基于多小波预测方法提高地震数据的信噪比

基于二维小波变换把一个二元的地震数据变换为有关时间,空间,频率和波数的局部信息的特点,讨论了用正交多小波变换和w-x预测方法对地震数据进行去噪处理.先用阈值的方法做初步处理,再用预测方法进一步压制噪声,达到较好地提高地震数据信噪比的目的.数值试验表明该方法是有效的,能有效地消除随机干扰,具有很好的空间和时间自适应性.     

基于小波去噪和WNN-ARIMA组合模型的年径流预测

为解决单一的小波神经网络预测精度不高的问题,提出一种新的基于小波去噪和WNN-ARIMA组合模型,应用小波阈值去噪法对小波神经网络的输入值进行预处理,同时对模型残差值进行ARIMA模型修正.利用该组合模型对洮河流域下巴沟站年径流量进行预测,预测趋势和预测值与原始实测数据吻合度高,表明此组合模型可靠性强,可以有效预测年径...     

小波分析在经济预测模型中的应用

经济信号也是一种时间序列 ,它和小波分析中的信号具有相同的特性 .因此 ,可将经济时间序列看成经济信号 ,应用小波进行实际经济分析和预测 .论文针对最小二乘法的不足 ,提出了多分辨回归分析处理经济数据分析的方法 .本文在建立宏观模型时 ,利用小波分析对经济数据进行预处理 ,获得能反映宏观变化趋势的低频信息 ,再用最小二乘法进行拟合和预测 ,通过对传统最小二乘法建立的模型的对比分析 ,结果表明 :本方法优于一般最小二乘法 .     

基于小波分析的农业用户异常用电识别与判断

提高电能利用效率,合理分配稀缺资源是电网公司能源监控建设的重要内容.通过国家电网青海分公司在2020年2月到2021年5月对某农业灌溉重点监测用户用电量情况进行监测,提出采用小波分析方法对监测数据进行去噪和对奇异值的挖掘.通过小波分析,全面而细致的量化了数据在不同频域下的波动情况,在较大程度上保留数据的原始信息并且对奇异数据具有较高的识别效果.计算结果表明:运用该方法可以有效挖掘出正常数据的波动情况,并且得出的奇异数据主要分布时间段,与实际情况相吻合.     

小波分析方法在金融股票数据预测中的应用

利用小波分析预测方法对金融数据—股票收盘价这一典型的非平稳时间序列进行预测.使用M a llat小波分解算法对数据进行分解,对分解后的数据进行平滑处理,然后再进行重构,而重构之后的数据就成为近似意义的平稳时间序列,这样就得到了原始数据的近似信号,再应用传统时间序列预测方法对重构后的数据进行预测,将预测结果与实际值,以及和传统预测方法预测结果比较,小波分析方法预测效果更为理想.     

基于HHT-SVR模型的汇率数据去噪与预测

由于存在噪音污染、具有非线性、混沌等特征,汇率预测一直是现代时间序列预测方法的重要而最具挑战的研究领域之一。本文结合变点理论,提出了基于自相关函数均值变点的HilbertHuang变换自适应去噪方法。基于该方法去噪之后的汇率日交易数据建立的SVR模型,具有较高的预测精度,稳定性较强。特别的,该方法具有很好的数据自适应性,无需要主观参与,即可自动完成去噪过程。该方法的提出,为金融时间序列去噪提供了新途径。     

基于神经网络的期货预测数据预处理问题研究

期货预测研究在期货价格数据预处理和预测方法上存在直接套用原始数据代入模型以及价格预测模型和原始数据模型不相匹配等问题,需要予以解决.本研究在采用通货膨胀率指数调整、平均周期项以及滤波等方法对铜期货价格时间序列数据进行预处理后,分别将预处理前后的期货价格数据输入到神经网络预测模型,通过比较两者预测结果来验证原始期货时间序列数据预处理的必要性.     

