多重分形熵及其在非平稳信号分析中的应用研究
- 格式:pdf
- 大小:291.21 KB
- 文档页数:3
VMD与多重分形奇异谱的往复压缩机故障特征预测方法刘岩;王金东;李颖【摘要】对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解(Variational Mode Decomposition,VMD)的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN(K Nearest Neighbor)预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持.%For the prediction of complex nonlinear time series with fractal characteristics, the core problem is the influence of initial condition sensitivity on the dynamic model of the system, which also determines the maximum predicted confidence time. Based on the Variational Mode Decomposition (VMD), the author introduces the predictive trust time from the perspective of information entropy, analyzes and extracts the morphological parameters of the main modal multifractal singular spectrum, and constructs the KNN (K Nearest Neighbor)prediction modeling domain based on phase space reconstruction. And the prediction algorithm is established by the variable parameter optimization angle. According to the above prediction algorithm, the fault feature component is extracted from the moderate wear and tear fault vibration sequence of 2D12 reciprocating compressor bearing. The comparison and error analysis show that the algorithm canreflect the evolution trend of system state accurately and can be used as decision basis and provide effective data support for life prediction.【期刊名称】《机械设计与制造》【年(卷),期】2018(000)001【总页数】4页(P8-11)【关键词】VMD;预测可信时间;多重分形奇异谱;KNN;往复压缩机【作者】刘岩;王金东;李颖【作者单位】东北石油大学机械科学与工程学院,黑龙江大庆 163318;齐齐哈尔大学机电工程学院,黑龙江齐齐哈尔 161006;东北石油大学机械科学与工程学院,黑龙江大庆 163318;东北石油大学机械科学与工程学院,黑龙江大庆 163318【正文语种】中文【中图分类】TH161 引言对于天然气与石化行业的大型往复式压缩机故障诊断而言,轴承类故障因其监测的困难性及后果的突发性与危害性,决定了对其开展有效的故障诊断的意义重大[1,6]。
蛋白质序列的多重分形性质及其Rényi熵率
张立婷;徐振源
【期刊名称】《江南大学学报(自然科学版)》
【年(卷),期】2008(007)004
【摘要】一系列DNA和蛋白质序列的可视化研究通过几何图像形式展现了序列结构,从CGR到k串理论,只是通过迭代法把相应的碱基或氨基酸转化成数值,进而绘制成图形,没有对应的严格数学理论支持.文中将分形理论与信息论方法相结合,把蛋白质混沌游走表示法的多重分形维数和符号序列的Rényi熵率之间通过概率测度μ建立对应关系,从而使蛋白质序列的研究转为符号序列的可视化分析,在生物信息学上具有一定的应用前景.
【总页数】5页(P500-504)
【作者】张立婷;徐振源
【作者单位】江南大学,信息工程学院,江苏,无锡214122;江南大学,理学院,江苏,无锡,214122
【正文语种】中文
【中图分类】O415;Q811.4
【相关文献】
1.蛋白质序列中的多重分形分析 [J], 郑婷婷;毛军军;宋杰;程家兴
2.岩石节理(断裂)表面的多重分形性质 [J], 谢和平;王金安
3.多重分形参量的统计性质 [J], 蔡小秋
4.长江日径流序列的多重分形性质研究 [J], 唐强;胡铁松
5.多重分形参量的统计性质 [J], 蔡小秋
因版权原因,仅展示原文概要,查看原文内容请购买。
基于多重分形分析法与模糊神经网络的金融时序预测技术研究作者:余昊刘伟豪黄炎邹刘磊褚朝奕周天乐来源:《江苏理工学院学报》2020年第02期摘要:针对金融时间序列的预测问题,提出了一种结合机器学习方法与统计学方法的综合预测评判模型。
该模型通过使用多重分形消除波动趋势分析法(MF-DFA),分析目标金融时序的多重分型性与记忆性,计算目标时序的Hurst指数,并在Hurst指数的指导下,采用自适应模糊推理神经网络对目标金融时序的趋势进行短期预测。
使用上证指数、恒生指数、铜期货与黄金期货这四个具有代表性的金融时序验证了该模型。
结果证实,该模型相较于单纯的专家系统或机器学习模型,能更好地对金融时序进行建模与短期趋势预测,并对预测结果给出合理解释。
关键词:金融时间序列预测;机器学习;多重分形消除波动趋势分析法;Hurst指数;自适应神经模糊推理系统中图分类号:TP183 文献标识码:A 文章编号:2095-7394(2020)02-0039-06有研究表明,金融市场像是一个混沌的、复杂的动力学系统,展现出多重分形性与混沌性等特征[1]。
在针对金融市場的研究中,现阶段国内外学者普遍倾向于研究金融时序本身的变化规律[2-4],主要是改进并使用机器学习方法对其短期趋势进行预测,或是使用一系列专家系统对特定领域的金融时序进行建模与预测。
这些研究的确可以在现有数据的基础上,对金融时序进行有效的拟合,但由于缺乏对金融时序混沌性与多重分形性质的研究,因此,难以对具体金融时序进行可预测性解释。
针对上述问题,笔者尝试提出一种能对金融时序的可预测性进行量化分析,并在此基础上预测其短期趋势的综合预测评判模型。
该模型通过使用多重分形消除波动趋势分析法(MF-DFA)对目标金融时序进行建模分析,计算目标金融时序的Hurst指数序列,以分析其内在的混沌性质。
在Husrt指数的指导下,该模型可以判断特定的金融时序是否可以在一定范围内被预测,如果预测是可行的,再进一步对其建模和预测。
基于多小波包排列熵和流形学习的故障特征提取方法
邓飞跃;唐贵基
【期刊名称】《石家庄铁道大学学报(自然科学版)》
【年(卷),期】2017(030)002
【摘要】针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法.首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验.结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法.
