基于小波消噪的水文序列复杂性和趋势分析

考虑到噪声淹没了水文序列的真实变化特性,运用小波消噪方法对水文序列进行消噪处理,然后根据符号动力学理论时水文系统的复杂性进行分析和研究.分别计算出呼伦湖流域小渡消噪前后的径流序列的复杂度空间变化和动态变化结果.水文序列经过史坦无偏风险估计的软阈值方法消噪处理后,得到的消噪水文序列与原序列具有同等的光滑性和相似性.据此特点对呼伦湖流域克鲁伦河、乌尔逊河和海拉尔河进行水文序列趋势成分分析.     

小波消噪原理及在轧辊偏心补偿控制中的应用

由于以快速傅立叶变换为基础的轧辊偏心补偿控制算法具有时域和频域局部化矛盾的局限性,且不能处理非平稳信号,本文利用在小波变换下奇异信号和随机噪声在多尺度空间中的模极大植传递特性的不同,提出了一种基于皮消噪的毗辊偏心补偿控制算法,并设计了一种轧辊偏心的小波分析器（ＷＡＲＥ）。仿真研究表明,对于提高轧件的厚度精度ＷＡＲＥ优于轧辊偏心的傅立叶分析器（ＦＡＲ０和其改进算法（ＭＦＦＴ和ＬＳ算法）,并可使轧辊偏心对厚度的影响减小９０％。通过对基于小波分析的轧辊偏心补偿控制的探索,为开发高精度轧机控制系统指出了一个新的研究方向。它对设计新型轧机和改造旧轧机都具有现实意义,有利于促进轧制过程自动化的发展。     

小波随机耦合模型在查哈阳农场降雨量预测中应用

采用小波变换A Trous算法对小波信号进行分解后,对各小波变换序列进行互相关分析,建立各小波变换序列相应的随机模型,最后采用小波重构算法得到小波随机耦合模型.然后根据查哈阳农场1956-2008年作物生育期月降雨量数据资料,建立了小波随机耦合模型,对模型进行拟合预测精度检验,研究表明该模型拟合预测精度高,能够反映该地区的降雨量变化规律,是一种实用的预报模型.对当地制定合理的灌溉制度和高效利用降水资源具有重要意义.     

脐橙VC含量近红外光谱消噪小波优化

运用db1～db10等10个小波基4尺度分解对120个赣州脐橙样品的近红外光谱进行消噪处理,分别建立了各种小波消噪光谱的脐橙维生素C(VC)含量的PLS模型.通过PLS模型预测精度比较表明:所有db小波基变换都能有效消除脐橙VC近红外光谱噪声,PLS模型预测精度均高于不处理光谱建立的模型预测精度.其中,消噪效果最好的小波基是db5,模型预测值与实测值的相关系数R达到0.9427、内部交叉验证均方差RMSECV仅为2.02mg/(100g).因此,对脐橙VC含量近红外光谱消噪预处理的最优小波基是db5小波.     

脐橙VC含量近红外光谱消噪小波优

运用db1～db10等10个小波基4尺度分解对120个赣州脐橙样品的近红外光谱进行消噪处理,分别建立了各种小波消噪光谱的脐橙维生素C(VC)含量的PLS模型。通过PLS模型预测精度比较表明：所有db小波基变换都能有效消除脐橙VC近红外光谱噪声,PLS模型预测精度均高于不处理光谱建立的模型预测精度。其中,消噪效果最好的小波基是db5,模型预测值与实测值的相关系数R达到0.9427、内部交叉验证均方差RMSECV仅为2.02mg/(100g)。因此,对脐橙VC含量近红外光谱消噪预处理的最优小波基是     

递归神经网络在降雨量预测中的应用研究

递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。     

基于小波消噪的三江平原井灌区年降水随机预测模型

近些年来,由于水田面积迅速增加,导致三江平原井灌水稻区地下水位普遍下降,"吊泵"、局部超采现象时有发生。天然降水是地下水的重要补给来源,而年降水序列由于各种因素的影响往往含有噪声。为解决上述问题,以853农场为例,采用小波消噪技术和随机水文学方法对实测年降水资料进行消噪、差分和标准化处理,建立了年降水量小波随机耦合预测模型,精度检验结果表明,模型有效性和可靠性较高。该模型揭示了区域年降水量的时间变化规律,为853农场乃至整个三江平原充分利用天然降水、合理制定水稻灌溉制度以及地下水资源的可持续利用提供了科学依据。     

基于时间序列数据库的配电网负荷预测

结合配电网特点,探讨了配电网负荷预测的应用需求,存在的问题及发展方向;阐述了负荷预测的基本算法及实现框架,分析了影响配电网负荷预测精度的决定性因素;结合配电网数据采集系统现状,指出采用时间序列数据库的优势,实现了基于时间序列数据库的配电网负荷预测采样数据获取功能改进;最后对改进的应用软件在南京等地配电网自动化项目中得到了应用,对改进效果进行了验证。     

