基于奇异谱分析的混沌序列降噪

基于奇异谱分析的基本思想，提出一种降低混沌信号中噪声的算法及一种基于噪声奇异谱特性的最佳重构阶次选择方法．对一个混沌时间序列进行奇异谱分析，得到各主分量和经验正交函数，选择合适阶次重构信号，即可得到降噪后的混沌时间序列．数值仿真证实了该算法的有效性．     

基于奇异谱分析的上证指数预测模型

该文应用奇异谱分析(SSA)的方法,对一维时间序列--证券指数,构造延迟矩阵,运用时间经验正交函数(EOF),对原序列进行重构,有效地提取序列中隐含的波形信号;利用自回归移动平均模型(ARMA模型)对原序列和重构结果分别进行预测,并进行比较.     

基于改进奇异谱分析的信号去噪方法

传统的去噪方法,比如小波阈值去噪,它只对高斯噪声有效,对于脉冲噪声却无能为力.近年来发展起来的奇异谱分析方法可以在高信噪比的条件下很好地滤除上述两类噪声,但该方法降噪过程涉及了一定的主观因素,并且受矩阵扰动理论的限制,该方法随着信噪比的降低,去噪能力也随之下降.针对上述情况,提出一种改进算法,将矩阵秩最小化理论应用于奇异谱分析方法中.仿真结果表明,改进算法去噪效果明显,能够最大限度降低信号均方误差,提高信噪比,增强奇异谱分析方法的通用性.      

基于奇异谱分析的校正磁共振图像非均匀场的新方法

提出一种基于奇异函数分析数学模型的校正磁共振图像非均匀场的新方法.首先将受非均匀场污染的图像低频分量移去,然后由较高频率的不受非均匀场污染的频率分量重构被移去的低频分量,进而重构无非均匀场的磁共振图像,最后估计非均匀场.该方法不需要组织密度参数模型,不用事先对图像进行预处理,完全不需要用户的参与.     

基于奇异谱分析(SSA)的弹头激波信号处理方法研究

针对弹头激波信号混杂其他噪声干扰无法分离时延特征参数问题,利用奇异谱分析(SSA)的自适应滤波特性进行处理,并对嵌入维数和重构主分量数目对分离效果的影响进行了讨论,建立性能评价函数和选择准则来进行优化。仿真结果表明,采用最优参数时SSA能有效提取出噪声条件下激波信号特征。     

基于奇异谱分析的轴承温度趋势预测及其应用

采用奇异谱分析方法对轴承温度信号在相空间进行重构,并利用重构吸引子轨道矩阵的奇异谱特性来分离温度信号的趋势成分,从而得到轴承温度的变化趋势特征.在此基础上开发了水电机组轴承故障预测系统,该系统包括数据采集、趋势分析和故障预测3部分.试验结果表明,该系统能早期预测轴承温升趋势,提取温度信号中的故障特征,对烧瓦故障作出早期预警,可用于水电机组的状态分析、状态评估和故障预测.     

基于奇异谱分析的桥梁索塔锚固区应力分析

工程结构的实时应力监测数据可以反映其自身的安全状态.针对苏通大桥北索塔锚固区下部首节钢锚箱的应力时间序列具有潜在的随温度呈周期振荡变化的特征,引入奇异谱分析方法,并加以改进,从原序列中提取出趋势成分和周期成分.再利用ARIMA模型对振荡序列有着良好的分析预测能力,对趋势及周期主分量进行预测,最后对分项预测结果加和校正.结果表明,与纵向的传统ARIMA模型及横向的基于粒子群优化算法的支持向量机(PSO-SVM)模型相比,上述所提方法的预测结果最为接近实测序列,该模型在工程结构应力健康监测中具有一定的应用价值.     

基于SSA-BiLSTM和奇异谱分析的短期风电功率预测

针对风电功率序列具有波动性和较高复杂度的特点,本文提出一种基于麻雀算法(SSA)优化的双向长短期记忆神经网络(BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。     

基于多尺度奇异谱分析的转子碰磨诊断的数值仿真

针对从系统时间响应谱分析的角度研究转子碰磨故障的识别和诊断问题,提出了一种新的基于多尺度奇异谱分析的故障诊断方法．该方法首先建立转子碰磨模型,并用龙格一库塔法求解碰磨转子的运动方程得到碰磨转子的时间响应;其次构造了一种简单的多尺度奇异谱分析方法,用不同尺度下的各阶经验正交函数作为分析函数;最后用提出的多尺度奇异谱分析方法分析了碰磨转子和正常转子的时间响应信号．数值仿真结果表明,具有数据自适应的分析函数能够捕获信号的不同特征,通过比较不同阶次的分析函数分析的结果,可以有效地对转子碰磨进行识别和诊断．     

