基于经验模态分解的滑坡变形监测模型

应用GPS技术对滑坡体进行监测,监测的特定环境使得GPS监测数据中的非模型误差呈现一定的特征。针对滑坡环境下GPS基线向量较短、系统性误差周期性强的特征,讨论应用经验模态分解对GPS滑坡监测数据去噪。在此基础上,应用灰色预测系统建立滑坡变形预测模型,用实测数据比较一般观测数据与结合经验模态分解的去噪观测数据建立模型的预测精度。应用云南某滑坡体的监测数据验证算法的可行性与有效性。     

基于经验模态分解和小波神经网络的温室温湿度预测

温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。     

基于经验模态分解和支持向量机的农产品价格短期预测

针对农产品价格序列非平稳、非线性的特征,提出一种基于经验模态分解和支持向量机的短期农产品价格组合预测方法。以全国苹果批发价格的周度价格序列为研究对象,首先对价格序列进行非平稳、非线性检验;然后将价格序列分解成一系列具有不同特征尺度的分量;最后针对各分量的特点分别构建支持向量机模型进行预测,得到苹果批发价格的预测值。研究结果表明,该预测模型能够更好地追踪农产品价格的变化,其预测精度与BP(back propagation)神经网络模型相比有显著提高。     

投资者情绪指数的经验模态分解：基于增发窗口期的实证研究

投资者情绪是资产定价的重要影响因素。针对以往研究不能较好分离投资者情绪不同成分的局限,引入经验模态分解方法,以实现对投资者情绪的分解。以2013年实施增发的上市公司为样本的实证研究结果表明,经验模态分解方法能够有效地分离出投资者情绪的高频和低频部分。其中,低频部分反映了投资者对股市的长期预期,而高频部分反映了窗口期投资者对增发的情绪变化。同时,增发前投资者会对增发事件产生过度反应,而在增发事件完成之后,投资者的过度反应情绪会逐渐调整,并且该调整过程具有非线性特征。     

基于经验模态分解近似熵和支持向量机的农用柴油机故障诊断

针对往复机械振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解（EMD）、近似熵（ApEn）快速算法和支持向量机（SVM）相结合的机械故障诊断方法。运用经验模态分解方法对特定时段的振动信号进行分析,计算各个内禀模态函数（IMF）的近似熵,作为故障特征向量,并输入到支持向量机以判断机械的工作状态和故障类型。柴油机故障诊断试验结果表明,该方法能有效提取故障特征,在小样本情况下也具有较高的精度和较强的泛化能力,对其他机械故障的诊断具有一定借鉴意义。     

基于二维经验模态分解与小波变换的农作物图像去噪

将小波自适应阈值去噪引入二维经验模态分解（bidimensional empirical mode decomposition,BEMD）中,提出一种自适应图像去噪算法,该算法首先对农作物噪声图像进行二维经验模态分解,获得具有不同尺度特征的固有模态函数（intrinsic mode function,IMF）子图像序列;然后将该序列中前3个子图像分别进行3层小波变换,引入一种新型自适应小波阈值去噪函数模型分别进行噪声抑制,实现小波系数重构;最后,对去噪后的固有模态函数子图像与剩余固有模态函数进行重构,获得去噪后的农作物图像。对实地拍摄的农作物图像进行去噪试验,结果表明,自适应图像去噪算法与均值滤波算法、小波阈值去噪算法相比,性能有较大幅度的提升。     

基于经验模态分解与人工神经网络的参考作物腾发量混合预测模型研究

为了提高具有非线性和非稳定性特征的参考作物腾发量(ET0)时间序列的预测精度,提出基于经验模态分解(EMD)的BP神经网络预测模型。以大连地区1970~2006年间逐月ET0序列为例,首先应用经验模态分解(EMD)方法将ET0序列分解为具有不同尺度特征的本征模态函数(IMF),然后运用BP神经网络对ET0序列和分解得到的IMF进行训练,得到ET0序列的预测模型,并对ET0进行预测,最后将预测值及单纯的BP神经网络预测值分别与真实值进行对比分析。结果表明:EMD-BP模型预测值的平均绝对百分误差(MAPE)、均方根误差(RMSE)、平均绝对差(MAD)及判定系数(R2)分别为1.32%,0.0327,0.0278,0.9967;而BP模型相应的指标值分别为8.50%,0.2583,0.1839,0.8967。显然,EMD-BP模型的MAPE、RMSE、MAD值较小且R2值较大。因此,其预测精度及稳定性均优于单纯的BP模型,可作为ET0预测的一种参考。     

基于高频数据的棕榈油与豆油期货跨商品套利可行性研究

通过对大连商品期货交易所棕榈油和豆油期货价格关系的分析,利用每分钟的高频数据对其价格动态走势进行研究,得出棕榈油和豆油期货价格之间存在长期均衡的关系,说明对其进行无风险套利是可行的。     

