卡斯卡迪亚慢滑移信息的GNSS时空探测

针对断层慢滑移时空分布信息探测困难的问题,基于全球卫星导航系统(GNSS)坐标序列,提出一种利用多通道奇异谱分析(MSSA)探测卡斯卡迪亚消减带慢滑移事件时空分布的方法:根据慢滑移分量的振荡特点确定窗口长度,采用时间迟滞矩阵对协方差阵进行增广,以提高对异常信息的识别能力;对振幅归一化获取空间响应,通过快速傅里叶变换分析慢滑移频谱特征。结果表明,卡斯卡迪亚消减带2007-01-05—2007-02-23和2008-04-22—2008-06-14发生了2次慢滑移事件,2次事件呈东南、西北区域的反向运动特征,且东南部响应程度明显高于西北地区;频谱特征显示,慢滑移信息表现为低频特征,且主要为随机游走噪声。研究结果可为板内地震前兆性信息探测提供参考。

基于改进奇异谱分析的毫米波生物雷达干扰抑制方法

针对毫米波雷达间的互扰会造成生物雷达获取的微弱生命体征信号被淹没,导致无法准确测量呼吸心跳的问题,本文提出基于改进奇异谱分析的方法抑制雷达间互扰,通过相关性计算从受扰信号中选取目标差拍信号重构以抑制干扰和消除背景噪声。进一步提出基于信息熵的集合经验模态分解方法消除差拍信号残留的相位噪声,通过信息熵计算从集合经验模态分解后的固有模态函数分量中选择呼吸和心跳信号以抑制残留噪声。实验结果表明,所提出的方法能有效地从受干扰的信号中恢复呼吸和心跳信号,提高呼吸和心跳的信噪比。因此,本文所提方法提高了生物雷达的抗干扰能力,增强了生物雷达的实用性。

基于Stacking融合的LSTM-SA-RBF短期负荷预测

为了解决单个神经网络预测的局限性和时间序列的波动性,提出了一种奇异谱分析(singular spectrum analysis,SSA)和Stacking框架相结合的短期负荷预测方法。利用随机森林筛选出与历史负荷相关性强烈的特征因素,采用SSA为负荷数据降噪,简化模型计算过程;基于Stacking框架,结合长短期记忆(long and short-term memory,LSTM)-自注意力机制(self-attention mechanism,SA)、径向基(radial base functions,RBF)神经网络和线性回归方法集成新的组合模型,同时利用交叉验证方法避免模型过拟合;选取PJM和澳大利亚电力负荷数据集进行验证。仿真结果表明,与其他模型比较,所提模型预测精度高。

黄河水沙监测数据分析与模型构建

对黄河水沙监测数据进行分析研究,使用相关性分析、回归分析、Mann-Kendall非参数检验、奇异谱分析等方法构建数学模型.分析含沙量与各因素的关系、水沙通量变化规律、水沙通量趋势预测、河底高程变化规律预测等问题,并提出水沙通量监测的优化策略.在环境治理、调水调沙、防洪减灾等方面具有一定的现实意义.

基于ES-ALPF的行星齿轮箱故障特征提取方法研究

针对行星齿轮箱故障初期特征提取困难的问题,提出了一种基于聚合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、奇异谱分析(Singular Spectrum Analysis, SSA)与自适应线性预测滤波(Adaptive Linear Prediction Filtering, ALPF)结合的故障初期特征自适应提取方法。首先,利用EEMD预处理采集的振动信号,得到本征模态函数(Intrinsic Module Function, IMF)分量。其次,根据能量比选取IMFs重构信号。然后,利用SSA增强重构信号的非线性特征。之后,利用基于谱估计的自适应线性预测方法对非线性最突出的频段进行自适应线性滤波。最后,提取滤波后的信号包络,进行傅里叶变换,提取得到故障初期的微弱特征。在行星齿轮箱故障诊断试验台上进行了试验,所提方法与传统的基于EEMD-SSA的包络分析进行了对比,结果验证了该方法的有效性。