【总页数】7页(P46-52)
【作者】邓飞跃;唐贵基
【作者单位】石家庄铁道大学机械工程学院,河北石家庄050043;华北电力大学能源动力与机械工程学院,河北保定071003
【正文语种】中文
【中图分类】TP206
【相关文献】
1.基于全矢排列熵的齿轮故障特征提取方法研究 [J], 郝旺身;王洪明;董辛;郝伟;韩捷;张坤
2.一种基于小波包样本熵和流形学习的故障特征提取模型 [J], 向丹;葛爽
3.基于多小波包排列熵和流形学习的故障特征提取方法 [J], 邓飞跃唐贵基;
4.基于LMD与多尺度排列熵的往复压缩机故障特征提取方法 [J], 娄燕敏;胡进旭;岳磊;陈桂娟
5.基于变分模态分解与流形学习的滚动轴承故障特征提取方法 [J], 戚晓利;叶绪丹;蔡江林;郑近德;潘紫微;张兴权
因版权原因,仅展示原文概要,查看原文内容请购买。
数字信号处理学号:130080402025学生所在学院:测试与光电工程学院学生姓名:XXX任课教师:李志农教师所在学院:测试与光电工程学院2013年12月13级4班一种新的非平稳信号分析方法——局部特征尺度分解法XXX(南昌航空大学测试与光电工程学院,南昌江西330063)摘要:在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scaleDecomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和。
首先对LCD方法的原理进行了分析,关键词:局部特征尺度分解;时频分析;内禀时间尺度分解;非平稳信号引言经典的傅里叶变换方法只能处理线性和平稳信号,而自然界中的大部分信号是非线性和非平稳的。
由于时频分析方法能同时提供非平稳信号在时域和频域的局部化信息而得到了广泛的应用。
典型的时频分析方法有短时傅里叶变换、Wigner-Wille分布、小波变换等[1]。
但这些方法都有各自的缺点,如窗口傅里叶变换具有固定的时频窗口,Wigner-Wille分布[2-3]存在交叉项干扰,而小波变换则需要事先选择小波基,缺乏自适应性[3]。
这样就出现了自适应时频分析,自适应时频分析方法的特点主要表现在不需要对被分析信号的形态特征或者信息做出预测和限制的前提下,可以在对信号进行分解的过程中根据信号本身的特性自动产生基线信号,从而使得分解结果具有一定的物理意义[4]。
其中,最具代表性的是EMD方法,该方法在定义瞬时频率具有物理意义的内禀模态函数(简称IMF)的基础上,将复杂得多分量信号自适应的分解为若干个IMF分量之和,进一步对每个IMF分量进行希尔伯特变换求出瞬时频率和瞬时幅值,从而得到原始信号的完整的时频分布[5]。
多尺度熵非平稳信号
想象一下,我们的生活里有好多各种各样的信号。
比如说,早上小鸟叽叽喳喳的叫声,这就是一种信号。
小鸟叫的声音一会儿高一会儿低,一会儿快一会儿慢,它可不是一直保持一个样子的,这种变化多端的情况就有点像非平稳信号呢。
再比如说,马路上汽车的喇叭声。
有时候很急促地嘟嘟嘟响,有时候又隔好久才响一下,而且声音的大小也不一样。
这汽车喇叭声就像一个调皮的小精灵,一直在变来变去,这也是一种非平稳信号。
那这个多尺度熵是啥呢?咱们可以把它想象成是给这些调皮的信号量身高、称体重的东西。
比如说,我们班有好多同学,每个同学都不一样高,不一样胖。
这个多尺度熵就像是一把特别神奇的尺子和秤,它可以把信号的各种不同的特征都找出来。
就像我们在花园里看到好多不同的花朵。
有红的、粉的、黄的,有的花瓣多,有的花瓣少。
多尺度熵就像是一个特别细心的小园丁,它能把每一朵花的特点都看清楚,然后告诉我们这些花到底有多少不一样的地方。
比如说,一阵风吹过树林,树叶沙沙沙地响。
这沙沙声有快有慢,有轻有重。
多尺度熵就能像一个小侦探一样,发现这个沙沙声在不同的时间、不同的风力下有什么特别的地方。
多尺度熵对我们可有用啦。
如果我们要研究大自然里的声音,像风声、雨声、动物叫声,多尺度熵就能帮我们更好地了解它们。
又或者我们想要让汽车喇叭声变得更好听,不那么刺耳,多尺度熵也能来帮忙。
它就像一个超级助手,在信号的世界里忙来忙去,让我们能更好地认识那些复杂又有趣的信号。
非平稳信号特征提取方法及其应用非平稳信号特征提取方法及其应用非平稳信号是指在时间上存在变化的信号,如心电图、脑电图、语音信号等。
