基于谐波小波与神经网络的钢铁价格预测

应用谐波小波分解算法、混沌分析和神经网络理论提出了一种中国钢铁价格趋势预测的谐波小波神经网络模型。应用广义谐波小波分解算法把原始钢铁价格序列分解到不同的频带上,并在此基础上进一步分析表明,钢铁价格存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力,有效改进了预测精度。实验表明,与现有方法相比,该方法具有较高的预测精度。

联合谐波小波与递归神经网络的股市时间序列预测

为了提高神经网络对股市时间序列的预测精度,首先利用谐波小波对股票市场数据进行多尺度分解,将其分解为不同尺度且具有平移不变特征的谐波小波分量;然后根据股市时间序列的特点,构建递归神经网络模型进行短期预测,以不同尺度的谐波小波分量为输入数据,对股市数据进行多尺度预测;最后对不同尺度的预测结果进行谐波小波重构,得到最终的股市预测数据。对我国股票市场进行了实验分析,结果表明:股市时间序列经谐波小波分解后,股市数据中不同投资时间水平的价格波动可以被较好的分离,有效地提高了股票市场数据的预测精度。

万向传动轴动不平衡动态检测的小波能量主元法

提出一种高速列车万向轴动不平衡车载动态检测的新方法。该方法的核心是:对万向节安装机座的振动信号进行谐波小波包分解,提取前19个小波尺度能量形成特征向量,分别统计动平衡、动不平衡万向轴在不同转速条件下振动信号的特征向量而构成主元分析的训练样本,以累积方差贡献量大于0.8作为主分量个数的确定准则,将特征向量从19维降低到2维,应用第一主元和第二主元联合区分万向轴的动不平衡状态。应用台架试验数据对该方法的有效性进行了测试验证,结果表明:该方法能够有效辨别万向轴的不平衡状态,其准确性高,具有一定的工程适应性。