基于VDM-ISSA-LSSVM的云资源短期负载预测模型

准确预测云资源短期负载对提高云平台资源管理效率、保障云服务质量至关重要。针对传统模型在面对小样本、非线性云资源负载数据时预测精度不高，提出一种基于变分模态分解(VMD)和改进麻雀搜索算法(ISSA)优化最小二乘支持向量机(LSSVM)的云资源短期负载预测模型。将原始负载数据通过VMD分解成多个相对平稳的模态分量；对麻雀搜索算法进行优化，增强种群多样性，提高寻优性能和收敛速度。利用改进麻雀搜索算法优化LSSVM的关键参数，建立VMD-ISSA-LSSVM预测模型。利用Wikipedia网站的云资源负载数据进行仿真，结果表明，所提模型在预测精度上优于参照模型。     

EMD以及类EMD方法

经验模态分解(Empirical Mode Decomposition, EMD)是一种处理非线性、非平稳信号的时频分析方法。该方法依据输入信号自身的特点,自适应地将信号分解成若干个本征模态函数( Intrinsic Mode Function, IMF)之和。EMD被认为是对以线性和平稳假设为基础的傅立叶分析和小波变换等传统时频分析方法的重大突破。随着EMD的发展,很多类EMD方法逐渐出现。总结归纳了EMD以及类EMD方法的应用。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势.本文以电力绝缘气体SF6为研究对象,在介绍EMD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加重构得到去噪后的信号.分析了在不同噪声水平上与小波阈值去噪方法的处理效果.实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势.     

一种基于改进总体经验模态分解与反向传播神经网络的短期负荷预测方法（英文）

目的:短期电力负荷预测是电力系统安全调度、经济运行的重要依据。研究处理非线性、非稳态电力负荷信号的新方法,建立短期负荷预测的混合模型,提高短期负荷预测的精确度。创新点:1.提出一种改进总体经验模态分解(EEMD)方法,抑制传统EEMD方法中的端点效应问题;2.提出一种基于改进EEMD和反向传播神经网络(BPNN)的短期负荷预测方法。方法:1.使用改进的EEMD方法将非稳态、非线性的电力负荷信号分解为一系列的内禀模态函数和一个趋势余量;2.移除所得的高频内禀模态函数;3.使用BPNN分别预测各内禀模态函数及趋势余量;4.使用BPNN组合各内禀模态函数及趋势余量预测结果,即为最终负荷预测结果。结论:1.所提出的改进EEMD方法能有效抑制传统EEMD方法中的端点效应问题;2.在相同条件下,所提出的基于改进EEMD和BPNN的短期负荷预测方法较BPNN、EMD-BPNN、EEMD-BPNN、SARIMA-BPNN、WTNNEA和WGMIPSO预测方法有更高的精确度。     

基于MNELAB和EMD的癫痫EEG噪声和伪迹去除方法研究

头皮脑电信号在临床上常常被用来诊断癫痫脑疾病,但是其高噪声、强干扰、非线性和非平稳的特点会影响临床诊断和科学研究.为了更好地解决这一问题,采用现有的MNELAB软件和经验模态分解(empirical model decomposition, EMD)去处理癫痫脑电信号(Electroencephalogram, EEG).经过对比实验发现,基于MNELAB和EMD的伪迹和噪声去除方法都获得了较好的效果,但是利用EMD算法编写的程序能够进行多通道大批量的信号处理,这种方法在自主性和透明性等方面都要优于使用现有软件.良好的伪迹和噪声去除方法能够为临床诊断和EEG的科学研究提供重要的手段和前提.     

EMD方法在局部放电超声信号提取中的应用

变压器局部放电超声波定位中,首要任务是对超声波信号的提取,其准确性将直接影响到定位的实现.EMD方法可以将非线性、非平稳信号分解为不同频率成分的内禀模态函数,从而提取超声波信号.以山西省高压电气设备局部放电定位项目为背景,详细分析了EMD方法的原理、实现过程,并用实例测试仿真,验证了该方法的有效性与准确性.     

