基于EMD的BP神经网络海水温度时间序列预测研究

为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode Decomposition.简称EMD)的BP神经网络预测方法.该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后时每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果.预测试验结果表明.基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高.     

基于RBF 神经网络的EMD 方法在海平面分析中的应用

采用径向基函数神经网络法延拓原始数据序列,有效抑制了EMD分解中出现的端点发散效应,从而实现准确的EMD分解。利用该方法对中国近海验潮站的月平均海平面资料进行处理,分解得到的内在模函数分量代表了海平面各种周期性变化。通过EMD分解得到的总体自适定趋势项为非线性变化,比以往趋势项提取方法更有优势,它反映了在资料长度内海平面的长期升降情况。数据序列越长,该方法所能分解出来的IMF成分越多,可分辨的频率越小。     

基于VMD对SAR海洋内波参数的自动反演

经验模态分解(empirical mode decomposition,简称EMD)是反演海洋内波参数的有效方法之一,但由于EMD存在模态混叠等问题,对海洋内波进行参数反演时会产生一定误差。相比较于EMD,变分模态分解(variational mode decomposition,简称VMD)能够有效地抑制模态混叠现象。为了更好地对海洋内波进行参数反演,提出了一种基于VMD对合成孔径雷达(synthetic aperture radar,简称SAR)遥感图像中的内波参数进行自动反演的方法。该方法先对SAR图像进行Canny处理,获取图像中的内波条纹信息,再根据内波传播方向自动选取灰度剖面;然后利用集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)信号特征自适应分解模态函数的特点,再将分解得到的有效模态数作为VMD中参数K的参考值;最后利用VMD分解后的数据进行内波参数反演。试验结果表明:通过对Canny预处理后的条纹信息进行灰度剖面自动选取,解决了人为选取剖面所可能导致的误差;通过对剖面信号进行VMD处理不仅解决了EMD模态混叠的问题,成功地反演出内波的前导波振幅,而且所反演的结果与EEMD反演参数以及实测资料数据吻合得很好。     

EMD方法和Hilbert谱分析法的应用与探讨

利用EMD方法对海浪观测资料进行处理，通过在数据两端的“平衡位置”处分别附加平行直线段的方法进行端点抑制，分解出10个内在模函数和1个剩余趋势项，再对各内在模函数进行Hilbert变换，得到波浪的Hilbert谱，对所得结果的分析表明，各模态在Hilbert谱中的分布趋势和Fourier谱中谱线的变化趋势是一致的，第一模态的中心频率与Fourier谱的谱峰频率相对应；EMD方法是对非线性，非平稳过程数据进行距平化的好方法，距平化的过程和消除趋势项的处理是统一的。     

希尔伯特-黄变换在微弱被动瞬态鱼声信号中的检测

为了在海洋环境中准确获取鱼类在摄食、产卵和争斗过程中发出的短促、瞬时的信号,采用希尔伯特-黄变换算法实现微弱被动瞬态鱼声信号的检测。该算法首先将瞬态鱼声信号实现固有模态信号的分解,其次将经验值高阶阶数的固有模态信号求和重构即可实现信号能量幅度检测;在固有模态信号的分解的基础上,计算求和重构信号的希尔伯特能量谱,即可实现瞬时能量密度级的检测。通过不同信噪比和检测器的比较研究,结果表明基于希尔伯特-黄变换算法的两种检测方法能有效提高微弱被动瞬态鱼声信号的检测性能。     

相位降噪与矢径分解组合的矢量序列分解方法

基于矢量序列相位与矢径的统计分布差异,本文提出一种TV (Total Variation)相位降噪和EMD (EmpiricalMode Decomposition)矢径分解组合的矢量序列降噪、分解方法。利用TV细致的演化特点进行相位降噪,其中引入最大信杂比准则,以优化选择调整参数和迭代次数;利用EMD适用于非线性非平稳分解的特点,将矢径分解为多个IMFS(Intrin-sic Mode Function),其中加入了非负判别,以保证重构矢量的相位不会发生跳变。然后,将降噪相位和分解的IMFS一一对应,重构矢量。考虑到历史继承性,该方法称为VEMD(Vector Empirical Mode Decomposition)方法。以高斯噪声污染的2个人工信号(线性调频信号、正弦+线性调频信号)和实测海杂波数据验证了本文所提出方法的性能。     

基于经验模态分解削弱多波束残余误差的方法

针对多波束水深数据中存在的系统性残余误差,提出了基于经验模态分解方法来削弱残余误差的方法:首先利用经验模态分解方法对多波束测深数据作一维分解,将非线性、非平稳的多波束测深数据分解成准线性子波,然后构建水深数据趋势项与残余项,利用中央波束趋势项建立整体数据趋势项,最后加以水深数据残余项还原海底地形,削弱残余误差影响。通过实测多波束测深数据验证方法的有效性。     

基于EMD-LSTM模型半潜平台运动极短期预报

半潜平台在复杂海洋环境作用下,会发生不规则的六自由度运动响应。这种平台运动的不规则性和随机性对平台作业、栈桥控制以及直升机起落等造成极大的不确定和未知风险。因此,在极短期内准确快速预报平台运动响应对深海浮式平台作业和设备安全具有重要的实际意义。然而目前针对浮式平台运动响应的计算主要是基于势流理论,对确定波浪激励下的平台一阶运动和二阶慢漂运动进行求解,计算的时效性不能满足实际需求。此外,还需要对入射波浪时历进行准确预报,导致平台运动响应准确计算更加困难。针对上述难题,提出了基于EMD-LSTM模型进行平台运动极短期预报的方法。该方法以半潜平台模型试验数据为研究对象,首先对平台运动响应的时间序列进行预处理,接着采用经验模态分解算法(EMD)将时间序列分解成相对平稳的分量,再利用长短期记忆(LSTM)神经网络可以处理复杂非线性长时间序列的优点,对时间序列进行训练预测,最后进行仿真,同时与传统LSTM模型与EMD-BP模型进行对比,仿真结果表明基于EMD-LSTM模型的平台极短期预报方法精度较高,该方法是可行的,具有工程应用的实际意义。     

EMD方法和Hilbert谱分析法的应用与探讨

利用EMD方法对海浪观测资料进行处理 ,通过在数据两端的“平衡位置”处分别附加平行直线段的方法进行端点抑制 ,分解出 1 0个内在模函数和 1个剩余趋势项 ,再对各内在模函数进行Hilbert变换 ,得到波浪的Hilbert谱。对所得结果的分析表明 ,各模态在Hilbert谱中的分布趋势和Fourier谱中谱线的变化趋势是一致的 ,第一模态的中心频率与Fourier谱的谱峰频率相对应 ;EMD方法是对非线性、非平稳过程数据进行距平化的好方法 ,距平化的过程和消除趋势项的处理是统一的。     

改进的WOA-VMD算法在水声信号去噪中的应用

本文提出一种针对非平稳水声信号的改进WOA-VMD小波阈值去噪方法,首先,引入余弦收敛因子和自适应权值提升鲸鱼优化算法(WOA)的精度,然后利用WOA选取水声信号变分模态分解(VMD)的最佳参数组合。引入一种可调阈值函数克服传统阈值函数量化过程的缺陷,考虑到不同分解尺度下噪声小波系数的衰减特性,采用分层阈值法对有效信号分量进行去噪处理。通过仿真实验和实测数据的降噪分析,证明了该方法的有效性和应用价值,新方法的去噪性能优于其他方法。