排序方式: 共有36条查询结果,搜索用时 15 毫秒
1.
2.
基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。 相似文献
3.
本文在对改进的IPEG算法分析的基础上,给出了这种算法的一种仿真实现。该算法的优点是增加了信息节点的连通性,从而减少了小停止集。仿真结果表明,与用IPEG算法相比较,利用此种方法构造的LDPC码具有更低的错误平层。 相似文献
4.
5.
针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。 相似文献
6.
针对实际地震动采集过程中由于低频噪声、速度和加速度初始值以及人为操作误差等诸多影响因素造成地震波位移时程曲线出现严重基线漂移的问题,以地震波基线漂移校正为目标,在Iwan法和EMD法的基础上,提出了一种新的基线漂移处理方法。该方法可以保留原始记录的峰值和频谱特性,保证了基线漂移处理后的速度终点值为零,位移终点值平行于时间轴。在文中方法的基础上应用ANSYS结合"大质量法"和"位移法"进行了地震响应动力计算。结果表明:采用文中提出的基线漂移处理方法可以保证在不改变原始记录峰值及频谱特性的基础上,对地震波基线漂移现象进行校正。研究成果对低频噪声、初始值及人为操作误差等因素引起的基漂现象滤除具有参考价值。 相似文献
7.
为了解决当环境噪声较严重时光强难以维持稳定,容易误判目标光缆问题,根据干涉信号非线性、非平稳的时域特征,提出了一种希尔伯特-黄变换及主成分分析相结合的信号处理方法。探测器接收的干涉信号对进行经验模态分解,把分解得到的本征模态分量作为列向量构建主成分分析的样本矩阵,以奇异值的贡献率进行有效成分筛选;然后采用主成分分析算法完成降噪优化。最后将降噪后的信号进行希尔伯特-黄变换得到瞬时特征信号,完成目标光缆识别。结果表明,相同噪声环境下所提方法可有效提高回波干涉信号的信噪比。因此,研究结果可以降低误判目标光缆的概率,帮助工程人员更有效地完成光缆识别。 相似文献
8.
碾压速度是评价压实质量的重要指标,但在监控过程中,碾压速度易受施工环境、定位漂移等干扰而出现异常检测值,影响压实质量的评价精度,但目前还缺乏对碾压速度异常值检测与修正的相关方法研究。为保障碾压速度的数据质量,结合碾压速度的时序变化特征,利用Kmeans算法初步定性检测异常值,弱化异常值对经验模态分解(EMD)结果的影响,并基于EMD实现对异常值的精细定量检测,提高异常值检测的精度;进而利用经混沌种群初始化、非线性收敛因子、自适应惯性权重与鲶鱼效应-黄金正弦改进的鲸鱼优化算法(IWOA)优化Elman神经网络,并构建碾压速度异常值修正模型,实现对碾压速度异常值的修正。将本文方法应用于西南某大型水电工程,结果表明:Kmeans算法与EMD的联合作用相比箱线图法可更高精度地检测碾压速度中的异常值;IWOA-Elman神经网络预测值与真实值的相关系数达到0.907 75,相比常规模型不仅可以更好地确保数据的完整性与可靠性,还可以为压实质量的高精度评价奠定良好的数据基础。 相似文献
9.
基于前向滚动EMD技术的预测模型 总被引:1,自引:0,他引:1
运用经验模态分解(EMD)、人工神经网络(ANN)和时间序列,基于分解—重构—集成的思想,构建了一个组合预测模型。在模型的构建过程中,提出了对股票指数序列进行逐日前向滚动EMD分解的思路,将分解后的本征模函数(IMF)分量输入神经网络进行组合预测。运用上述基于前向滚动EMD模型分析沪深300指数和澳大利亚指数的波动特点和走势。结果显示:前向滚动EMD模型比ARIMA模型、GARCH模型和BP神经网络模型具有更高的预测精度。 相似文献
10.