹理分解的矿井图像增强方法

矿井下存在低照度、多灰尘现象,导致监控视频采集的图像具有光照不均、模糊及细节丢失的问题,影响后续智能图像识别,现有矿井图像增强方法普遍存在图像纹理细节不清晰、视觉效果差的问题。提出了一种基于结构纹理分解的图像增强方法。首先,利用maxRGB算法对原始图像提取初始光照分量,接着构建优化目标函数,依次优化求解初始光照分量中的结构分量、纹理分量及噪声分量:先对初始光照分量进行加权引导滤波,作为先验约束,迭代获得边缘清晰的结构分量;再结合最大邻域差方法和加权平均局部变分构建局部变化偏差函数,作为约束权重,迭代得到细节丰富的纹理分量。然后,将原始图像转换到HSV颜色空间,提取出原始图像的亮度分量,并结合结构分量、纹理分量及噪声分量,利用Retinex理论进行重构,得到增强后的初始亮度分量。为避免亮度过增强,引入带有截断因子的自适应伽马校正(AGCWD)处理图像初始亮度信息,以获得最终的亮度分量。最后,将图像转换到RGB颜色空间,得到增强图像。实验结果表明:①基于结构纹理分解的图像增强算法能保证图像边缘纹理细节更加清晰,减少了图像增强过程中的光晕伪影,且增强后的图像灰度直方图更均衡。②与结构纹理感知Retinex(STAR)算法、联合内外先验(JieP)算法、加权变分模型(WVM)、半解耦分解(SDD)算法、带色彩恢复的多尺度Retinex(MSRCR)算法等5种图像增强算法相比,基于结构纹理分解的图像增强算法的自然图像质量评价指标(NIQE)分别降低了8.69%,29.05%,11.2%,29.53%,33.54%,视觉质量保真度(VIF)分别提高了91.17%,117.86%,59.38%,48.78%,183.12%,信息熵指标(Entropy)分别提高了3.20%,8.02%,4.07%,3.49%,22.68%。③基于结构纹理分解的图像增强算法运行时间仅长于MSRCR算法,但增强效果更好,能够满足矿井下图像增强的需求。

基于参数自适应SVR和VMD-TCN的水电机组劣化趋势预测

针对水电机组难以利用实时监测数据对机组劣化状态进行有效评估,以及水电机组不同运行工况对运行状态指标趋势预测模型参数影响显著的问题,提出一种基于参数自适应支持向量回归机(SVR)、变分模态分解(VMD)和时间卷积网络(TCN)的水电机组劣化趋势预测方法;首先按照功率和水头将机组运行工况细化为若干典型工况,在此基础上采用改进天鹰算法建立SVR模型,对各个工况下的预测参数进行寻优,建立起工况与最优参数的数据;再通过神经网络对工况和最优预测参数进行拟合,构建出映射两者复杂关系的非线性函数,然后将构建出的映射关系加入到传统的SVR中,实现适应于水电机组工况变化的自适应SVR健康模型;其次,根据健康模型输出的标准值和监测数据,计算出劣化趋势序列;最后,考虑到劣化趋势序列的非线性因素,建立了一个基于VMD-TCN的时间序列预测模型,以实现对劣化趋势的准确预测。并设计多组对比实验,验证所提出模型的精度更高,时间更快。

暖通空调小流量风机机械振动信号自适应采集研究

当暖通空调小流量风机运行时,频繁产生的脉冲噪声增加了信号采集的复杂性并引入了干扰,使得采集到的振动信号含有大量不必要的噪声成分,降低了采集精度和准确性。为此,提出暖通空调小流量风机机械振动信号自适应采集方法。使用经验模态分解方法对振动信号进行处理,获得信号在时域和频域上的特征信息。根据振动信号的频率特征,设计自适应变采样算法在不同的时间段内动态地调整采样率,采集风机振动信号。使用数学形态滤波器调整信号的形状,去除脉冲干扰以提高采集信号的精度,并进一步优化信号的质量。实验结果表明,所提方法的振动信号自适应采集精度高,且采集时间短。

基于自适应傅里叶分解的船舶轴频电磁场信号提取

船舶轴频电磁场是水面船舶及水下航行器非常关键的特征,然而由于静态电磁场的存在,大大降低了轴频电磁场的信噪比。为实现低信噪比情况下微弱轴频电磁场信号的有效检测,文中提出一种基于自适应傅里叶分解的信号提取方法,可以将复杂非平稳信号自低频到高频自适应地分解为一系列具有瞬时频率的单分量之和的形式。通过分别处理仿真和实测数据,结果表明,该算法能够克服短时傅里叶变换、小波变换及经验模态分解等方法的缺点,可快速有效地提取到轴频电磁场信号,进而为后续船舶及水下航行器的定位追踪提供参考。

基于奇异值分解自适应UKF的再入滑翔目标跟踪

针对高超声速再入滑翔飞行器(hypersonic reentry glide vehicle,HRGV)跟踪难的问题,提出了一种基于奇异值分解的自适应无迹卡尔曼滤波跟踪算法(adaptive unscented Kalman filter tracking algorithm based on singular value decomposition,SVDA-UKF)。根据此类目标的特点,首先在气动力模型基础上建立了目标状态方程,以及将目标量测量转换至东北天坐标系下建立了量测方程。其次,采用UKF算法,并在此基础上,分别通过改用间接量测更新、引入协方差矩阵的奇异值分解、设计多位自适应因子进行改进。最后,结合HRGV目标的三类滑翔轨迹进行跟踪仿真。结果表明,SVDA-UKF算法在加快计算速度的同时,还提高了滤波精度以及可靠性,实现了对HRGV目标的良好跟踪。