对时间序列查询的最优小波误差估计

使用小波变换缩减维度是解决高维时间序列查询的一个有效方法。传统的算法均使用变换后小波序列的前k个系数作为原始时间序列的一个近似估计。但是由于选择前k个系数不一定能很好地近似原始序列集合。给出相关定理，说明选择小波系数集合的列平方和最大的k列，可以更好近似原始序列集合。实验结果表明，相对于传统算法，该方法可以更好地缩小相对误差。     

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。     

基于小波分析的时间序列数据挖掘模型

论文提出一个基于小波分析的时间序列挖掘模型TSMiner,它支持时间序列数据挖掘的整个过程。该模型由5部分组成:原始数据的可视化、数据预处理、数据约简,模式发现和结果模式可视化。该模型应用小波实现数据的多层次可视化表示、数据约简和多尺度模式发现。它可以帮助用户观察高维数据,理解中间结果和解释发现的模式。     

网络安全态势估计的融合决策模型分析

对网络安全态势估计的内在实质进行分析,指出网络安全态势估计实质上是利用网络安全事件的信息和知识,对网络安全态势进行不确定推理的过程。提出网络系统安全态势估计的三层模型。采用信息熵的理论和方法,定义网络安全态势估计的信息熵,证明多个检测器所获的安全事件信息经过融合处理后,网络安全态势估计的不确定性明显下降,论证信息融合思想在网络安全态势估计应用中的可行性。     

基于小波分解与重构的时间序列预测法

一般的时间序列预测方法对非线性非平稳的信号不适用.本文提出了一种基于多分辨小波分解与重构的预测方法.与一般方法相比,这种方法有效地提高了预测的准确度.     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

基于小波变换的时间序列相似模式匹配

提出了一种新的时序相似模式匹配方法，它采用小波分析的方法实现时间序列数据的降维，采用小波序列表示原序列，将小波序列组织为多维索引结构R-tree存储，在该索引结构基础上，基于一种表示相似性的距离函数，定义了范围查询和最近邻查询算法，实验结果证明这种方法性能优于传统的基于傅立叶变换的相似模式匹配方法。     

基于小波滤波的时间序列子序列聚类

针对时间序列子序列聚类存在的平凡相似和水平伸缩等问题,提出了一种新的子序列聚类算法。它采用多孔平滑滤波器组对时间序列进行低通平滑处理,在所得到的多个尺度序列上生成平凡簇,然后将各个平凡簇的代表子序列作为数据样本进行聚类。新方法利用平凡簇克服了子序列聚类中的平凡相似问题,并且可以在时间序列上发现不等长的相似子序列,较好地解决了水平轴伸缩问题。实验结果证明新算法对于子序列聚类具有比较好的效果。     

小波变换及在图像处理中小波系数分析

小波变换是近几年来发展起来的集数学、信息处理于一体的新理论,它在信号分析、特别是图像处理中起着重要的作用。本文简单介绍了图像处理分解,在此基础上详细分析了图像经小波变换后的系数情况,以供进一步编码之用。     

基于图拉普拉斯变换和极限学习机的时间序列预测算法

由于时间效率的约束,多元时间序列预测算法往往存在预测准确率不足的问题.对此,提出基于图拉普拉斯变换和极限学习机的时间序列预测算法.基于图拉普拉斯变换对时间序列进行半监督的特征提取,通过散布矩阵将监督特征和无监督特征进行融合.设计在线的极限学习机学习算法,仅需要在线更新网络的输出权重矩阵即可完成神经网络的学习.利用提取的...     

基于时-频谱图和小波神经网络的时间序列鲁棒建模方法

借助时-频谱图识别时间序列中异常数据的位置和性质,利用小波神经网络作为拟合工具,同时引入加权误差能量函数,通过适当选择网络结构和参数优化,实现对受污染的时间序列的抗扰最佳逼近.实例表明利用时-频谱图进行异常数据定位准确可靠,采用加权误差能量函数的小波神经网络除具有逼近性能好、具有抑噪特性和收敛速度快的优点外,还能有效地消除异常数据对拟合结果的影响,具有较强的鲁棒性.     

基于小波包变换的多区域信息隐藏算法

提出一种基于小波包变换的多区域信息隐藏算法.为了提高秘密信息抗攻击的鲁棒性,算法引入小波包分解,通过修改小波域系数,将秘密信息同时嵌入到分解后的多个子区域.针对不同的子区域,自适应地设置相应的嵌入因子,从而保证了嵌入信息后的透明性.秘密信息的提取不需要原始图像,实验结果表明:对于一些常见的攻击,算法具有较好的鲁棒性且易于实现.     

基于小波网络的非线性时间序列预测及其在股市中的应用

本文从非线性函数逼近的角度讨论了小波网络的优越性,其主要特点是具有局部学习和在多个尺度上学习的功能.一般情况下,由延迟序列重构的系统吸引子在重构相空间内的分布是不均匀的,对此,小波网络较全局学习网络(例如,反向传播(BP)网络)和局部学习网络(例如,径向基函数(RBF)网络)有理论及实际上的优势.简要讨论了小波网络的构造和小波函数的选取,最后用于上证指数的预测,取得令人满意的效果.     

量子小波变换算法及线路实现

随着小波理论研究的深入,以及小波分析在信号分析和图像处理等领域的广泛应用,小波分析在量子计算领域中也越来越受到重视.应用置换矩阵、W-H变换矩阵和量子傅立叶变换矩阵来对Haar小波及D(4)小波变换矩阵进行分解,给出其算法,然后得出其完整的量子逻辑线路图,最后分析其复杂度.     

小波变换及图像压缩编码时小波基选择

阐述了小波变换的原理,分析了小波变换用于图像压缩时小波基选择与图像压缩编码效果的关系,并通过实例加以说明。     

对数变换下非平稳时间序列预测误差的解析分析

对数变换不仅能消除非平稳时间序列中的长期趋势,还能明显降低季节性和剩余的随机波动的波动范围,从而降低预测的均方误差。但是高斯白噪声经过对数变换会形成一个小的非0数学期望,使得预测的平均误差略微增加。为弥补这个数学期望引起的预测平均误差,需要在预测前给出该数学期望足够准确的估计。将对数变换进行泰勒级数展开,并采用前四项进行解析分析,得出高斯白噪声经过对数变换后的数学期望和方差。这些结果明显改进了2008年Cryer和Chan使用前两项的结果。数值实验证实了该数学期望和方差计算式的准确性。采用五种模型对公路交通流预测时,可以有效解释对数变换形成的平均误差-0.5570。