基于小波去噪和AR建模的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种基于小波去噪和AR建模的MEMS陀螺组合数据处理方法.采用小波去噪法对MEMS陀螺输出信号去噪,自适应确定小波分解层数,提高了其信噪比.采用AR(autoregressive,自回归)模型对MEMS陀螺的随机漂移进行建模,利用平均均方预测误差确定模型的最佳阶数,并与传统的一阶马尔可夫模型进行了比较.实验结果表明,该组合数据处理方法可有效抑制MEMS陀螺输出噪声,且能更精确地对MEMS陀螺随机漂移进行建模及预测.     

基于小波分析的ARIMA与LSSVM组合的高炉煤气预测

高炉煤气发生量的准确预测对钢铁企业能源优化调度具有重要意义;针对钢铁企业中基于机理模型的高炉煤气发生量难以准确预测问题,建立了基于小波分析的最小二乘支持向量机(LSSVM)和自回归差分滑动平均(ARIMA)相结合的高炉煤气预测模型;预测前利用小波去噪对原始数据进行消噪处理,并对处理后的数据进行小波变换得到趋势序列和波动序列,然后对各部分序列分别建模和预测,最后将各部分预测结果叠加;仿真结果表明,组合预测模型减小了预测误差,提高了预测精度;与其他模型相比,组合预测模型更适合高炉煤气预测.     

小波阈值去噪和FAR建模结合的MEMS陀螺数据处理方法

为解决MEMS陀螺输出信号中噪声大、随机漂移严重的问题,提出了一种小波阈值去噪和函数系数自回归FAR建模结合的MEMS陀螺数据处理方法。采用小波阈值去噪法对MEMS陀螺输出信号去噪,提高其信噪比;为克服常用的自回归AR模型无法解决MEMS陀螺随机漂移存在的非线性问题,引入FAR模型对MEMS陀螺的随机漂移进行建模。实验结果表明,此数据处理方法可有效抑制MEMS陀螺输出噪声,且与AR模型相比,FAR模型能更精确地对MEMS陀螺随机漂移进行建模及预测。     

基于小波分析的时间序列数据挖掘

将小波分析和ARMA模型引入时间序列数据挖掘中。利用小波消噪对原始时间序列进行滤波,利用小波变换充分提取和分离金融时间序列的各种隐周期和非线性,把小波分解序列的特性和分解数据随尺度倍增而倍减的规律充分用于BP神经网络和自回归移动平均模型的建模。利用小波重构技术将各尺度域的预报结果组合成为时间序列的最终预报。经过试验验证了该方法的实际有效性。     

基于小波变换统计模型的电子元器件图像去噪算法研究

在先进电子制造中,为了应用机器视觉方法来完成电子元器件的检测、处理和识别,必须对采集的相关图像进行去噪处理。文章研究了一种基于小波变换统计模型的去噪算法,利用四树复小波包变换把含噪图像高频方向子图分为主要类和次要类。然后,采用非高斯双变量模型和零均值高斯分布模型分别对主要类和次要类复系数进行建模,从而实现噪声抑制功能。实验结果验证了本文方法的有效性。     

小波阈值神经网络在信号去噪及预测中的应用

提出了一种小波阈值神经网络模型(wavelet threshold neural network,WTNN),对合作式接收到的雷达信号进行去噪和预测.这种网络模型把小波最优阂值去噪器加到神经网络中,对带噪信号具有小波最优阈值去噪和预测的功能.对小波系数作单层重构,可简化训练算法,使编程得到精简.其次,通过对训练算法进行分析,得出了最优阈值及权值的调整公式.最后通过对线性调频信号去噪及前向一步预测的实验结果可以看出,当网络输入分别为带有高斯白噪卢、高斯带限噪声、瑞利噪声的线性调频信号时WTNN得到的结果均优于利用Donoho阈值进行去噪后再预测的结果.     

阈值去噪与RBF神经网络在MEMS陀螺仪误差补偿中的应用

针对现有MEMS陀螺仪中随机误差较大,导致器件输出信噪比低进而影响其应用范围的现状,提出一种基于小波阈值去噪与梯度径向基( RBF)神经网络结合的MEMS陀螺漂移非平稳时间序列建模预测方法。首先采用Allan方差法分析了MEMS陀螺仪的主要随机误差,随后利用小波阈值去噪分离出MEMS陀螺误差模型中的白噪声及漂移误差,最后采用RBF神经网络对漂移数据进行建模。通过实验对文中所述的误差补偿方法进行验证,表明了方法的有效性,对于基于MEMS陀螺仪的惯导系统精度提高具有重要意义。     

基于小波的图像去噪研究综述

利用小波方法去噪,是小波分析应用于工程实际的一个重要方面。在对目前小波去噪文献进行理解和综合的基础上,通过对小波去噪问题的描述,揭示了小波去噪的数学背景和滤波特性;阐述了小波图像去噪方法的发展历程和小波去噪的机理;概括了目前小波图像去噪的主要方法:模极大值去噪法,小波萎缩法和多小波去噪等,对小波图像去噪进行了综述;最后探讨了小波图像去噪的发展方向。     

网络流量短期预测方法的研究与应用

给出了网络流量短期预测方法.该方法运用小波变换自适应时频局部化分析方法和改进的Mallat算法将网络流量分解到不同频带上,然后对各子频带上的小波分进行不同阈值的消噪处理,再对仍是非平稳过程的分量进行差分处理使其转化为平稳序列,最后对各平稳过程分量采用ARMA模型进行预测.实际流量分析表明该方法简便,且短期预测精度较高.     