基于小波分析的灰色GM(1,1)模型道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容,针对灰色GM(1,1)预测模型对波动性较大道路交通事故序列预测精度较低的缺点,引入小波分析理论,在小波分析理论的基础上建立灰色GM(1,1)预测模型.通过小波分析将某省2002-2009年道路交通事故起数分解成多层近似平稳的数据序列,然后对低频重构序列建立GM(1,1)模型进行预测.仿真结果表明,方法的预测结果比直接用灰色GM(1,1)模型更拟合原始数据,预测效果更好.预测结果可以为交通部门科学监管和制定决策提供一定的指导.     

小波在股市数据分析中的应用

本文把股票日收益率时间序列看作一维时间信号 ,构造了新的小波母函数作为滤波器 ,对此时间信号做滤波处理 ,消除了数据的奇异性 ,从而可以宏观地预测股票日收益率走势 .     

非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法及其应用

提出非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法.首先利用Mallat算法对非平稳时间序列进行小波分解;然后采用能量阈值选择策略对高频系数进行处理,并将其与低频系数进行小波重构;最后运用改进的GM(1,1)方法预测.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果证明,该方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于小波变换的图像去噪方法的研究

小波变换能有效的去除高斯噪声,中值滤波能有效的去除脉冲噪声,两者结合可以更有效的去除高斯噪声和脉冲噪声的混合噪声.当医学图像去除混合噪声时,先进行中值滤波再进行小波去噪的方法优于先进行小波去噪后再进行中值滤波的方法,且去噪后图像视觉效果较好,而且图像均方误差(M SE)也较小.在图像去噪处理中这种方法具有实际应用价值.     

基于小波分解和ANFIS模型的CPI统计数据预测

介绍应用小波分析理论解决时间序列统计数据的测量误差消除问题,实例证明借助离散小波分解与重构手段,可有效地从误差干扰的统计数据序列中提取统计数据的原始特征.完成CPI经济序列数据预测,为CPI统计数据的误差消除引入一种有效方法.     

基于非线性混沌时序动力系统的预测方法研究

主要研究由混沌时序所确定的非线性动力系统的预测方法．研究了非线性自相关混沌模型的结构,模型阶数的确立技术．将神经网络和小波理论相结合,研究了小波变换神经网络的结构,给出了小波神经网络的学习方法;提出了一种新的基于小波网络的参数辨识方法．该方法可以有选择地提取时序中的不同的时间、频率尺度,实现原时序的趋势或细节预测．通过对混沌时序进行预处理,并比较预处理后的预测结果,得到了一些有益的结果:用非线性自相关混沌模型采用小波网络对模型参数进行辨识,其辨识的准确程度较高,用该模型对混沌时序(包括含有噪声)的预测比较有效．     

芬兰淡水湖冰下溶解氧浓度变化规律的离散小波分析北大核心

以离散小波变换的多尺度分析理论为依据,用Daubechies系列小波对芬兰Valkea-kotinen淡水湖第二测点自2011年1月13日至5月17日不同深度溶解氧浓度的采集数据进行分解与重构.通过db1-db6小波分解效果比较,发现db4小波的重构效果较好.采用db4小波对该位置各深度溶解氧浓度进行多尺度分析,得到数据的低频和高频重构曲线,分析曲线的变化规律.最后,利用离散小波变换尺度为2的幂次这一特点,给出有利于数据分析的测量时间间隔.     

芬兰淡水湖冰下溶解氧浓度变化规律的离散小波分析

以离散小波变换的多尺度分析理论为依据,用Daubechies系列小波对芬兰Valkea-kotinen淡水湖第二测点自2011年1月13日至5月17日不同深度溶解氧浓度的采集数据进行分解与重构.通过db1-db6小波分解效果比较,发现db4小波的重构效果较好.采用db4小波对该位置各深度溶解氧浓度进行多尺度分析,得到数据的低频和高频重构曲线,分析曲线的变化规律.最后,利用离散小波变换尺度为2的幂次这一特点,给出有利于数据分析的测量时间间隔.     