温变下基于奇异谱分析的机电阻抗损伤识别法

为消除温度变化对损伤识别的影响,采用奇异谱分析(singular spectrum analysis,简称SSA)方法处理阻抗信号以分离不受温度变化影响的信号分量,提出结合t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding,简称t-SNE)与K均值聚类算法的无监督机器学习方法,进一步处理信号分量实现损伤识别。为验证该方法的可行性,以螺栓组连接的铝板结构作为实验对象进行温度变化工况下螺栓松动机电阻抗损伤识别实验。结果表明,应用SSA方法得到的信号分量能在温度变化影响下有效识别螺栓松动状态,各工况识别准确率均达到98%以上,证明了所提出方法对消除温度变化影响的有效性。

基于SSA-LSTM模型的水电站能效综合评价方法

随着我国电力体制改革不断深化,水电已告别传统粗放型发展模式,亟需配套更为成熟、通用的能效评价体系指导水电运行调度工作。因此,提出一种基于深度学习的水电站能效综合评价方法,引入长短期记忆网络(LSTM)构建水电站理论发电量模型,对于给定的原始发电序列,利用奇异谱分析(SSA)提取出其趋势项、周期项及噪声,对前二者分别构建LSTM网络模拟后叠加得到理论发电量计算结果,在此基础上提出相对增发效益指标、能效相对提高率指标,利用熵权法得到水电站综合得分值,进而对南部某省12座电站进行能效评价。结果表明,该方法可以充分反映水电在调度运行中的能效特点,研究结果对优化水电站调度策略、提高水电调度水平具有借鉴意义。

一种面向心电信号处理的奇异谱分析改进算法

心电图(ECG)作为人体的关键生理信号被广泛应用于医疗领域,但在采集过程中心电信号容易受到噪声干扰而影响信号质量。为此,设计了一种奇异谱分析(SSA)的改进算法用于心电信号降噪处理。奇异谱分析改建算法是在SSA中的主元重组(grouping)阶段引入逻辑回归(LR)算法,将主元重组方式改进为自动重组,实现面向心电信号的SSA自监督降噪处理。使用基于AD620的心电信号采集装置,构建53条心电信号测试集进行验证,使用奇异谱分析的改进算法,主元自动选择的准确性为98.68%,重构的心电信号信噪比(SNR)由10.43 dB平均提高到20.17 dB,能够有效提取出清晰的PQRST波,使其在医疗领域心电信号检测与降噪方面具有很好的实用化前景。

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度,针对大坝原始监测信号中的噪声,以及其非平稳性、非线性等特点,引入奇异谱分析(SSA)和局部均值分解(LMD)方法,提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理,为充分提取大坝形变信息特征,利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析,剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验,结果表明,相较于其他模型,SSA-LMD-GM模型预测精度和拟合精度更加优秀,能较好地预测大坝变形趋势,具有一定的应用价值。

GNSS浮标高程坐标时间序列噪声特性分析

本文对四种不同尺寸的全球卫星导航系统(GNSS)浮标(波浪骑士浮标、5 m浮标、2 m浮标、1 m浮标)进行了海面高观测数据分析,以揭示海洋环境下GNSS坐标时间序列的噪声特性。通过数据解算,确定了各类型浮标在观测精度方面的不确定性,并且标准差分析表明5 m浮标具有最高的观测稳定性,而波浪骑士浮标表现出最大的不确定性。进一步的噪声模型分析发现,5 m、2 m和1 m浮标的坐标时间序列最佳噪声模型为“白噪声+幂律噪声”,而波浪骑士浮标的最佳噪声模型为“白噪声+闪烁噪声”。为了提升数据质量,本研究还采用奇异谱分析算法对坐标时间序列进行了降噪处理。结果表明,虽然降噪后各浮标的最佳噪声模型没有发生变化,但噪声量级明显降低,5 m浮标、波浪骑士浮标、2 m浮标和1 m浮标的噪声量级分别下降了16.75%、39.2%、27.5%和33.35%。综合来看,大尺寸浮标由于其较高的稳定性,能够提供更高精度的海面高观测数据。同时,通过奇异谱分析降噪处理,可有效降低噪声量级,从而提高观测数据的质量。本研究结果为海洋GNSS观测提供了重要的技术参考。

