基于小波的金融时间序列波动性研究

文章针对描述金融时间序列波动性的问题,提出了一种基于小波Mallat算法的时间序列分析方法,即先用Mallat算法对金融时间序列进行分解与重构,继而对各分解层上的单支重构分量进行时间序列分析。在实证分析中,以宝钢股份的股票收益率序列为例,对这种综合分析方法的有效性与准确度进行了验证,并得到了较为满意的结果。     

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。     

基于小波分析的汽轮机振动预测研究

针对电厂汽轮机转子振动时间序列的预测比较困难,提出采用小波分解实现趋势预测。小波分解将非平稳时间序列分解成多层近似意义上的平稳时间序列,采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值。以某电厂振动信号进行预测结果表明,该算法局部及整体效果优于神经网络模型预测法,验证了该模型对转子振动时间序列预测的精确性。     

检测图像篡改的脆弱水印技术

针对图像篡改取证定位问题,提出利用混沌序列和图像QR分解相结合的脆弱水印算法判定图像篡改情况。该算法选取QR分解实现图像分解,图像分解后嵌入水印,同时利用混沌系统对其加密以增强水印的安全性。实验结果发现,所提算法不仅提高了定位型水印算法的安全性,而且还可以估计被篡改区域的篡改强度。     

司法消噪与多技术融合的时间序列预测

针对时间序列的在线精确预测问题,建立了融合预测算法。创新地提出了司法消噪算法,在保留数据的原始信息前提下,实现了对时间序列中数据噪声和新稳态的处理;利用经验模式分解方法对除噪后的数据进行平稳化分解处理;结合BP神经网络、最小二乘支持向量机分别对分解后的低频、高频项进行预测,实现对时间序列的在线精确预测。该算法克服了BP神经网络的高频易发散和最小二乘支持向量机的计算高耗时问题。基于患者呼吸周期序列预测的仿真和临床实验结果表明,该算法能实现时间序列的在线精确预测,且误差小于单一的BP算法,耗时小于单一的最小二乘支持向量机预测算法。     

时间序列相似模式的有效匹配

将经验模式分解和多层前向网络的交叉覆盖算法相结合,提出一种时间序列相似模式的匹配算法.先利用经验模式分解实现时问序列趋势的提取,再把所有的趋势序列分成训练集和测试集2个部分.通过训练为每个类别做出描述,根据测试集中的每个趋势序列和覆盖中心之间的距离把它们分配到与之最匹配的类别中.实验结果表明:该算法是一种较理想的序列模式匹配方法,更擅长于维数较高的序列的匹配.     

基于多尺度小波分解的时间序列预测方法研究

运用Mallat算法和Daubechies小波分解技术,把时间序列分解为比原始时间序列更单一的细节部分和概貌部分,然后把分解后的细节部分和概貌部分重构回原尺度,对重构后的各个时间序列用传统时间序列模型进行预测,由此建立高阶AR模型,最后累加各个时间序列预测结果得到原始时间序列的预测结果。通过对某地区工业总产值数据的分析和验证,表明AR-wavelets模型与传统单一模型相比可大大提高精度。     

基于像素层标识点的双边滤波快速实现

为实现船舶缆绳载荷短期高精度预测,提出一种将小波多尺度分解重构法与BP神经网络组合建模的预测算法。该组合算法利用小波多尺度分解重构法对非平稳的船舶缆绳载荷序列进行分解重构计算,将非平稳的原始缆绳载荷序列转化为多层较平稳缆绳载荷序列分量,再利用BP神经网络预测算法对各层分量建立预测模型,以实现短期预测计算。仿真结果表明:该组合算法实现了缆绳载荷的短期高精度预测,具有较强的细分与自学习能力,能够满足工程中对缆绳载荷预测精度的需要。     

离散空间中正交小波分解重构算法的实现

针对目前离散空间中分解重构算法的过程较为复杂,主要研究离散空间中周期小波和非周期小波分解重构算法的实现.首先证明离散空间中的多层小波分解重构算法可以按照Mallat分解重构算法的塔式结构实现,从而将离散序列空间与函数空间中的小波理论联系起来;其次,举例说明离散空间中的分解重构算法比函数空间中的Mallat分解重构算法在滤波器的选择上更加灵活;最后,数值结果表明基于离散小波对信号进行处理在很多应用中可以取得更好的效果.     

一种IGS站高程时间序列分析方法

针对IGS站高程时间序列经EEMD分解后含有残留噪声,导致信号重构效果降低的问题,引入互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对IGS站高程时间序列信号进行分解,利用平均周期与能量密度乘积准则进行噪声与信号分界点的判定。据此去除噪声分量,使去噪后的信号更加接近IGS站高程时间序列的真实特性。将基于CEEMD算法与基于EEMD、EMD算法的IGS站高程信号去噪效果进行对比分析,以BJFS站序列信号为分析对象的结果表明,采用EMD、EEMD、CEEMD 3种算法滤波后的信噪比分别为18.808 2、20.478 8、23.965 5,与EMD、EEMD算法相比,采用CEEMD算法滤波的信噪比分别提高了27%和17%,均方根误差指标分别降低了55%、41%。改善了EEMD分解的噪声残留问题,提高了信号重构的效果。