共查询到20条相似文献，搜索用时 15 毫秒
1.
为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。 相似文献
2.
针对常规降噪方法应用于柴油机缸盖振动信号降噪时,自适应差且需要根据噪声环境人为调整参数的问题,在传统EEMD算法基础上提出一种改进的EEMD降噪算法,并将其应用于柴油机缸盖振动信号处理。首先对原始信号进行预处理,其次利用总体经验模态分解（EEMD）算法在非线性、非平稳信号处理时的自适应特性,分解原始信号得到各阶本征模态分量,经Savitzky-Golay平滑滤波,再将噪声占主导的高频分量进行阈值去噪,最后得到干净的本征模态分量进行重构。仿真实验和实测结果表明,在输入信号12dB的多种输入信号工况下,改进EEMD算法去噪后信噪比为17.1,比现有去噪方法提升14%。 相似文献
3.
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。 相似文献
4.
为提高预测精度,采用Elman神经网络对商品销售额进行预测.在分析样本数据特性基础上,采用Elman神经网络对商品销售额的预测进行建模,通过实例验证模型的有效性并对比分析BP神经网络的预测效果.研究结果表明,基于Elman神经网络的商品销售额预测能够较好地反映商品销售额的变化趋势且提高了预测精度,验证了该方法在商品销售额预测中的可行性. 相似文献
5.
6.
对风力发电进行有效的预测,可降低电网调度的难度。先对风速历史数据进行小波分解,再针对各小波分量分别建立改进型BP神经网络模型进行预测,最后通过小波重构得到原始风速预测值。仿真结果表明,所提方法能够有效地提高风速预测精度。 相似文献
7.
为提高对短期负荷的预测精度,提出基于小波变换,并加入电价因子构建MLP神经网络对负荷进行短期预测的方法。首先通过小波变换将原始负荷、电价序列进行分解,得到高、低频率的时间序列带;其次分别利用高频、低频电价序列对高频、低频负荷序列进行MLP神经网络训练与预测;最后,将预测的高频、低频负荷值通过小波变换,重构完整的负荷预测值。采用美国电力联盟实例对该方法进行验证,并与含电价因子的MLP网络预测法、经典MLP网络预测法,以及不含电价因子的CWT-MLP网络预测法预测效果进行比较。结果证明,含有电价因子,并结合小波与MLP神经网络构建的模型能够丰富数据信息,提高负荷预测精度。 相似文献
8.
《浙江大学学报(A卷英文版)》2016,(2)
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。 相似文献
9.
《赤峰学院学报(自然科学版)》2017,(11)
针对放顶煤中煤岩界面难以识别的问题,对采煤机滚筒振动信号进行研究,提出一种基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与概率神经网络(Probabilistic Neural Network,PNN)的煤岩界面识别方法.首先,利用EEMD对采集到的摇臂振动信号进行分解,得到一系列IMF分量,然后利用相关系数法对IMF进行筛选,提取有效分量进行能量熵特征提取,最后结合PNN识别器对割煤和割岩信号进行识别.实验研究表明,基于EEMD和PNN的煤岩界面识别方法能有效的识别割煤和割岩两种状态,识别率高达88%,是一种有效的煤岩界面识别方法. 相似文献
10.
快速准确地诊断出换相失败故障,对后期采取适当控制措施避免保护装置误动有重要意义。首先建立永富弱受端直流输电系统的 PSCAD 仿真模型,对不同故障条件下的直流线路短路故障和换相失败故障进行仿真;利用 FEEMD 对不同故障条件下逆变侧的电流线模信号进行分解,并取 IMF7-IMF10 分量求样本熵值;然后将归一化后的样本熵值作为 Elman 神经网络的训练集和测试集,利用 Elman 神经网络的输出诊断直流系统运行状态,即正常状态（0 0 1）、线路短路故障（1 0 0）、换相失败（0 1 0）。对不同故障条件下的线路故障和换相失败故障进行仿真,实验结果表明,在训练集较少的情况下,线路故障的识别率为 85.71,%、换相失败故障占比92.85%;随着训练集增加,基于 FEEMD 样本熵+Elman 神经网络的方法对换相失败和线路故障的识别率达到100%,能够准确判断出故障类型。 相似文献
11.