小波与双边滤波的医学超声图像去噪

目的：医学超声图像中的斑点噪声降低了图像质量并且限制了超声图像自动化诊断技术的发展。针对斑点噪声问题,提出了一种新型的基于小波和双边滤波的去噪算法。方法：首先,根据医学超声图像在小波域内的统计特性,在通用小波阈值函数的基础之上,改进了小波阈值函数。其次,将无噪信号的小波系数和斑点噪声的小波系数分别建模为广义拉普拉斯分布模型和高斯分布模型,利用贝叶斯最大后验估计方法得到了新型的小波收缩算法,利用小波阈值法对小波域内的高频信号分量进行去噪。最后,对小波域内的低频信号分量进行双边滤波处理,然后利用小波逆变换便得到去噪后的图像。结果：在仿真实验中,通过与其它7种去噪算法作对比,观察峰值信噪比(PSNR)等图像质量评价指标,结果表明本文算法的去噪效果优于其他相关算法。临床超声图像的实验结果进一步验证了本文算法的去噪性能。结论：本文提出了一种新型的去噪算法,实验表明本文算法能够很好地抑制斑点噪声,并且能保留图像病灶边缘等细节。     

小波图象去噪综述

小波图象去噪已经成为目前图象去噪的主要方法之一。在对目前小波去噪文献进行理解和综合的基础上，首先通过对小波去噪问题的描述，揭示了小波去噪的数学背景和滤波特性；接着分别阐述了目前常用的3类小波去噪方法，并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系，不同噪声场合下的小波去噪等几个方面，对小波图象去噪进行了综述，最后，基于对小波去噪问题的理解，提出了对小波去噪方法的一些展望。     

一种时间序列分解的卫星周期性参数预测方法

卫星遥测参数预测对卫星故障发现有着重要的指导作用。针对周期性参数难以预测的问题,提出了一种基于时间序列分解的卫星周期性参数的预测方法。该方法首先在频域上使用小波分析对参数序列进行降噪并提取参数的周期;然后,在时域上对参数的时间序列进行分解,进一步得到参数的趋势项和随机项,并根据各项特点分别使用灰色模型和ARMA模型进行预测;最后,重组各部分的预测值,得到最终预测结果。通过对我国某卫星遥测数据的对比实验分析,验证了该方法的正确性和有效性。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于矩阵画像的金融时序数据预测方法

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象,提出了一种基于机构交易行为影响的趋势预测方法。首先,利用时间序列的矩阵画像（MP）方法,以股票换手率数据为切入点,构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库;其次,确定待预测股票在兴趣模式长度取何值时的预测结果精确度高;最后,根据该兴趣模式长度下的知识库,预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性,将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析,运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明,与ARMA模型和LSTM网络相比,在70支的股票价格趋势预测上,所提方法有80%以上的股票预测结果更准确。     

异构双核构架下的脉冲涡流信号实时小波去噪

针对工业现场的脉冲涡流(PEC)信号,设计了基于异构双核OMAP3530的实时嵌入式去噪的硬件与软件系统。分析了适用于实时去噪的小波基的选择,完成了基于DB4小波基的Penalty阈值法、B-M阈值法、默认阈值法的Matlab去噪仿真实验,并给出了均方根误差(RMSE)和信噪比(SNR)。结合OMAP3530硬件平台,讨论了基于DSPLINK的异构双核构架的数据共享方法,并提出一种基于固定步长滑动窗口的实时去噪算法。通过计算机仿真与实验结果表明:该系统具有信噪比高、实时性强、数据吞吐率大的优点,满足连铸现场自动检测要求。     

组合体航天器角速度信号深度学习降噪方法

服务航天器与非合作目标构成组合体航天器后,实际测量的角速度信号往往掺杂了较大噪声,这会严重影响后续控制的精度,但由于非合作目标惯性张量未知,导致无法根据模型信息对其有效降噪.针对上述问题,本文基于深度学习方法提出一种无需预先构建模型、完全由数据驱动的组合体航天器角速度信号降噪方法.首先给出采用深度学习方法对角速度进行降噪所需训练数据的生成过程;然后构建组合体航天器角速度信号降噪的深度网络模型,并提出该模型的优化方法和参数初始化方法;最后用测试数据对本文方法和小波降噪方法的降噪效果进行了比较,结果表明本文方法与小波降噪方法相比具有更好的降噪性能.     

形态小波域声呐图像谱聚类去噪算法研究

针对声呐图像噪声污染严重的问题,在基于形态小波的声呐图像去噪方法中引入了谱聚类算法以实现低信噪比下图像的去噪.给出基于形态中点小波的声呐图像去嗓法,在此基础上引入谱聚类的概念,针对谱聚类能快速实现数据分类的特点,对形态中点小波分解后的高频小波系数进行分类,使得包含噪声与细节信号部分的小波系数得以分离.对分离后的两类小波...     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。