集成经验模态分解

摘要： 针对交通流预测精度受到原始信号噪声、模态混叠等因素的影响,提出了一种基于集成经验模态分解和双向长短期记忆网络的融合神经网络模型,并加入注意力层,实现短期交通流预测.集成经验模态分解将交通流信号分解成多个固有模态分量,双向长短期记忆网络从正向和反向同时读取序列,并将输出的信号输入注意力层.实验结果表明:所提出的模型成功抑制了模态混叠现象,并且可以更充分地学习交通流序列中的时序特征,且注意力机制能够捕捉整个交通流时间序列更加有影响力的时间点,并合理分配其训练权重,提高递归模型的特征提取能力;所提出的集成经验模态分解-长短期记忆网络-注意力机制模型的平均绝对百分比误差和拟合优度分别为1.2318%和0.9410,优于其他6种竞争模型,在短期交通流预测中具有较高的精度和稳定性.

摘要： 市场需求预测在社会生产和提高管理决策水平等方面意义重大。虽然当前的研究集中于使用深度学习模型对市场需求进行预测,但是市场需求时序序列中存在着高频率的噪声和复杂的非线性波动模式,这些模型对市场需求的变化规律和对某些局部极值的拟合能力并不出色。因此,DeepMDF被引入用于预测非平稳、非线性的市场需求数据。DeepMDF主要由两部分组成,分别是用于分解市场需求数据的集成经验模态分解(EEMD)和门控循环单元(GRU)。EEMD可以降低GRU拟合数据非线性波动规律的难度;GRU可以针对长期的时序数据进行建模。实验表明,DeepMDF的性能出色。与基准模型相比,DeepMDF在预测市场需求方面的均方根误差(RMSE)平均降低了约69.06%。总的来说,DeepMDF能够很好地完成预测市场需求的工作。

摘要： 为提高混凝土坝变形监测数据的预测精度,构建了一种基于集成经验模态分解(EEMD)与样本熵重构(SE)的长短期记忆网络(LSTM)预测模型。模型利用EEMD对原始数据序列进行分解,并计算每个分量序列的样本熵,以原始序列样本熵作为基准进行重构,再对重构后的各序列建立LSTM模型进行预测,最后把各预测值叠加以得到最终预测结果。以某混凝土拱坝为例,将该模型预测结果与EMD-LSTM、LSTM和SVM模型的预测结果进行对比,结果表明EEMD-SE-LSTM模型具有更高的预测精度,在混凝土坝的变形预测中具备更好的可行性与优越性。

摘要： 为有效解决风电大规模并网过程中面临的并网难和弃风等问题,实现可再生能源大规模平滑并网并保证大电网的安全稳定运行,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)和最小二乘双支持向量回归机(least square twin support vector regression,LSTSVR)算法进行风电场风速预测。分别介绍了LSTSVR、EEMD及自适应变异粒子群算法原理。给出基于EEMD和LSTSVR的风速预测流程,以安徽女儿岭风电场测风声雷达30、70 m处风速采样数据为例,开展基于EEMD和LSTSVR的风速预测算法验证,预测结果误差分析表明:基于EEMD+LSTSVR+自适应变异粒子群算法可以实现风电场风速的高精度预测。

摘要： 随着我国风电产业迅速发展,风电并网规模不断扩大,准确预测风电场输出功率是降低风电波动对电网影响、提高电能质量、保证电网稳定运行的有效途径。本文采用箱型分析及热卡填充的方法对数据集中的异常数据进行清洗与重构。采用遗传算法与EEMD分解算法相结合的方式改进BP算法,并且根据不同时间尺度预测结果对比,相对于传统预测模型而言,本文EEMD-GA-BP模型具有预测精度高,预测效果更为稳定等特点。

摘要： 碳市场价格呈现非线性、非平稳的复杂特性,准确预测具有较大的挑战。基于“分而治之”的思想,提出了一种基于局部回归的多尺度碳市场价格预测模型。提出的模型利用集成经验模态分解(EEMD)对碳市场价格时间序列进行分解。启发于EEMD局部特征分解的特点,对分解后的分量采用局部回归方法进行预测,然后将分量预测结果进行集成。采用的局部回归方法包括局部线性回归(LLP)、局部多项式回归、局部岭回归、局部主成分回归、局部偏最小二乘回归和局部套索回归。实验结果表明基于局部回归的多尺度预测模型具有优异的预测性能。在提出的模型中,EEMD-LLP结构简单且性能更为突出,进一步对EEMD-LLP参数的适应性进行探讨。与新近提出模型的对比结果表明了EEMD-LLP在碳市场价格预测中的有效性。

摘要： 针对小电流接地系统发生单相接地故障时选线准确率低的问题,提出一种基于集成经验模态分解和灰狼算法优化门控循环单元神经网络超参数的故障选线方法。利用集成经验模态分解的方法对线路零序电流进行分解,提取本征模态分量并计算分量的能量,以本征模态能量值作为特征向量输入至优化后的门控循环单元神经网络中实现故障选线。经过大量仿真实验验证,该算法在不同故障类型的情况下均能准确、可靠地进行故障选线,并在数据丢失及噪声干扰等情况下依然能有效识别故障线路,具有较好的抗噪性、准确性和可靠性。

摘要： 为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法(TSA)优化的径向基函数(RBF)神经网络与长短时记忆(LSTM)神经网络结合的混合预测模型.采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数(IMF)分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量.采用最小绝对收缩与选择算子(LASSO)方法进行特征选择.分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果.模型评估结果表明,混合预测模型的精度为98.72%.相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.

