基于经验模态分解与神经网络的信号预测

利用经验模态分解在处理非线性、非平稳信号以及人工神经网络可以较好地处理非线性问题的优点,通过经验模态分解把加入噪声的仿真信号分解成几个本征模态函数分量和一个趋势项,在分解过程中采用两种方法处理端点效应问题,结果表明两种方法都能很好的解决端点问题,然后对每个分量分别运用径向基函数神经网络进行预测,并重构出最后的预测结果。与不经EMD处理直接运用神经网络进行预测及真实数据进行对比,结果表明,相对于直接预测,该方法具有更好的预测效果。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

基于EEMD高斯过程自回归模型的缝洞型油藏开发动态指标预测

缝洞型油藏储集空间类型多样,大缝大洞的存在使得见水特征复杂多样,同时受各类工程、地质因素影响,生产数据非线性、非稳态,动态指标实时预测难度大。对此提出了一种结合集合经验模态分解(EEMD)和信息熵的高斯过程自回归模型的开发动态指标预测方法:①利用EEMD方法将生产数据分解成若干个平稳的本征模态函数(IMF)分量;②采用信息熵计算由于工作制度频繁调整而引起的数据波动程度;③利用分解的低频分量提取拟稳态数据段,对方差贡献度较大的各IMF分量建立高斯过程自回归模型;④叠加各分量计算结果作为预测值。仿真实验表明这种新算法能够有效应用于缝洞型油藏开发动态指标预测,可以预测生产井各项生产指标的变化趋势,为后期生产开发方案调整提供依据,指导油田的整体开发。     

地震与爆破波形信号的EEMD多尺度分布熵提取和WOA-SOM神经网络识别研究

针对地震信号中存在大量环境噪声的问题,基于天然地震事件和人工爆破事件建立初始数据集,利用集合经验模态分解（EEMD）技术对波形信号进行分解、降噪,提取出较纯净的各阶本征模态函数（IMF）分量,然后对前10阶分量分别计算分布熵,即EEMD多尺度分布熵,建立神经网络输入矩阵。应用鲸鱼优化算法（WOA）对自组织特征映射（SOM）神经网络参数（竞争层维数、网络训练次数）进行优化,针对不同训练样本寻找对应的最优参数值以改善模式识别的稳定性,从而提高地震识别率。结果表明,EEMD多尺度分布熵结合WOA-SOM模型可有效识别天然地震和人工地震。     

基于BEMD分解的地貌分类研究

地貌是指地势高低起伏的变化,即地表的形态。地貌划分对气温、降水、太阳辐照等诸多应用领域都有着重要作用。本文选择空间分辨率为90 m的福建省的数字高程模型(DEM)数据作为地理信号,运用二维经验模态分解(BEMD)进行分解处理,得到多个具有不同尺度、不同物理意义的本征模函数(BIMF1-BIMF3)以及对应余量ORIG。这些BIMF分量对应不同尺度的微观地形,ORIG余量表现为该研究区的地貌分布趋势,体现了平原、丘陵与山地的大致分布区域。运用变点分析法确定最佳计算单元,利用地形起伏度对各个信号区域进行一级分类,依据绝对高度进行二级分类,最后将一级分类与二级分类相结合,实现对地形的分类,这一分类过程体现了研究地区地貌组合复杂的特征。结果表明:①叠加BIMF分量,提取出分量和大于74 m的区域为高频信号区域。该区域以小起伏度的低山为主,并伴随有丘陵和小起伏度中山。②ORIG余量中余量高度小于等于340 m的区域,去除其中包含的高频信号区域后为低频信号区域,该区域以平原、丘陵为主。③剩余区域定义为中频信号区域,该区域的地貌以平丘陵和小起伏的山地为主。研究成果表明福建地貌可分为7种主要类型:低频平原,低频丘陵,中频丘陵,高频丘陵,中频小起伏低山,高频小起伏低山,高频小起伏中山。     

EEMD-多尺度排列熵的GPS高程时间序列降噪方法

针对GPS高程时间序列受各类噪声干扰的影响,导致难以提取有用信息的问题,提出一种基于整体经验模态分解(EEMD)结合多尺度排列熵(MPE)的阈值降噪方法。该方法以EEMD为核心算法,将原始信号分解成一系列本征模态函数(IMF),并采用MPE作为指标将其分类为噪声IMF、混合IMF和信息IMF;然后利用阈值函数处理混合IMF,实现二次降噪;再重构降噪后的数据与信息IMF,获得降噪结果。仿真信号和实例分析结果表明,该方法与相关系数法、MPE法相比,降噪评价指标RMSE、SNR和d_nSNR均为最优,说明该降噪方法效果最好,本文方法获得的降噪结果能够更好地反映出时间序列本身的非线性变化特性,可为GPS高程时间序列分析提供可靠依据。     

HHT-EEMD用于IGS站高程时间序列分析

利用经验模态分解（EMD）和整体经验模态分解（EEMD）方法,将BJFS站2000~2015年高程时间序列进行分解,发现其不仅存在1 a、0.5 a、0.25 a、2个月、1个月以及长周期等周期项,还存在以往方法很难探测出来的近似2 a周期信号。与EMD分解结果对比,整体经验模态分解可以明显减弱模式混叠现象。对各分量进行Hilbert 变换（HHT）,得到时间-频率-能量的Hilbert 频谱图。结果表明,年周期和2 a周期变化是高程运动的主要贡献项。利用小波变换方法对比验证EEMD的分解结果表明,与小波分析相比,EEMD重构信号与高程序列差异的RMS更小,证明了HHT-EEMD方法在数据资料分析过程中的有效性。对环境负载及GRACE负载造成的测站位移进行功率谱分析得出,环境负载确实会造成IGS站高程时间序列的1 a、0.5 a以及季节性运动,GRACE负载还验证了2 a信号的存在。