基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

CEEMDAN在变压器振动信号提取中的应用

有效提取变压器振动信息对于识别变压器运行状态具有重要的现实意义.本文提出一种基于自适应白噪声完整集成经验模态分解(CEEMDAN)的变压器振动信号分析方法.论文首先采用CEEMDAN将原始变压器振动信号分解成有限的固有模态分量(IMF),之后利用相关系数(CC)提取有效的IMF分量.最后,将提取出的有效IMF分量进行信...     

基于两步分解法和SARIMA的非饱和机场能耗预测

针对非饱和机场能耗时间序列的非线性和非平稳性特点,提出一种基于两步分解法和季节差分自回归滑动平均模型相结合的组合预测法。利用自适应噪声完整集成经验模态分解法和样本熵,将原始能耗时间序列分解为从高频至低频且复杂度不同的分量。再利用变分模态分解法对高频复杂分量再次分解,得到一系列呈现弱非线性且相对平稳的子序列。采用季节差分自回归滑动平均(SARIMA)模型对各子序列进行建模预测,将各子序列预测结果叠加得机场能耗预测值。实验结果表明,该方法可以有效提高非饱和机场能耗的预测精度。     

一种基于CEEMDAN-CPELM的池塘溶解氧预测模型研究

针对集约化水产养殖中水体溶解氧时间序列非线性、非稳定性特征导致的溶解氧预测模型构建难度大、预测精度不高的问题,提出一种基于自适应完备集合经验模态分解-聚类重构结构的偏最小二乘优化极限学习机溶解氧预测模型(CEEMDAN-CPELM)。采用CEEMDAN方法将溶解氧数据流分解为不同频率的模态分量,并依据各分量的模糊熵值评估各分量的复杂度,利用K-medoids方法将所有分量按照模糊熵复杂度进行聚类,实现数据的分解-重构过程,降低溶解氧预测的难度;再利用偏最小二乘算法对极限学习机进行优化,提高模型的预测性能。最后,将CEEMDAN-CPELM模型应用到常熟养殖试验基地的水体溶解氧预测中。试验结果表明：基于CEEMDAN-CPELM的溶解氧预测模型的预测均方根误差值为0.959,明显低于GA-SELM、LSSVM和ELM等对比模型,验证了该预测模型的可行性和有效性。     

基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题，提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点，对含噪IMF分量采用小波熵自适应阈值去噪后，与信号IMF分量重构，得到去噪后的心音信号。仿真结果显示，在不同信噪比条件下，上述算法均能明显提高心音信号的信噪比，降低均方根误差，优于其它传统去噪算法，具有良好地抑制噪声能力。     

基于变分模态分解与门控循环单元网络的云资源预测

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要.由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测的难度.为了捕获非平稳性数据更多信息,提高云资源使用情况的预测精度,提出基于变分模态分解(VMD)算法和门控循环单元(GRU)网络的预测模型(VMD_AGRU).首先将原始时序数据通过VMD算法分解成多个相对平稳的模态分量;再将蚁狮优化(ALO)算法集成到GRU模型中去,分别对分解后的本征模态分量进行预测,利用优化算法自适应地选择最优参数;最后整合每个分量的预测结果得到最终的云资源使用情况预测结果.在公开数据集上进行预测,并与未优化的GRU、差分自回归移动平均(ARIMA)和反向神经网络(BPNN)等进行对比.CPU利用率预测的实验结果表明,与并未分解且未优化的GRU模型相比,所提出的模型在预测精度上有48.1％的提升,验证了该方法的有效性.     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%;在决定系数R²上增大了43%,实现了更高的预测精度。     

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%;在决定系数R²上增大了43%,实现了更高的预测精度。     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

原油期货价格预测模型CEEMDAN-PSO-ELM

为了进一步提升原油期货价格预测的精准性,本文基于CEEMDAN分解算法和ELM极限学习机模型,利用PSO粒子群优化算法对机器学习模型进行参数寻优,进而构建了CEEMDAN-PSO-ELM模型用于原油期货价格预测.先基于CEEMDAN算法对原始价格序列进行分解,然后利用Lempel-Ziv复杂度指数对分量进行重构,得到高频、中频和低频重构分量,再采用PSO-ELM模型对每个重构分量进行预测,利用PACF系数选取模型输入变量,最终加总集成各分量预测结果.实证结果表明,与其他15种基准模型相比,CEEMDAN-PSO-ELM模型的预测性能最佳,MCS检验和DM检验也进一步证实了该模型的稳健性.     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