基于VMD分解和小波阈值的语音信号去噪

为了对非平稳、非连续的语音信号进行降噪,提出一种基于VMD分解和小波阈值的语音降噪方法。通过仿真信号对比分析了VMD、EMD和EEMD算法对信号分解中存在的伪分量、模态混叠问题。先用VMD对语音信号进行分解,再利用小波阈值降噪。实验结果表明,该降噪方法明显优于小波阈值的语音信号降噪、基于EMD和小波阈值的语音信号降噪以及基于EEMD和小波阈值的语音信号降噪。     

非平稳信号的一种分析方法及其应用

本将一种基于经验的模式分解算法(EMD)和希尔伯特时频谱的方法用于非平稳非线性信号分析中。通过和小波变换比较，发现它能获得比小波交换等方法更好的时频分辨率，为我们研究和分析非平稳非线性信号提供了一种新的方法。     

非平稳随机激励下结构模态识别的小波协整方法

提出一种环境激励下的模态识别方法.具体方法是通过对非平稳随机激励下的线性时不变系统的结构响应进行小波变换,对各级小波系数利用协整理论进行线性合成得到新的信号.若此信号是平稳的,则以它代替原始的结构响应,然后结合平稳随机激励下的模态识别方法--NExT方法和修正的连续最小二乘法,只通过输出信号就可以实现对非平稳随机激励下系统模态参数的识别.仿真结果表明,该方法可以极大程度上消除非平稳随机激励所引起的结构响应的非平稳性,而且具有很高的精度和稳健性.     

基于LMD模糊熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于局部均值分解(Local Mean Decomposition,LMD)模糊熵的遥测振动信号异常检测方法。实测数据验证了该方法的有效性。     

基于经验模态分解的并列双圆柱绕流信号处理

基于磨光算子处理后空间N-S方程解的存在唯一性,针对一定雷诺数下并列双圆柱绕流具有附着于原大尺度结构上的小尺度结构的特性,提出利用经验模态分解(EMD)这一非线性、非平稳信号处理方法,对风洞实验中一定雷诺数下并列双圆柱绕流实测所得的原始信号进行多尺度分解,得到了去除骑行波之后的有效信号。实验结果表明,该方法磨光效果好,磨光后的信号标准偏差减小25%且无有效信息的损失,同时这种方法还具有自适应等特点。     

基于EMD的多特征参数和关联向量机的滚动轴承故障诊断研究

轴承作为工业中旋转机械中的重要部件,其故障将严重影响机械设备的安全运行.为了实现对轴承运行故障状态的有效诊断,提出了一种基于经验模态分解(empirical mode decomposition,EMD)提取的多特征参数的关联向量机的(Relevance vector machine,RVM)的滚动轴承的多故障诊断模型.首先运用经验模态分解的方法将轴承振动信号分解为多个固有的模态分量,之后将提取的表征轴承故障特征的IMF分量的能量、峭度、偏度构造特征向量,最后采用关联向量机多分类故障诊断模型进行故障模式识别.轴承实测振动信号分析表明:该方法能够有效、准确地诊断出轴承的故障状态,具有较高故障诊断准确率.     

融合EMD与LSTM神经网络的门诊量预测模型研究

随着现代医院信息化发展,门诊量预测显得更加重要,门诊预测不仅是对医院堆积数据潜在信息的深入挖掘,而且可为医院管理者的医疗资源配置提供建议。针对波动和噪音较大的门诊量时间序列预测问题,使用经验模态分解（EMD）对原始数据进行平稳处理,在此基础上建立长短期记忆（LSTM）神经网络模型,并选取单一的LSTM神经网络以及支持向量回归模型进行比较验证。实验结果表明,该组合模型有较好的预测精度,能为医院管理者提供决策支持。     