这些信号的特征提取对于信号处理、模式识别、医学诊断等领域具有重要意义。
本文将介绍非平稳信号特征提取方法及其应用。
一、时频分析时频分析是一种将时间和频率结合起来分析信号的方法。
它可以有效地处理非平稳信号,提取出信号在不同时间和频率上的特征。
常用的时频分析方法有短时傅里叶变换(STFT)、小波变换(WT)等。
二、经验模态分解经验模态分解(EMD)是一种将信号分解为多个本征模态函数(IMF)的方法。
每个IMF都代表了信号在不同时间尺度上的振动模式。
通过对IMF进行分析,可以提取出信号的局部特征。
EMD在信号处理、模式识别、医学诊断等领域得到了广泛应用。
三、熵分析熵是信息论中的一个重要概念,用于描述信号的复杂度。
熵分析可以对信号的复杂度进行量化,从而提取出信号的特征。
常用的熵分析方法有离散小波熵、样本熵、近似熵等。
四、奇异谱分析奇异谱分析(SSA)是一种将信号分解为多个成分的方法。
每个成分都代表了信号在不同频率上的振动模式。
通过对成分进行分析,可以提取出信号的频率特征。
SSA在信号处理、模式识别、医学诊断等领域得到了广泛应用。
以上是非平稳信号特征提取的主要方法,这些方法在医学诊断、语音识别、图像处理等领域都有广泛应用。
例如,在心电图分析中,可以通过时频分析提取出心跳的频率和时间特征;在语音识别中,可以通过熵分析提取出语音的复杂度特征;在图像处理中,可以通过SSA提取出图像的频率特征。
总之,非平稳信号特征提取是信号处理领域中的一个重要问题。
通过合理选择特征提取方法,可以有效地提取出信号的特征,为后续的信号处理和模式识别提供有力支持。
作者: 陈丽 黄登仕 王鸿
作者机构: 西南交通大学经济管理学院,成都610031
出版物刊名: 经济问题探索
页码: 19-22页
主题词: 经济均衡理论 多重分形 熵 市场交易
摘要:由于市场中大量的商品交易呈现出无序性和复杂性,传统的一般均衡理论无法准确考察市场的真实状况。
鉴于此,本文基于大量交易在统计意义上的复杂程度,借助复杂性科学中的Kohmoto熵,建立了经济市场的多重分形均衡,为审视市场效益提供了一种新的理论思路。
此外,还比较和分析了多重分形均衡和一般均衡的区别与联系,得到了多重分形均衡下的福利经济学定理,并通过市场温度的定义,论证了一般均衡是多重分形均衡的一种特例。
实用文案格式No1—2D目次前言 (1)第一章故障信号的非平稳性 (2)第二章非平稳信号常用的处理方法 (4)2.1 非平稳信号的处理方法 (4)2.1.1 分段或选段傅里叶变换 (5)2.1.2 加Hanning窗转速跟踪分析 (5)2.1.3 短时傅立叶变换 (5)2.1.4 小波变换 (6)2.2 Wigner-Ville分布 (7)2.3 奇异值分解方法 (8)2.3.1 基于奇异值分解的故障诊断技术现状 (9)2.3.2 提取突变信息的奇异值分解方法 (10)2.3.3 提取突变信息的改进奇异值分解方法 (12)2.3.4 模拟信号提取结果及与改进前的比较 (14)2.4 局部均值分解 (16)2.5 数学形态学 (19)2.6 分数Fourier变换 (23)2.6.1 Fourier变换简介 (23)2.6.2分数阶Fourier变换的应用 (24)第三章常用非平稳信号处理方法的比较 (26)3.1 Fourier变换、短时Fourier变换和小波变换的比较 (26)3.2 小波变换与奇异值分解方法的比较 (27)3.3 奇异值技术与改进奇异值技术之间的比较 (31)3.3.1 J103型模型试验器动静件较重碰摩振动信号 (33)3.3.2 柔性转子实验台动静件碰摩振动信号 (35)3.4 EMD方法与LMD方法的比较 (37)第四章结论 (39)前言本报告主要是研究非平稳信号的特性及其在发动机典型故障诊断中的应用特点,从而对不同故障的引起的非平稳性信号处理方法进行选择,并加以改进,达到应用于工程实际的目的。
第一章故障信号的非平稳性设备或工程系统在运行中产生的各种信息、被诊断结构系统在激励作用下产生的各种信息,由传感器变换为信号输出。
信号中包含有丰富的用来作为故障诊断依据的各种特性参数,同时还伴随着各种各样的噪声,并多半以随机的形式出现。
因此为了对系统进行故障诊断,就需要从这些信号中提取出诊断所需的特性参数和确定它的特性曲线。