基于经验模态分解和神经网络的非线性信号预测

《基于经验模态分解和神经网络的非线性信号预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士研宄生学位论文基于经验模态分解和神经网络的非线性信号预测作者：王指导教师：李国辉副教授学科（专业）：电子科学与技术二〇一ｊｅｔ论文曰期：八年六月单位代码11664学号1502210025分类号TP391密级西安邮电大学硕士研究生学位论文题（中、英文）目基于经验模态分解和神经网络的非线性信号预测NonlinearSignalPredictionBasedonEmpiricalModeDecompositionandNeuralNetwork作者姓名王思亮指导教师姓名、职

2、务李国辉副教授学科门类工学学科（专业）电子科学与技术提交论文日期二○一八年六月摘要摘要非线性信号的预测一直是信号处理中的一个重要分支。随着人们对大自然的深入研究，越来越多的信号被认为是非线性信号，如水声信号、太阳黑子数和语音信号等。对非线性信号建立预测模型，能够更好地揭示事物的本质和规律，对指导人类生活具有重要的研究意义和实用价值。经验模态分解（EmpiricalModeDecomposition,EMD）是近些年来新兴的适用于处理非线性、非平稳信号的时-频方法。本文通过采用经验模态分解及其改进方法对

3、原始信号进行分解，结合小波神经网络和极限学习机神经网络进行预测，探索组合预测模型在非线性信号预测中的优势，并将预测模型应用于太阳黑子月均值与水声信号的预测之中。主要工作包括：（1）采用完备集合经验模态分解与小波神经网络建立组合预测模型，通过比较三种经验模态分解方法与小波神经网络相结合，对太阳黑子月均值进行预测。实验结果表明，完备经验模态分解可以有效地避免模态混叠现象，与小波神经网络相结合，能够有效地预测出太阳黑子数，是一种比较好的算法。（2）提出一种基于果蝇优化算法优化的小波神经网络与完备经验模态分解

4、相结合的组合预测模型，并对太阳黑子月均值进行预测。采用果蝇优化算法，能够有效找出小波神经网络神经元中的权值，有效地提高了预测精度。实验结果表明，与没有优化过的神经网络相比，该预测模型在预测精度上有一定的提升。（3）提出一种基于极点对称经验模态分解与极限学习机相结合的组合预测模型并对水声信号进行预测。极限学习机训练速度快，设置参数简单。实验结果表明，该模型能够大幅度提高预测精度。关键词：经验模态分解；小波神经网络；太阳黑子数；水声信号；预测IAbstractAbstractThepredictionof

5、nonlinearsignalshasalwaysbeenanimportantbranchofsignalprocessing.Withthein-depthstudyofnature,moreandmoresignalsareconsideredasnonlinearsignals,suchasunderwateracousticsignals,sunspotnumbers,andspeechsignals.Establishingapredictivemodelfornonlinearsigna

6、lscanbetterrevealthenatureandlawsofthingsandhaveimportantresearchsignificanceandpracticalvalueforguidinghumanlife.Empiricalmodedecomposition(EMD)hasbeendevelopedinrecentyearsasanewdataanalysismethod.Inthispaper,theoriginalsignalisdecomposedbyusingEMDand

7、itsimprovedmethod,andthewaveletneuralnetworkandextremelearningmachineneuralnetworkareusedtopredict.Findtheadvantagesofthecombinedforecastingmodelinnonlinearsignalprediction,andthesunspotsandtheunderwateracousticsignalswillbepredictedbypredictionmodels.T

8、hemaincontentsandinnovationsareasfollows:(1)Thecombinedpredictionmodelandthewaveletneuralnetworkareusedtoestablishthecombinedforecastingmodel.Bycomparingthethreeempiricalmodedecompositionmethodswiththewaveletneuralnetwork,themont