基于时间序列分解的信号挖掘与预测

随着电磁信号环境日趋复杂以及通信设备数量的不断增加,电磁信号受到干扰问题逐渐加剧。因此,对于信号在不同噪声环境下的接收与处理技术的研究以及在复杂的电磁环境中对信号各项数据指标及其携带信息的利用十分关键。为了解在不同电磁环境下含噪信号的性能表现,提高信号的利用质量及可靠性,本文提出一种基于时间序列分解的电磁数据处理方法。建立了基于加法季节性时间序列分解的含噪信号处理模型,并利用该模型对信号在有噪环境下的表现与规律性、趋势、误码率等性能进行分析与评估,对原始信息、载波信息进行挖掘预测。与传统方法相比,本文提出的基于时间序列分解的信号挖掘与预测模型在高噪环境下对信号预测更为准确。     

认知无线网络中基于时间序列预测的冲突分解算法

针对认知无线网络提出了一种新的基于业务模型预测的冲突分解算法,该算法利用认知节点对用户业务的感知能力对业务进行建模,使用模型预测冲突报文数,同时结合树形分解算法来分解报文冲突.理论分析和仿真结果都表明,在真实的自相似业务背景下,该算法能提高认知网络的系统吞吐率和降低平均分解周期,从而使得系统的整体性能得到改善.     

时间序列预测问题中小波分解的应用研究

针对非平稳时间序列预测问题,将支持向量机理论和小波理论相结合进行预测.首先对复杂的非平稳时间序列进行小波分解得到相对平稳的分量,然后对相对平稳的分量单独用SVR建模进行预测,最后将得到的多个预测结果进行组合得到最终的预测结果.同时实验验证了其有效性.     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法.将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高.引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题.此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位.经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足.     

基于时间序列组合模型的电力负荷预测

针对传统电力负荷数据非稳定、非线性的特性导致预测精度不高的问题,提出一种基于数据模态分解与CNN-BiLSTM相结合的负荷预测模型。利用自适应噪声完备集合经验模态分解算法（CEEMDAN）对原时间序列负荷数据进行分解,分解成多个稳定的本征模态函数分量（IMF）和残差（Res）;对各分量使用卷积神经网络和双向长短期记忆网络组合模型逐一预测。对预测效果评估指标较差的分量继续采用变分模态分解（VMD）算法进行分解,再次预测从而提高模型的整体预测精度。经过实验验证表明,该组合模型与其他模型相比,有效提高了拟合优度,降低了预测误差。     

基于注意力时空解耦3D卷积LSTM的视频预测

为高效提取视频时空特征以提高视频预测准确性,提出了注意力时空解耦3D卷积LSTM算法.首先,将卷积LSTM内部单元的传统2D卷积运算改为3D卷积,额外提取视频帧间短期空间运动信息;并借助注意力机制自动捕捉视频帧间长期动态信息的相关性.其次,由于卷积LSTM网络中特征信息在所有层的Z型传递方式会导致梯度消失,为此在网络结构中加入层间高速通道优化不同层间LSTM单元视频信息流的传递过程.同时,时间特征和空间特征在网络中会彼此干扰学习冗余功能,造成特征信息的低效获取以及网络预测质量的降低,为此在损失函数中加入时空解耦运算分离时间特征和空间特征的学习.最后,针对训练编码阶段和预测解码阶段的数据输入过程,提出数据输入重采样,在模型训练和预测阶段使用相近相反的数据输入策略减少编码器和解码器的差异.在合成数据集以及人体动作数据库上的实验结果表明,该算法模型在时空特征提取上有更好的性能.     

长序列线性卷积的数论变换算法

本文提出一种利用数论变换计算长序列线性卷积的算法。它利用较短的数论变换对长序列卷积进行分段计算,减少了数论变换处理中移位操作的位数;用适当的字长就能完成较长的卷积计算,因而显著缩短了卷积执行时间。     

基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

离散时间序列卷积和的求法

卷积是“信号与系统”课程中的重要概念。连续卷积与有限长序列的卷积和在文献中给出了多种解法。文中系统介绍了求解一般离散时间信号卷积和的几种方法,包括解析法、列表法、利用卷积和性质求解及应用单位样值信号求解,并通过举例加以说明。最后,对各种解法进行了比较和讨论。     

基于时间序列的流量预测算法综述

随着我国城市化进程的加快,越来越多问题的出现对我国城市的市政系统有了更高的要求,为给相关单位的管控工作与规划提供可靠的依据,提高基于时间序列数据的流量预测的准确性是目前研究的重中之重.本文介绍了基于时间序列流量预测的传统方法以及它们的发展趋势,在此基础上指出了基于LSTM与传统神经网络的组合模型,组合模型作为一组相对比...     

