基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题,课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method,WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解,将振动信号分解到独立的频段,提取不同频段的能量谱,并构建反映频谱状态改变的能量谱特征向量;再对得到的能量谱特征向量进行核偏最小二乘分析,建立故障检测模型,利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障,证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点,为解决故障检测中的非线性数据处理问题提供了一种新方法。     

基于DWT的相似性搜索算法

时间序列数据聚类在统计分析中具有重要意义。然而高维时间序列数据挖掘高度依赖的相似性搜索方法仍面临计算量大、准确率低等问题。为了提升高维时间序列数据挖掘任务的准确率和效率,提出一种基于波动特征的时间序列相似性搜索算法。该算法首先提出局部高频离散小波变换(LHFDWT)方法,通过合理的分解与重构来实现序列的降维;然后提出基于欧氏距离(ED)、波动幅度和秩相关系数从时间序列形态波动的相对偏差和趋势一致性角度计算相似度;最后提出一种相似性搜索算法和新的基于波动特征的时间序列聚类方法,并利用k-medoids聚类技术进行聚类分析。基于UCR标准时间序列数据集的实验结果表明,相对于动态时间规整(DTW)和最长公共子序列(LCSS)方法,所提新方法下的聚类准确率表现更优,置信度达到99%;在正确预测聚类数目和搜索效率方面具有更好的效果,且聚类结果具有更高的稳定性;1-NN分类准确率更高,说明其在确定更好的聚类中心方面效果更优,置信度至少为85%,证明了所提新方法的相似性搜索算法的优越性。     

中国A股市场有效性的实证研究——基于小波降噪技术的分析

为了验证中国A股市场的有效性,本文首先利用小波降噪技术对上海和深圳证券市场的收益率序列进行降噪处理,分离出随机项;然后对随机项进行相关性检验;最后基于收益率序列的方差比变化来判断中国股票市场各年度的有效性。研究结果表明：（1）上证和深证指数序列的随机项是彼此相关的,中国A股市场是非有效的;（2）我国股票市场的波动性在总体上是逐步降低的,市场对于信息反映的有效性是逐步加强的;（3）当市场处于牛、熊市的不同阶段时,市场的有效性是不同的。     

基于小波特征提取的高频面板数据聚类方法

高频面板数据在时间维度的频繁波动给聚类的准确性造成了很大干扰。综合考虑这一问题,从小波分解的角度提取了面板数据主成分降维后指标的综合得分序列,利用小波变换提取综合得分序列的周期特征、低频部分的均值特征与趋势特征、高频部分的波动特征,最后采用熵值法对这些特征进行赋权并利用赋权后的特征数据和系统聚类方法实现高频面板数据聚类。通过股票高频面板数据的实证分析表明,该方法的聚类效果良好。     

小波变换在液氮制冷式露点自动检测中的应用

采用小波变换的Ｍａｌｌａｔ算法，求取智能露点仪温度曲线的拐点，这种算法的显著特点是可于背景噪音中很好地提取用用信号，在３－５次测量中，即可得到重复性极好的曲线拐点值，与传统的最小二乘拟合建模方法相比，不但可以减少测量次数，而且使露点温度值的自动检测达到了更高的准确性和稳定性。     

基于小波分析的故障诊断

对信号进行特征提取，是故障诊断的关键。突变信号往往对应着某类故障，如果能对突变信号进行有效识别，就能达到故障诊断的目的。对如何从混有噪声的振动信号中有效识别出突变信号，本文进行了一系列方法研究。