集成奇异谱分析和长短期记忆网络的区域海平面变化预测

基于我国首套高精度全球海洋气候数据集（CDRs）,选取季节变化较为明显的黄海作为研究区域,利用奇异谱分析（SSA）对黄海海域海平面异常（SLAs）数据进行了时间序列与时空序列的分解去噪,并结合长短期记忆（LSTM）网络构建了SSA-LSTM组合模型,对黄海海域海平面变化趋势进行预测。结果表明：SSA-LSTM组合模型对时间序列的预测精度显著提高,预测长度5年的均方根误差最小为35.04 mm;在对时空序列的预测中,预测第1年的均方根误差最小为19.68 mm。同时,利用空间模态进行了海平面变化时空分异规律研究,发现黄海海域海平面变化趋势具有高度一致性,并且与季节、纬度显著相关。预计2016年―2025年黄海海域海平面将以每年3.65±0.79 mm的速率持续上升。     

基于集成学习的束支传导阻滞识别方法

为提升基于心电图的左、右束支传导阻滞自动化诊断性能,提出了一种以多导联心电图卷积神经网络模型作为基学习器的集成学习诊断方法.首先从临床12导联同步静态心电图中提取出有效诊断导联数据并分割为若干个多导联单心搏数据切片.采用自助采样法抽取多个数据子集,并对每个子集以不同方式进行数据扰动后输入基学习器,得到相应的预测模型.然后以贝叶斯方法作为集成学习的结合策略融合多个模型进行预测.最后采用投票法结合1例心电图中的多个心搏分类结果给出诊断.实验结果表明,该方法具有较高的灵敏度和特异度,具有临床应用价值.     

一种基于奇异值分解的人脸识别新方法

基于奇异值向量方法进行人脸识别时,由于提取的奇异值向量特征所包含的人脸图像的有效信息少,导致人脸识别率低下。基于此提出了一种基于奇异值分解的人脸识别新方法——矩阵的秩-逼近法。利用ORL人脸数据库进行实验,并采用最近邻决策规则来进行分类识别。实验结果显示,提出的方法比基于奇异值人脸识别方法具有优越性,本算法能大大地改善识别效果。     

基于纹理频谱子集的纹理识别

纹理频谱法是一种有效的纹理特征提取方法，但其所提取的特征高达6561（3^8）维，导致很大的存储和计算复杂性．局部二值模式通过简化纹理频谱法的定义，虽然减小了计算的复杂性，却削弱了纹理的刻划能力．为了在保持纹理频谱法纹理刻划能力的同时，又减少其存储和计算复杂性，提出了基于子集的纹理频谱方法．新方法建立在统一模式的概念上，仅提取纹理频谱的1个子集，特征维数仅为原方法的12％，大大减小了空间和时间代价．实验结果表明，新方法比纹理频谱法和局部二值模式具有更好的纹理识别性能．     

基于奇异值曲率谱的有效奇异值选择

为了实现有效奇异值的自动选择,提出了奇异值曲率谱方法.首先分析了Hankel矩阵方式下理想信号和噪声信号的奇异值特点,发现理想信号的奇异值曲线存在一个很大的转折点,噪声信号的奇异值曲线则很平坦.然后提出了奇异值曲率谱的概念,并利用它来描述含噪信号奇异值曲线的转折点情况,分析了曲率谱计算时需注意的问题.研究结果表明,根据曲率谱的最大峰值位置可以确定有效奇异值个数:如果奇异值曲线在曲率谱最大峰值的位置坐标k处是凸出的,则有效奇异值的个数为k;如果奇异值曲线在k处是凹进的,则有效奇异值的个数为k-1.利用此方法来确定轴承振动信号的有效奇异值,提取到了由于滚道损伤而引起的调制现象,据此可靠地判断出了滚道剥落坑总数.     

基于纹理频谱子集的纹理识别

纹理频谱法是一种有效的纹理特征提取方法,但其所提取的特征高达6 561(38)维,导致很大的存储和计算复杂性.局部二值模式通过简化纹理频谱法的定义,虽然减小了计算的复杂性,却削弱了纹理的刻划能力.为了在保持纹理频谱法纹理刻划能力的同时,又减少其存储和计算复杂性,提出了基于子集的纹理频谱方法.新方法建立在统一模式的概念上,仅提取纹理频谱的1个子集,特征维数仅为原方法的12%,大大减小了空间和时间代价.实验结果表明,新方法比纹理频谱法和局部二值模式具有更好的纹理识别性能.