摘要： 电耗预测是原油管道运行能耗管理的重要依据,有助于输油企业制定批量调度与负荷分配等运行方案。由于采集的数据通常包含噪声和信息冗余,传统预测模型在小样本时预测精度较低。为提高在小样本时训练学习的预测能力,提出一种基于分解技术、改进粒子群算法(IPSO)和支持向量机(SVM)结合的原油管道电耗预测模型。利用自适应噪声的完整集成经验模态分解(CEEMDAN)对原始数据进行降噪和去信息冗余,提高预测精度;使用改进的粒子群算法优化支持向量机的超参数,增强拟合能力,对原油管道运行电耗进行预测。以国内3条原油管道为例,对建立的混合预测模型进行准确性评价。3条管道的决定系数值(R~2)分别为0.9109、0.9091和0.9534,与传统方法预测结果相比,在小样本时上述混合模型预测准确度最高。

摘要： 滑坡位移预测是滑坡灾害实时监测预警的重要组成部分,良好的滑坡位移预测模型有助于预测地质灾害发生。滑坡变形受多种外界因素影响呈现出随机性和非线性的特点,在现有的滑坡位移预测方法中,机器学习方法在滑坡位移预测中得到了广泛的应用。针对滑坡位移预测是趋势项位移和周期项叠加的特点,本文研究采用基于集成经验模态分解(EEMD)的滑坡趋势项和周期项位移提取方法,结合支持向量回归(SVR)模型实现对滑坡的位移预测。首先,详细介绍了该模型的构建过程和预测性能,并以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R~2)作为评估模型的预测性能指标。然后,分别利用EEMD-SVR、SVR、Elman模型对贵州省岩溶山区的一处滑坡进行位移预测,结果表明,EEMD-SVR模型连续1 d预测的RMSE值、MAPE值和R~2值分别为0.648 mm、0.518%和0.9968,可以提供更高可靠的滑坡位移预测精度,对同类滑坡的位移预测具有一定的参考价值。

摘要： 讨论了一种非平稳、非线性信号分析方法——集成经验模态分解方法(EEMD)，并采用基于EEMD方法对舰船辐射噪声仿真信号进行线谱提取，与小波分析方法进行对比分析后表明，EEMD对信号的分析比小波分析有一定的优越性.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 针对旋转机械高维故障特征识别精度低的问题,将集成经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)能量矩和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)进行结合,提出一种运用于旋转机械故障数据集分类方法.首先利用EEMD对转子系统的振动故障信号进行分解,得到各阶的本征模态函数(IMF)分量并计算其能量构造成特征向量矩阵,随后应用LFDA提取故障特征集中的非线性信息,同时在降维投影过程中充分利用类别信息,使降维后达到最小化类内距离,最大化类间距离的目的;最后,将降维后得到的低维敏感特征集输入支持向量机(Support Vector Machine)进行模式识别的结果表明该方法是有效的.

摘要： 本发明属于分析化学领域的化学计量学建模技术，涉及一种基于经验模态分解的多尺度极限学习机集成建模方法。首先，采用KS分组法将样品分为训练集合预测集，其次，将训练集的光谱信号通过经验模态分解被分解为一系列本征模态函数分量IMF和一个剩余项r，然后，对每个IMF及r建立极限学习机子模型；对预测集光谱经过同样的经验模态分解，将得到的子序列代入到子模型中，得到每个子模型的预测结果，将所有预测结果加权平均得到最终预测结果。本发明充分利用了信号的局部信息，可以得到更准确的预测结果。本发明适用于农业、食品、医药、石油以及环境等领域的复杂样品定量分析。

摘要： 本发明公开的一种基于二维经验模态分解的非对称集成光学加密系统，属于光学仪器技术领域。本发明包括相位截断傅里叶变换加密模块和二维经验模态分解模块。相位截断傅里叶变换加密模块用于对携带物体信息的平面波进行非对称加密处理，提取相位作为两个相位私钥。二维经验模态分解加密模块对一重实值加密图像进行二维经验模态分解，将其分解为多个分量，选择其中信息量最少的分量作为二重加密图像，提高密钥空间的维度。本发明能够提高光学加密系统的抗统计攻击能力和抗迭代攻击能力，提高非对称集成光学加密系统的安全性和鲁棒性。本发明结合液晶空间光调制器辅助控制实现纯光学的非对称集成光学加密系统，提升加密系统的灵活性和精确性。