基于Elman神经网络城市供水管网漏损预测模型研究 总被引：1，自引：0，他引：1
王丽娟 《河北工业大学成人教育学院学报》2009,24(2):26-29
管道漏子的发生情况是进行漏损控制的基础,为了对管道漏子数进行有效预测,提出了一种基于Elman神经网络预测方法,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点.文中分别采用Elman神经网络、BP神经网络和RBF神经网络对某城市外环线DN300管道漏子发生数时间序列进行仿真预测,经比较,证明前者具有收敛速度快、预测精度高的特点,表明利用Elman回归神经网络建模对管道漏子数进行预测是可行的,能为管网维护,管道更新提供有效依据. 相似文献
12.
提出了一种基于希尔伯特—黄变换的航空发动机转子故障特征自动提取方法,该方法利用经验模态分解得到转子故障信号的各模态分量,结合故障频率特征,直接从各模态分量中提取反映转子故障特征的特征向量。建立基于结构自适应神经网络方法的转子故障智能诊断模型,利用实验数据进行了实验验证,结果表明本方法在转子故障智能诊断方面取得了较好的效果。 相似文献
13.
Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。 相似文献
14.
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。 相似文献
15.
16.
目的：齿轮箱的振动信号频谱结构比较复杂,难以提取其故障特征频率。傅里叶分解方法可以将振动信号分解为多个单分量信号,利用共振频率筛选出最优分量并进行包络解调,识别特征频率以实现故障诊断。创新点：1.为了求解共振频率,提出一种基于短时向量的最大奇异值比方法;2.将傅里叶分解方法引入到齿轮箱故障诊断中,并利用共振频率选择最优分量进行包络解调以提取故障特征频率。方法：1.分析奇异值比与冲击信号的关系,提出求解共振频率的最大奇异值比方法;2.对比最大奇异值比方法与谱峭度方法在求解共振频率方面的表现,从而验证最大奇异值比方法的有效性;3.对比分析所提方法与传统的总体经验模态分解（EEMD）和变分模态分解（VMD）方法在信号分解与故障特征提取方面的效果,并通过仿真和实验进行验证。结论：1.最大奇异值比方法能够准确计算出共振频率,比谱峭度方法求解的频率值更加精确;2.基于傅里叶分解方法和最大奇异值比的共振解调方法能够有效提取故障特征频率,其在故障诊断方面的表现优于EEMD和VMD方法。 相似文献
17.
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。 相似文献
18.
采用图像方法可以更加直观地对管道漏检测中的缺陷进行判断,但在图像数据的采集过程中噪声是不可避免的。采用二维经验模态分解(BEMD)与均值滤波法相结合的方法对漏磁图像进行去噪处理,将图像信号分解为有限个二维固有模态函数(BIMF)和一个残余分量,将残余分量保留,对BIMF分别进行均值滤波,再将处理后的BIMF分量与残差一起重构图像,所得重构图像在保留原图像基本信息的基础上,消除了大量噪声信息。文中还直接采用均值滤波方法对漏磁图像进行去噪处理,通过信噪比的比较,表明BEMD方法用于漏磁图像去噪效果明显。 相似文献
19.
《东南大学学报》2021,(1)
针对傅里叶分解对噪声敏感且存在模态混叠导致无法准确提取齿轮箱故障特征的问题,提出了一种复合字典降噪与优化傅里叶分解相结合的齿轮箱故障特征提取方法.首先,根据齿轮箱信号特点构造复合字典,结合正交匹配追踪算法降低振动信号中的噪声;其次,针对傅里叶分解过程中的模态混叠现象,提出了利用频谱的极值点划分频带的方法对其进行优化,提高分解质量;再次,使用优化的傅里叶分解将信号分解为若干个傅里叶本征模态分量;最后,选择与降噪后信号相关系数最大的傅里叶本征模态分量进行包络谱分析.该方法可以准确提取振动信号的故障特征频率.通过对齿轮箱故障仿真信号和实验齿轮箱振动信号进行分析,验证了该方法的有效性. 相似文献
20.
高频金融数据下对资产价格波动的研究越来越受到人们的关注,而随着对数据行为解析能力的提高,噪音也会随着采样频率的提高而增加,从而导致已实现波动率的估计偏差。为了降低高频数据中噪音对波动率估计的影响,在HAR-RV模型基础上使用EEMD结合小波分析的方法提高估计的有效性。实证研究发现,仅使用EEMD进行降噪预测并不能很好地预测股票市场的实际变动趋势,而在EEMD分解后的高频部分中使用小波方法进行处理,发现降噪后构建模型的均方误差（MSE）与平均绝对误差（MAE）分别下降了93.92%及76.94%,能够满足对股票市场实际序列变动的预测要求。 相似文献