基于小波ANFIS的诸暨站降雨量预测模型

【目的】建立适合诸暨站的降雨量预测的模型。【方法】采用小波分析和ANFIS相结合的模型预测方法,首先利用小波分析的多尺度分解功能,将诸暨站降雨量进行分解,然后利用ANFIS的自适应非线性逼近功能对分解后的序列进行预测,最后利用小波重构对预测的分解结果进行重构。【结果】小波ANFIS模型对诸暨降雨量的预测值与原始值相对误差在30%以内,精度达到要求。【结论】小波ANFIS模型可作为诸暨站的降雨量预测模型。     

基于WA-SVM的流域降雨序列预测研

为了提高降雨中长期预测精度，将小波分析和支持向量机回归方法引入水文序列预测领域，给出了两种方法的思路和特点。在此基础上，尝试建立了基于小波分析-支持向量机（WA-SVM）的降雨量序列预测模型。通过小波分解，将原始复杂的降雨序列分解到不同的频率层次，对每层得到的分解序列分别采用支持向量机回归方法进行预测，最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测，并与单独支持向量机回归方法预测结果进行比较，表明该方法预测精度有明显提高。     

基于小波分析的双城市降水量变化分析及预测

分析不同取样周期下生成的小波图像,对图中显示的与降水周期有关的信息加以分析,并预测未来几年降水量的丰枯情况。先用已有数据进行验证性试验,结果周期为8年时准确性达到75%,周期为3年时准确性达到100%。根据双城市1952-2006年降水数据,利用小波模型分析降水周期变化规律,并对未来7年的降水情况进行预测,整体降水量偏低,只有2009、2012和2013年高于491mm。     

小波分析方法在月降水量多时间尺度分析中的应用

为了研究查哈阳灌区月降水量在时域中存在的多层次时间尺度结构和局部化特征,运用小波分析理论,采用Mexican Hat小波函数对降水量序列进行小波变换,进而分析其多时间尺度特性,揭示降水量在不同时间尺度下的小波变换时频特征及其丰枯交替变化的周期规律。研究结果表明,从80~120个月的较大尺度来看,灌区的月降水量可能存在30年左右的周期变化,且未来5年将仍处于偏少期;随着尺度的减小,则表现出突变点增多、周期变小的现象,且降水量很快就会从偏少期转为偏多期。     

一种基于小波阈值的图像去噪方法研究

在印刷品质量检测系统中,采集来的图像不可避免会出现噪声。针对这种情况,本文提出了基于小波阈值的图像去噪方法。该方法首先对噪声图像进行小波变换得到小波系数矩阵,硬阈值化后,对阈值化后的小波系数矩阵逆变换。得到去噪图像。实验结果表明,该方法比中值滤波具有更好的去噪效果。     

基于模糊时间序列的农用拖拉机总数量预测

改进一种模糊时间序列,应用于全国农用拖拉机总数量预测,并为我国拖拉机的发展提供合理的指导建议。与经典层次模型Song模型和Chen模型预测全国农用拖拉机总数量比较,改进的模糊时间序列模型预测的平均误差率降低了10多倍,且其计算过程大大简化,易于运用。预测结果表明:我国农用拖拉机总数量在缓慢增长,其中农用大中型拖拉机增长率高于小型拖拉机,与实际土地整治、大中型机械取代小微型机械下田作业的状况相符;大中型拖拉机配备的农具台数增长率大于农用大中型拖拉机的增长率,但拖拉机产能过剩,造成浪费,政府应合理调控。     

降雨时间序列分解预测模型及应用

为了对随机型时间序列进行预测，在分析其性质的基础上，提出了将其分解为趋势项、周期项和平稳随机项，建立时间序列分解预测模型，分别对趋势项和周期项进行检验和提取，利用自回归模型人工合成新的序列对平稳随机项进行模拟和预测。将该模型应用于降雨量预测，取得良好效果，表明了该模型的有效性和适用性。     

基于子波变换的烟台市降水变化特征的多时间尺度研究

为研究烟台市年降水量变化的多时间尺度结构特征,采用Morlet子波变换分析法,对烟台市1960~2004年的年降水量进行了小波分析。结果表明:近40年来,烟台市年平均降水量整体呈下降趋势,且存在明显的4年、13年和28年的3类特征时间尺度和相应的震荡周期;小波方差进一步分析发现,烟台市年降水量变化具有4年和13年的主周期,且以13年周期最为显著;由小波方差检验出主要周期的小波系数实部可知,在未来的15年内,烟台市降水将会处于偏丰期。     

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度（4、9、14℃）下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差（MSE）为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。     

基于小波神经网络方法的降水量预测研究

小波神经网络作为国际上新兴的一种数学建模分析方法,充分继承了小波变换良好的时频局部化性质及神经网络的自学习功能和极强的非线性能力等优点.降水量预测模型中神经网络选择BP网络,隐含层激发函数选取Morlet小波,并利用MATLAB编写预测程序,运用吉林西部地区白城、长岭、前郭3个测站1957-2010年的降水资料对模型进行训练、检验,进而预测三站未来十年的降水量.研究结果表明,小波神经网络预测模型对降水量的变化趋势预测准确,结构简单,收敛速度快,具有较高的实际应用价值,但其对于降水量具体值的预测精度有待于进一步提高;未来十年,吉林西部地区将处于降水量变化周期的丰水阶段,各相关部门应根据实际情况做好相应的准备.