摘要： 本发明涉及一种基于集成经验模态分解的早期乳腺癌特征提取方法，对天线阵列对乳房进行探测得到的回波信号进行处理，包括下列步骤：利用最小最大归一化算法，对各个天线的回波信号进行归一化处理；使用集成经验模态分解方法对经过归一化处理的回波信号进行处理，每1组回波信号通过集成经验模态分解都被分解为若干组信号分量；将0.03作为有效分量选取的阈值，判定皮尔森相关系数大于此阈值的IMF分量为有效信号分量，其余信号分量被舍弃；根据统计学特性，提取中针对有效信号分量进行基于均值、方差、标准差、最大值、能量熵和信息熵这6种统计学特性的特征提取，从每1组单通道回波信号中得到特异性特征。

摘要： 本发明公开了一种基于集成经验模态分解的海杂波去噪方法，其将白噪声信号加入到含有目标信号的海杂波信号中得到加噪后的海杂波信号，将该海杂波信号分解成一系列从高频到低频的固有模态函数，通过各个固有模态函数的自相关特性，分选出有用信号和噪声分量，对噪声占主导作用的固有模态函数，选用Savitzky‑Golay滤波方法进行滤波消噪处理，将滤波后的模态分量和剩余分量进行重构得到削除噪声后的海杂波信号；再结合最小二乘支持向量机建立混沌序列的单步预测模型，从预测误差中检测淹没在海杂波背景中的微弱信号，有效解决了传统经验模态分解的模式混叠现象，提高海面监测水平；比较去噪前和去噪后的均方根误差，可以利用均方根误差去评价噪声去除效果。

摘要： 本发明公开了一种分解参数自适应确定的互补集成经验模态分解方法，本方法通过采用逐步增加集成平均次数m值和逐步增加幅值比值系数k的方式对原始信号进行互补集成经验模态分解，从而自适应地确定互补集成经验模态分解的最优分解参数，有效抑制模态混叠，可以对不同的原始信号自适应地确定不同的分解参数，保证了互补集成经验模态分解的分解精度和计算效率，使分解得到的内蕴模态分量更加准确、更有效地表征原始信号的物理意义。

摘要： 本发明公开了一种基于改进集成经验模态分解与XGBoost模型的光纤周界入侵振动信号特征分类识别方法。解决现有光纤周界系统中入侵信号特征提取复杂、分类识别耗时以及样本特征数量少导致识别准确率低的问题。本发明对获取到的典型入侵事件进行时间维度截取，得到单个空间点的一维时间序列，构建典型入侵信号样本集；提出一种基于改进的集成式经验模态分解的光纤振动信号特征提取方法，获得入侵事件信号的本征模态分量，将其作为特征训练集；构建XGBoost模型，利用入侵信号特征训练集对模型的权重参数进行迭代更新，获得最佳分类模型。最后，在XGBoost模型中输入样本测试集，得到入侵事件分类结果。

摘要： 本发明公开了一种基于集成经验模态分解和极端梯度提升的雷电预警方法，采用EEMD分解大气电场仪观测的电场信号，计算原始数据和各模态函数的样本熵，按随机分量、细节分量、趋势分量进行分类重构，分别提取重构分量的统计和自编码器特征，采用XGBoost算法建立预警模型，并对各分量的分类器进行融合；本发明可以有效提高预警效果，降低虚警率。

摘要： 本公开公开了一种集成经验模态分解的样本熵阈值微地震信号降噪方法，所述方法包括：步骤S1，获取含有噪声的微地震信号，并对所述微地震信号进行集成经验模态分解，得到一系列不同频率成分的本征模态函数IMF；步骤S2，基于样本熵从所述步骤S1得到的本征模态函数中提取符合微地震信号特征的目标本征模态函数；步骤S3，对于所述目标本征模态函数进行重构，得到去噪后的微地震信号。本公开利用EEMD方法有效解决微地震信号中存在的模态混叠现象，进而能够有效去除微地震信号中的噪声，提高微震数据的信噪比。

摘要： 本发明涉及一种基于集成经验模态分解的早期乳腺癌特征提取方法，对天线阵列对乳房进行探测得到的回波信号进行处理，包括下列步骤：利用最小最大归一化算法，对各个天线的回波信号进行归一化处理；使用集成经验模态分解方法对经过归一化处理的回波信号进行处理，每1组回波信号通过集成经验模态分解都被分解为若干组信号分量；将0.03作为有效分量选取的阈值，判定皮尔森相关系数大于此阈值的IMF分量为有效信号分量，其余信号分量被舍弃；根据统计学特性，提取中针对有效信号分量进行基于均值、方差、标准差、最大值、能量熵和信息熵这6种统计学特性的特征提取，从每1组单通道回波信号中得到特异性特征。

摘要： 本发明公开了一种基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法。本发明针对的是火力发电汽轮机组中汽轮机，结合运用集成经验模态分解(EEMD)和卷积神经网络(CNN)，用于汽轮机振动信号的故障诊断。本发明充分考虑了汽轮机振动信号的成分多并夹杂大量噪声等特性，利用集成经验模态分解对原始振动信号进行分解，将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF)以便于特征提取，然后利用1D卷积神经网络对IMF进行特征提取，同时在特征提取的卷积神经网络之后连接了用于分类的全连接神经网络。该方法简化了故障诊断模型的建立过程，解放了人力，提高了电厂的工作效率，同时提高了故障诊断的效果，保障了安全生产的进行。