基于EMD分解的拉曼光谱小波去噪方法

拉曼光谱中尖峰及其临近信号频率极高,常规去噪方法难以区分高频噪声与特征峰信号,所以拉曼光谱去噪一直是该领域内研究热点和难点。针对该问题,提出临界分量判别法,该方法通过计算经验模态分解(empirical mode decomposition,简称EMD)分量的归一化自相关函数,将固有模态分量(intrinsic mode function,简称IMF)划分为噪声主导分量和信号主导分量两部分。根据噪声主导分量和信号主导分量的不同特点,分别使用模极大值方法、软阈值滤波方法处理各分量的小波系数,实现光谱信号去噪。仿真数据去噪实验表明,小波去噪法(1、2阶IMF为噪声主导分量)去噪效果优于其他方法(1阶IMF为噪声主导分量,1、2、3阶IMF为噪声主导分量),说明临界分量判别法可以正确识别噪声主导分量和信号主导分量。光谱数据去噪实验表明,应用小波去噪法处理拉曼光谱,信噪比以及均方误差均优于对整条光谱进行模极大值、软阈值和空域相关方法去噪,光谱中噪声几乎得到了完全抑制,突变特征峰信号得到完整保留,获得了最优滤波效果。     

基于机器学习的焦油预测模型研究

为研究卷烟焦油预测模型,以焦油的释放量为研究对象,运用不同的回归方法进行焦油预测研究,以各个模型的标准化均方误差为评判尺度,对各个模型的预测效果进行了比较.结果表明,各模型的预测精度差别较大,整体来看机器学习方法对于焦油的预测精度较高,其中以随机森林算法回归对于焦油的预测精度最高,表现出较高的预测精度和良好的稳定性,其次表现较好的机器学习算法为支持向量机回归方法.因此,在焦油预测应用或研究中可以运用随机森林或其他机器学习方法对焦油进行建模预测.     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

基于机器学习的马铃薯营养成分分析研究

利用两级三层PCA-BP神经网络模型,实时分析马铃薯的营养成分,诊断可能缺少的营养元素,及时给出有效的防治方法,解决马铃薯品质下降问题。结果表明,该方法能够较准确地识别缺少钾、锰、铁、硼、镁和硫元素的马铃薯叶片,识别率达到96%以上。     

我国城镇居民消费的风险分担与跨期平滑——基于1985~2011年的实证研究

应用我国1985~2011年的省级数据,构建面板数据模型实证分析了城镇家庭消费的风险分担和跨期平滑情况。研究结果显示：我国城镇家庭消费的跨期平滑是不完全的。无论是从我国整体情况来看,还是从不同地区或者不同收入组家庭来考察,城镇家庭消费的跨期平滑系数γ均介于0～1之间。此外,城镇家庭消费的风险分担程度很低,消费风险分担机制很不完善。进一步的分析显示：各个地区内部和不同收入组内部的风险分担系数要高于全国总体的风险分担系数,这说明我国城镇家庭在进行消费风险分担时具有显著的“本地偏好”和“阶层效应”。     

基于机器学习算法的烤烟香型分类研究

为了探索烤烟香型判别分析的方法,采集了我国典型香型的烤烟样本,运用机器学习的方法对训练集和测试集的样本进行了模型拟合,结果表明:对于清香型、浓香型、中间香型拟合最好的机器学习算法为神经网络模型,就香型而言,该模型对于清香型、浓香型评价相对较好,中间香型整体判定效果较低;就数据集而言,在数据准备中分部位进行香型判别较为合理。在具体香型分析判别中,可首选神经网络机器学习算法,为烟草质量评价和卷烟产品研发等提供技术依据。     

基于机器学习算法的烤烟香型分类研究

为了探索烤烟香型判别分析的方法,采集了我国典型香型的烤烟样本,运用机器学习的方法对训练集和测试集的样本进行了模型拟合,结果表明:对于清香型、浓香型、中间香型拟合最好的机器学习算法为神经网络模型,就香型而言,该模型对于清香型、浓香型评价相对较好,中间香型整体判定效果较低;就数据集而言,在数据准备中分部位进行香型判别较为合理。在具体香型分析判别中,可首选神经网络机器学习算法,为烟草质量评价和卷烟产品研发等提供技术依据。     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于EMD的土石坝变形监测初探

将经验模态分解法应用于土石坝变形监测分析,并据此对土石坝加固后的效果进行评价。针对经验模态分解中的由于端点效应使得分解结果失真的情况,提出采用窗函数法对端点进行适当控制,有效地保证了分解结果的精度。     

基于机器学习和图像处理技术的病虫害预测

针对传统病虫害预测过于繁琐、准确度低的现状,提出一种基于图像处理与SVM(支持向量机)结合的病虫害预测算法,并对未来几年病虫害可能发生的面积进行了有效预测.首先通过图像滤波、特征提取等图像处理技术得到昆虫数学形态学特征,然后结合往年病虫害数据对特征进行标签设定和科学分类,继而对未来病虫害的发生进行合理预测.通过构建动态预测模型进行有效的、科学的病虫害预测预报.最后,通过与实际值进行对比,预测精度达到了90%.实验结果表明,该方法具备较好的预测精度,是一种合理科学的预测方法.