结合深度学习和分解算法的股票价格预测研究

针对股票价格预测问题,实现对非平稳、非线性股票价格序列的预测,提出一种结合深度学习和分解算法的股票价格预测模型。该模型引入自适应噪声的完整集成经验模态分解（CEEMDAN）算法提取股票价格时间序列在时间尺度上的特征,利用注意力机制捕获输入特征参数的权重并结合门控循环单元（GRU）网络进行股票价格预测。实验对苹果、贵州茅台等国内外四家公司的股票价格和上证指数进行预测,结果表明与RNN、LSTM等模型相比,所提模型能有效减少预测误差,提高模型拟合能力。     

基于改进小波阈值-CEEMDAN算法的ECG信号去噪研究

Electrocardiogram (ECG) signal denoising has always been a hot research issue. In order to eliminate the noises in ECG signal, a denoising method based on adaptive complete set empirical mode decomposition (CEEMDAN) and wavelet improved threshold function is proposed. Firstly, this method firstly decomposes the ECG signal by CEEMDAN to obtain a set of intrinsic modal functions (IMFs) from high frequency to low frequency. CEEMDAN decomposition is performed on ECG signal to yield several modal components (IMF). Secondly, the correlation coefficient method is used to perform wavelet denoising with improved threshold on the high frequency IMFs. For the low frequency IMFs, by setting a fixed threshold, the IMFs below the threshold is considered to be the baseline drift signal and removed. Finally, the denoised IMFs and the retained IMFs are reconstructed. The experimental results show that the proposed method is more effective than the empirical mode decomposition (EMD) wavelet denoising, and the global average empirical mode decomposition (EEMD) wavelet denoising method.     

改进EEMD-GRU混合模型在径流预报中的应用

为解决径流预测模型存在的预测精确度低、稳定性差、延时高等问题,结合门控制循环单元神经网络（gated recurrent unit, GRU）,集合经验模态分解（ensemble empirical mode decomposition, EEMD）的各自优点,提出一种基于改进EEMD方法的深度学习模型（EEMD-GRU）。该模型首先以智能算法对径流信号进行边界拓延,以解决EEMD边界效应。然后利用改进EEMD方法将径流信号分解为若干稳态分量,将各分量作为GRU模型的输入并对其进行预测。实验结果表明,与结合了经验模态分解的支持向量回归模型相比,并行EEMD-GRU径流预测模型的预测精准度、可信度和效率分别提高82.50%、144.67%和95.49%。基于EEMD-GRU的最优运算结果表明,该方法可进一步减少区域防洪的经济损失,提高灾害监管的工作效率。     

某型飞机油量传感器修正及其流量特征提取方法研究

针对某型飞机油量传感器记录时易受外界环境影响而导致所记录信号存在大量噪声且不具有单调性,同时缺少燃油流量参数的记录问题,提出了一种改进的自适应噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)方法,在保证单调性的前提下对传感器数据的记录进行了修正,并实现了对流量特征的提取。首先提取飞参记录器中记录的剩余油量信号,然后使用改进的CEEMDAN方法提取固有模态函数和剩余分量并进行重构,最后将处理之后的剩余油量信号进行求一阶导数得到发动机的燃油消耗率。实验表明,使用改进CEEMDAN去噪方法相比于CEEMDAN去噪方法的信噪比提升了48.6%,均方根误差降低了69.9%。     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

基于二次分解重构策略的航空客流需求预测

考虑到航空客流需求序列的季节性、非线性和非平稳等特点,提出了一个基于二次分解重构策略的航空客流需求预测模型。首先,通过STL和自适应噪声互补集成经验模态分解（CEEMDAN）方法对航空客流需求序列进行二次分解,并根据数据复杂度和相关度的特征分析结果进行分量重构;然后,采用模型匹配策略分别选取自回归单整移动平均季节（SARIMA）、自回归单整移动平均（ARIMA）、核极限学习机（KELM）和双向长短期记忆（BiLSTM）网络模型对各重构分量进行预测,其中KELM和BiLSTM模型的超参数通过自适应树Parzen估计（ATPE）算法确定;最后,将重构分量预测结果进行线性集成。以北京首都国际机场、深圳宝安国际机场和海口美兰国际机场的航空客流数据作为研究对象进行了1步和多步预测实验,实验结果表明,与一次分解集成模型STL-SAAB相比,所提模型的均方根误差（RMSE）提升了14.98%~60.72%。可见以“分而治之”思想为指导,所提模型结合模型匹配和重构策略挖掘出了数据的内在发展规律,从而为科学预判航空客流需求变化趋势提供了新思路。