股价指数时间序列的分形性质分析

用一种新的信号处理工具-小波变换,对股价指数数据进行分析,发现股价指数数据类似于一类更广的噪声一分形噪声,从而推广了传统上处理股价指数时间序列时总假定其为白噪声或高斯噪声的假设,用分形噪声能更好地刻划股价指数数据的波动特性.对上证指数和深证指数的实证分析显示,两市股价指数均存在正相关,我国股票市场不是弱式有效市场.实证也显示出小波变换是研究股价指数波动特性的一种有效的方法.     

经济时间序列的连续参数小波网络预测模型

本文利用连续小波变换方法,给出一种连续参数小波网络。网络参数的学习采用一种类似神经网络的后向传播学习算法的随机梯度算法。另外,提出了一种借助小波分析理论指导网络参数赋初值的方法。进一步,通过对中国进出口贸易额时间序列预测建模的研究和仿真预测,提出了用连续参数小波网络建立经济时间序列预测模型的一般步骤和方法。预测结果表明,此模型具有较好的泛化、学习能力,可以有效地在数值上逼近时间序列难以定量描述的相互关系,所以利用连续参数小波网络建立的时间序列预测模型有较高的预测精度。     

基于小波变换的小样本随机振荡序列灰色预测模型

针对GM(1,1)幂模型对于小样本振荡序列对含突变信息无能为力的问题,提出了基于小波变换的小样本振荡序列灰色预测模型.首先,针对原始数据序列建立GM(1,1)幂模型描述其总体趋势特征;然后,利用小波变换提取GM(1,1)幂模型残差序列所包含的有用信号和随机噪声,并结合GM(1,1)幂模型构成新的时间相应函数;最后,以与原始平均误差最小为原则确定小波变换的小波基和分解层次并对小波进行重构GM(1,1)幂模型残差序列,并结合原始GM(1,1)幂模型对随机振荡序列进行预测.算例中通过对城市用水量的拟合及预测结果表明:应用基于傅立叶变换的GM(1,1)幂振荡序列模型和基于分数阶离散GM(1,1)幂模型研究了振荡序列模型平均误差分别为3.22%和5.66%,而本文的方法平均误差为1.11%.算例研究表明,此方法能够快速高效的解决GM(1,1)幂模型对小样本有突变趋势振荡序列的预测问题.     

基于小波分析的价格周期识别——以天然橡胶和合成橡胶价格为例

使用1997年1月到2009年12月国内天然橡胶、国内合成橡胶、国际天然橡胶的月平均价格数据,运用小波去噪方法、H-P滤波法、B-K滤波法识别了各类价格的周期性并进行了比较.研究结果表明:不同方法得到的周期变化基本一致,小波去噪和BK滤波下周期相对多,HP滤波下波动幅度大;小波去噪法下各类价格对PPI具有最强的预测力,在此方法下国内天然橡胶、合成橡胶价格的平均周期长度约为22个月,国际天然橡胶约为21个月.     

基于不同经验模态分解的小波软阈值ECG去噪研究

针对ECG信号的非线性和非平稳性,利用不同经验模态分解的小波软阈值方法对其进行降噪处理.根据希尔伯特-黄(Hilbert-Huang)变换提出的一系列的EMD算法,有EMD、EEMD、CEEMD等.首先,将含高斯白噪声的ECG信号分别进行EMD、EEMD、CEEMD分解,所得到的固有模态函数(IMF)分量是从高频到低频排列的,分别舍去前几层含噪IMF'进行重构去噪.由于舍去的IMF分量中含有少部分信号的细节信息,然后利用小波软阈值对前几层含噪IMF提取细节信息得到新的分量,再将剩余分量和新的分量重构去噪后的ECG信号.利用去噪信号图和不同性能指标验证了不同方法的有效性,得出了基于CEEMD的小波软阈值ECG降噪效果最佳.最后,用上述方法对MIT-BIH心电噪声库信号进行去噪处理,其结果与仿真实验相吻合.