基于序贯相似性检测和自适应滤波的EMD端点效应处理方法（英文）

针对经验模态分解时存在的端点效应问题,提出了一种基于序贯相似度检测和自适应滤波的方法来抑制EMD的端点效应.该方法将信号分成多个子波,通过改变初始子波的长度来选择误差最小、匹配种子子波个数最大的最佳初始子波,并利用子波斜率进行预匹配和二次匹配,以提高匹配速度.然后利用对折方式自适应调整阈值选择多个种子小波,最后根据自适应滤波方法对端点波形进行预测和扩展.利用该方法对非平稳非线性仿真信号和实验信号进行了分析,并与镜像拓延法和RBF拓延法进行了比较,该方法拓延后信号的EMD结果正交指数和相似指数优于其他方法.结果表明,该方法能较好地抑制端点效应,对解决端点效应问题具有一定的有效性、准确性和稳定性.     

基于季节性AR（P）模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象．文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平稳序列,且序列具有明显季节性（月份）变化的特性．为此尝试建立季节性AR（P）模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的．     

基于MEEMD与TEO的电缆故障测距方法

正确识别故障行波波头和精确的双端测距算法可保障电缆故障行波测距精度。为解决希尔伯特黄变换（HHT）中经验模态分解（EMD）存在的模态混叠问题,提出一种基于改进集总经验模态分解（MEEMD）和Teager能量算子相结合的电缆故障行波检测方法。针对故障行波波速及线路实际长度变化对双端测距精度的影响,推导出一种不受波速影响的双端测距算法。PSCAD/EMTDC仿真结果验证了该方法可行且测距精度高。     

平稳时间序列模型优选及阶数比选研究——以年最高洪水位预报为例

水位预报因具有数据直观,复核方便,容易确定避险区域等优点而逐渐取代复杂的流量预报.平稳时间序列模型计算简单,容易操作,是水位预报的理想方法.本文对比分析自回归模型、滑动平均模型和自回归滑动平均模型,以简捷原则为原则建立了自回归模型的参数计算方法和水位预报模型.并以丹东一水文站25年水位资料为例进行了两个阶数对比,结果表明3阶预报精度高于5阶,比选结果认为一般情况下可只进行3阶预报就能满足精度要求.     

基于MEEMD加窗改进方法与GRNN组合的电力负荷预测

针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。     

大跨度小净距隧道爆破振动监测与信号特征分析

为提高隧道爆破信号分析精度,基于稳健经验模态分解和同步挤压小波变换理论开展研究。通过集成化振动监测方法,实时监测大跨度小净距隧道钻爆法施工中夹岩的动态响应特点。将采集爆破信号按照稳健经验模态分解为若干本征模态分量,求取得到各模态分量信号的Hilbert时频谱,结合时频谱特征和相关度、方差贡献率综合确定信号的优势分量,通过同步挤压小波变换重构优势分量进而得到优化后的爆破信号及频谱,精细化提取得到隧道爆破信号能量在时频域的分布特征。结果表明：组合分析方法对隧道爆破具有很强的适用性,可准确获得非线性、非平稳爆破信号的时频特征,实现爆破信号特征精细化特征提取过程。爆破引起的岩体损伤与爆破次数具有密切关系,应针对性地制定安全标准,保障大跨度隧道掘进安全。     

基于EMD-WVD时频分布的齿轮故障诊断方法

针对Wigner-Ville分布(WVD)存在交叉项干扰的问题,采用基于经验模态分解(EMD)的WVD交叉项抑制方法,将齿轮故障信号分解为各阶固有模态函数,剔除伪分量后计算其各阶WVD,将WVD计算结果线性叠加就得到原始故障信号的WVD时频分布。仿真和实验结果表明,该方法结合EMD和WVD的优点,有效抑制WVD交叉项的干扰,保证其时频分布聚集性,达到诊断齿轮故障的目的。