重复使用火箭涡轮泵轴承故障特征提取方法优化

涡轮泵轴承是可重复使用火箭的关键,因此能够有效提取出轴承故障特征频率从而展开故障诊断十分重要。将奇异值分解(SVD)和包络谱解调法相结合,对火箭涡轮泵轴承展开故障特征提取。对轴承内环、外环及滚动体故障数据进行处理和分析,结果表明,针对信号中含有大量噪声的数据,相比传统的包络谱解调法,改进方法的故障特征提取效果明显提升。通过该方法提取出的3种故障低频特征频率的相对幅值相比于传统包络谱解调均有提升。同时,可以有效降低高频噪声的干扰,尤其在高频区依然可以看到比较明显的特征频率,而传统包络谱解调法的高频区基本被噪声覆盖。通过计算得出信号的信噪比均有60 dB以上的提升。

基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度,提出一种基于改进自适应噪声完备经验模态分解(CEEMDAN)去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数(IMF);然后将改进兰氏距离与多重分形去趋势波动分析(MFDFA)结合,把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析(SSA)、小波阈值(WT)去噪;最后,将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明:与对比算法相比,含噪扰动经新算法去噪后,信噪比显著提高,去噪效果良好。

利用GRACE卫星分析安徽省地下水储量的时空变化

文章利用重力恢复与气候实验卫星(Gravity Recovery and Climate Experiment,GRACE)时变重力场球谐系数文件,联合全球陆面数据同化系统(Global Land Data Assimilation System,GLDAS)水文模型反演安徽省2003—2016年地下水储量的时空变化。通过奇异谱分析(Singular Spectrum Analysis,SSA)地下水时间序列,结合热带降雨测量任务(Tropical Rainfall Measuring Mission,TRMM)降雨数据对地下水储量变化规律进行分析。结果表明,安徽省地下水储量在2011年和2014年前后发生较大变化,在2003—2011年的变化率为0.37 cm/a,2011—2014年的下降速率为-0.2 cm/a,2014—2016年的增长速率为1.9 cm/a;进一步与降雨数据关联,发现降雨量是影响安徽省地下水储量年际变化和季节性变化的主要因素。在空间上,安徽省呈现自东北向西南逐渐缓和的趋势,最大亏损出现在皖北地区,为-7.52 mm/a,在西南地区的最大盈余达到8.38 mm/a。

基于降秩和稀疏联合约束的地震数据同时重建和去噪

野外地震数据包含各种随机噪声干扰,且存在不规则道缺失现象,为了不影响后续资料处理,需要对其进行同时重建和去噪。目前大部分同时重建和去噪方法都是基于单一稀疏约束和降秩约束,尽管稀疏约束具有高效性优点,但对各种数据缺乏适应性,而降秩约束可以自适应不同数据,但计算成本较高。为了充分利用不同约束条件的优势,本文提出一种基于联合约束的地震数据同时重建和去噪方法:选用基于傅立叶变换的凸集投影算法(POCS)作为稀疏约束,阻尼多道奇异谱分析(DMSSA)作为降秩约束,在此过程中,还需使用截断奇异值分解(TSVD)算法和指数阈值公式。理论和实际数据的处理结果表明,本方法在联合约束条件下,能够从时间和空间上考虑地震资料的相关性并利用起来,比单一约束方法能在更少的迭代次数下取得更高的信噪比。

