黄变换的穿越筛分法

基于黄变换提出了一种分解非线性、非平稳时间序列的穿越筛分方法,该方法先搜索到信号的局部极值点,然后定位出相邻局部极值点间的穿越点,最后使用三次样条对穿越点列插值,可近似得到信号的包络中值。通过实例比较分析了穿越筛分法与黄变换的经验模态分解方法,筛分结果表明该方法简单有效,可以从观测时间序列中筛分出较好的各阶固有模态函数。     

基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

经验模式分解在QRS波群和T波检测中的应用

针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法。该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用经验阈值能得到准确的检测结果。利用MIT-BIH Arrhythmia Database中心电数据检测表明,QRS波群的检测率达到99%以上,T波的正确识别率也获得较大的提高。该算法中提出的端点延拓方法能有效地减少使用经验模式分解的次数,提高检测的实时性,具有较好的应用前景。     

小波包与混沌集成的股票市场预测新方法

基于小波包变换和混沌理论提出了一种股票市场建模及其预测的新方法,既能刻划时间序列的规律,又能捕捉混沌状态的特征。首先,应用小波包变换对上证综指和深证成指日收益率序列进行三层分解,分别得到第三层从低频到高频八个频率成分的时序,并在此基础上作进一步分析,结果表明中国股市存在混沌特性;然后,应用混沌理论分别建立从低频到高频八个时序的预测模型,分别对八个时序进行预测;最后,基于小波包理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测。与现有方法比较,该方法具有较高的精度和较大的应用范围。     

小波分析在管理数据处理中的应用

提出了一种基于小波变换的管理数据处理方法，把公司管理上的数据看成一个非平稳的时间序列，利用小渡函数将该时间序列分解到不同的频率通道上，然后将分解后的信号当作近似的平稳时间序列，用一些传统的统计方法进行预测，同时对中国足球彩票若干期的销售量数据进行了处理和预测，并将结果与实际销量以及用传统的AR模型的预测值进行了比较。     

基于SV模型时变参数的中国股市政策效应研究

政策效应是一种广泛的现象,但在我国尤为突出。文章通过对SV模型参数集的时变特性研究表明,时变的参数能够有效地反映我国股市的动态过程。SV模型的这一特性,能够检验我国股票市场的政策效应现象,并解释金融时间序列数据的“杠杆效应”。实证得出我国股市政策效应正逐渐减弱,杠杆效应逐渐显著的结论,表明我国股市逐渐走向成熟和完善,与我国股市发展的历史和现状相符。     

基于小波和模糊BP神经网络的金融股票市场预测

为了提高金融股票价格预测的准确性,在分析了金融股票价格时间序列的特点和规律的基础之上,采用一种小波分析和模糊BP神经网络联合建立的时间序列预测模型,对中国石油股票价格进行了预测研究。结果表明基于小波分析和模糊BP神经网络联合建立的时间序列预测模型具有良好的自组织性和自适应性,有很强的学习能力和抗干扰能力,基于小波分析和模糊BP神经网络对金融股票价格进行预测是行之有效的。     

未知频偏下直扩信号的扩频序列估计

针对未知频偏下的直扩信号,通过将载频吸收至扩频波形中,提出了一种有效的基于协方差矩阵子空间分解的扩频序列估计算法。通过信号子空间分解,提高了含有未知频偏信息的扩频波形估计的信噪比,从而降低了载频估计难度。在随机信号模型条件下,还推导了扩频波形估计器的克拉美劳界。在低信噪比条件下,仿真验证了该算法的有效性。     

基于合作对策的股指时间序列智能组合预测研究

针对我国股市呈现出非线性、大幅度、频繁波动的特征,提出一种基于合作对策的股指时间序列智能组合预测方法,利用改进GRACH方法从时间关联性的角度辨识股指时间序列;同时利用神经网络方法从多种经济指标之间的相关性出发,建立股指时间序列预测模型,同时引入合作对策方法,对两种预测方法进行组合。实证分析结果表明,采用本算法能够有效地将预测精度控制在2.68%以内,同时在RMSE、MAPE和F三项指标上,较单一模型有极大提升。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

基于改进希尔伯特-黄变换算法的碳市场价格多尺度分解

作为一种新型非线性、非稳态数据的自适应处理算法,希尔伯特-黄变换（Hilbert-Huang Transform,HHT）,近年来开始应用到人文社会科学领域。HHT的核心是经验模态分解（Empirical Mode Decomposition,EMD）算法。EMD分解过程中常会产生模态混叠和端点效应现象,造成分解结果失真。针对碳市场价格多尺度特征,改进HHT算法以提高碳市场价格多尺度分解质量。引入高斯白噪声到EMD分解中,建立集成EMD（Ensemble EMD,EEMD）算法来抑制EMD分解中存在的模态混叠现象;针对EEMD分解过程中存在的端点效应问题,通过5种端点延拓方法的比较,改进EEMD算法,得出适合碳市场价格多尺度分解的延拓方法;将改进HHT算法应用于两个不同到期时间的欧盟碳期货价格（DEC12、DEC14）进行多尺度分解,结果表明:改进HHT算法能显著提高碳市场价格分解精度,扩大了HHT在碳市场价格多尺度分析中的应用范围。     

EMD算法和循环平稳理论在机械故障诊断中的应用

针对非平稳非线性的循环平稳信号提出了基于Hilbert变换的EMD分解重构消噪法;用带有强噪音和高斯噪声的典型循环平稳信号进行了仿真,并结合二阶循环平稳分析法对信号进行了信息提取.在实验部分,该文试用基于Hilbert变换的EMD分解重构和循环平稳理论结合的方法对运转中的故障轴承信号进行了分析,实验结果表明,这种应用能有效提取出信号中的有用信息,成功提取旋转机械运转产生的信号中的故障信息.     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人5种运动的多普勒信号分解为一系列本征模式函数(IMF)。采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别,分析了特征向量维数对识别率的影响,比较了EMD和EEMD的识别率。EEMD能够消除EMD存在的模式混合问题,识别率更高,达到94%以上。     

宏雅与新变：张说颂文管窥

总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量 (Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

基于EMD分解和共振解调的滚动轴承故障诊断研究

在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

Multiscale Combined Forecast of Carbon PriceBased on Mixed Structure Data

Accurate forecast of the carbon trading price is of great significance in promoting the scientific and rational development of carbon trading market. Therefore, this paper proposes a multi-scale combined forecasting method for carbon price based on mixed structure data. First, the Google Index is used to extract the unstructured data related to the carbon price.The dimensions of unstructured data are reduced based on principal component analysis. Then, EMD is employedto the structured data,unstructured data and the carbon trading price to obtain different IMFs, which are reconstructed by the Fine-to-Coarse technique to get low, high frequency sequence and trend sequence. Furthermore, the three items are predicted respectively by using ARIMA, PLS and neural networks according to the features of each scale in time series. Finally, the forecasting results are summed to get the carbon price forecast sequence. The proposed method is used to forecast carbon price in EU. The empirical results show that the prediction accuracy of the model is higher than that of the single prediction method and the prediction method that time series aren’t decomposed by EMD, which is of great applicability.     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法。通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中。由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析。实验结果表明用小波包理论进行故障检测是可行的。