基于外界影响及时序因素的PM2.5预测研究

随着雾霾问题逐渐加重,对其主成分之一PM2.5的预测已成为广泛关注的问题.PM2.5日浓度变化受多种因素影响,且具有非线性、时变性的特征,难以被准确预测.针对此问题,文中提出一种基于外界影响及时序因素的PM2.5日浓度预测方法.该方法分离出PM2.5日浓度的外界主要影响因素与时间因素,建立了基于外界主要影响因素的BP神...     

基于时间序列预测的融合跟踪定位算法

现有定位系统中因终端设备各个时刻独立完成定位而忽略了能对目标位置估计提供额外信息的位置时间相关性,为了解决这个问题,引入了时间序列预测模型,基于历史位置信息充分挖掘物体的运动规律,进而预测出目标下一个时间段的位置信息,再将预测结果与现有定位系统的定位结果进行融合计算,实现对目标的跟踪定位。仿真结果表明,时间序列预测模型的引入可以有效地减小跟踪定位误差,实现更好的跟踪定位效果。     

基于希尔伯特振动分解和卷积神经网络的融合特征心电识别算法

在信息高速发展的当代社会,5G技术的问世将极大地助力社会经济和信息化发展,而隐私安全和信息安全愈发得到重视,因此公众会对身份的识别技术提出了更高要求。然而,传统基于密码、ID卡以及新型的基于人脸和指纹的识别方法存在易丢失、遗忘和窃取或易于伪造和获取复制等问题而存在极大的安全隐患。为提高身份识别的可靠性和准确率,提出了基于希尔伯特振动分解和卷积神经网络的融合特征心电图信号识别算法。首先采用基于重叠组收缩阈值算法和平移不变的消噪算法对含噪心电信号去噪,其次利用盲源分割技术将心电信号分割成固定时长的心电片段,再次采用基于希尔伯特振动分解的时频分析方法获得心电信号的时频表示图,通过提出的心电残差卷积神经网络对时频表示图实现特征提取和降维,最后通过Softmax分类器实现分类和识别。以Physionet数据库的ECG-ID数据集验证提出算法的性能,采用10折交叉验证法得到平均识别率为99.08%。结果表明,提出的心电识别算法具有高效的识别性能和良好的应用前景。     

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖,忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系,提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法（DTW-STC）。基于动态时间规整算法确定切片时长,将机会网络切分为快照,用快照的链路状态矩阵表征其拓扑信息;采用时序卷积神经网络获取短期时序特征,结合网络变化构建时空图表征短期时空关系,利用图卷积运算提取网络的短期时空特征,经过多次卷积的堆叠,得到网络长短期时空特征;基于自编码器结构实现向量空间切换,预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明,DTW-STC方法的预测性能优于基线方法。     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

基于小波分解的AR-SVR一类非平稳时间序列预测

本文提出了一种基于小波分解的均值具有趋向性的非平稳时间序列预测方法。方法首先利用具有平移不变性的小波分解,分离非平稳时间序列中的长期趋势和高频信息(短期行为),然后对高频信息构建自回归AR模型,而对于趋势则利用支撑向量回归(SVR)进行拟合,最后将各模型的预测结果进行叠加,从而得到原始序列的预测值。这样保证了充分拟合长期趋势的同时,避免了短期行为造成的过拟合。最后的实验结果表明本文提出的这类非平稳时间序列预测方法是有效的。     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于子空间分解的多通道盲解卷积算法

针对卷积混合信号,提出了一种新的多通道盲解卷积算法,该算法首先利用子空间分解方法,将信号卷积混合模型变换成线性混合模型,然后利用线性混合盲分离算法分离出源信号.该算法相对频域盲解卷积算法来说无需解决线性混合盲分离中存在的幅度和排列顺序的模糊性问题,而且该算法不要求信号独立同分布,只要求各源信号统计独立即可.因此,该算法可以直接在中频对观察信号进行处理.计算机仿真结果表明,该算法不仅能对不同频不同调制方式的通信信号进行盲解卷积,而且对同频同调制的通信信号,该算法同样有效.     

融合坐标注意力与卷积社交池的车辆轨迹预测

针对车辆行驶受相邻车辆的影响,本文提出了一种特征增强的模型,在LSTM编码器-解码器架构上,使用卷积社交池提取一定范围内的车辆轨迹信息特征,再添加坐标注意力进行特征增强。使用NGSIM数据集实验结果表明,本文所提模型表现性能良好。相较于其他模型,5 s内在均方根误差指标上平均降低了14.10%、15.76%、17.49%、17.81%、17.20%。