基于奇异谱分析的CNN-BiLSTM短期空调负荷预测模型

空调负荷的精准预测对建筑空调系统优化控制具有重要意义。为提高空调负荷预测精度,提出了一种基于奇异谱分析(SSA,Singular Spectrum Analysis)的卷积神经网络(CNN,Convolutional Neural Network)和双向长短时记忆网络(BiLSTM,Bidirectional Long Short Term Memory)短期空调负荷预测模型。使用皮尔森相关系数选取与空调负荷高相关性特征。针对空调负荷的波动性和随机性,采用SSA将空调负荷分解为多个分量,同时将各个分量带入CNN-BiLSTM模型进行预测,该模型利用了CNN的特征提取和BiLSTM的双向学习能力,并将各个分量预测结果进行重构。通过不同建筑类型的空调数据对该模型进行验证分析,发现所提出模型在预测办公建筑空调负荷中RMSE、MAPE和MAE为19.47RT、14.72RT和2.33%,在预测商业建筑空调负荷中RMSE、MAPE和MAE为82.5RT、34.21RT和0.87%。结果表明,所提出的模型具有普适性且精度较高,可进行推广应用。

基于SVD-K-means算法的软扩频信号伪码序列盲估计

针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。

随机激励作用下船舶横摇运动的奇异非混沌动力学

基于一类规则横浪作用下的单自由度船舶横摇运动模型,考虑恢复力矩和阻尼力矩的非线性因素,以一低干舷船模为例,利用龙格库塔法求解了横摇运动方程,通过时间庞加莱截面绘制了系统的分岔图;考虑其受随机风荷载扰动下不同周期吸引子演变成奇异非混沌吸引子的具体过程,发现周期激励系统在随机激励扰动下同样存在奇异非混沌吸引子,且当分岔参数离混沌区域越远,所需要随机激励的幅值越大才能诱发奇异非混沌吸引子.通过最大李雅普诺夫指数验证吸引子的非混沌性;采用奇异连续谱和分形图刻画吸引子的奇异性.

基于奇异谱分解和LSTM-ARIMA组合模型的生猪价格预测

针对生猪价格波动过于剧烈难以预测的问题,提出基于奇异谱分解的LSTM-ARIMA组合模型对生猪价格进行预测。以2000年1月-2021年12月的月度价格数据作为样本,利用奇异谱分析对生猪价格数据进行分解,得到趋势项和波动项,选用累计贡献率达前70%的构建趋势项,剩下的30%构造波动项。趋势项非平稳且具有长记忆性,对其建立LSTM模型;波动项平稳,对其建立ARIMA模型,最后将两部分预测结果重组作为生猪价格的预测值,构建LSTM-ARIMA组合预测模型。将预测值和生猪真实价格进行对比,结果表明:预测值与真实值之间的均方根误差RMSE为2.75,平均绝对百分比误差MAPE为10.81%,平均绝对误差MAE为2.27,方向对称性DS为81.81;此组合模型能很好地预测生猪价格走势,对我国生猪价格预测具有更高地适用性与参考。

基于特征融合并行优化模型的环境γ辐射剂量率数据分析与预测

核电辐射环境监测网(ERMS)能提供实时、连续的监测数据,是核电最重要的外围监督性设施,为辐射环境评估提供数据依据。为掌握影响辐射数据质量的特征要素与及时发现环境的辐射异常,开展高压电离室探测器(HPIC)剂量率数据的特征挖掘与预测研究,提出一种基于奇异谱分析算法(singular spectrum analysis,SSA)的γ辐射剂量率数据预处理方法,从其历史数据中学习涨幅趋势和拐点细节变化;针对数据的多维度特点,设计一种特征融合并行优化模型预测框架,以福建宁德核电站外围11个自动站辐射监测数据、天顶方向总电子含量(VTEC)数据进行实验验证。实验结果表明,该模型对环境γ辐射剂量率预测取得了较好的预测性能与精度。

SVD和复合平方包络谱的滚动轴承故障诊断

由于传统奇异值分解故障诊断方法难以选择子信号故障点以及Hankel矩阵行数,提出了一种基于奇异值分解和复合平方包络谱的滚动轴承诊断方法。首先分析了两种常用的子信号重构方法的区别。然后引入DR指标来确定奇异值分解序列,并通过数值模拟得到了轴承故障诊断的Hankel矩阵最佳行数范围。由于得到的子信号存在畸变和子信号间能量分布的奇异值分布,通过反对角平均法以及复合平方包络谱对轴承进行故障诊断。最后通过实验证明了提出方法在缺少先验知识情况下能够实现有效的轴承故障诊断。