基于EMD的仪器稳定度组合预测.pdf

《基于EMD的仪器稳定度组合预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于EMD的仪器稳定度组合预测程双江。等基于EMD的仪器稳定度组合预测CombinedPredictionBasedonEMDforInstrumentStability程双住李世军邹iii敌(第二炮兵工程大学，陕西西安710025)摘要：为更好地把握仪器的性能变化规律，规避其可能带来的各种风险，将预测理论应用到仪器稳定度预测中，建立了一种基于EMD—SVM的稳定度组合预测模型。首先利用EMD方法对稳定度数据进行分解，然后对分解得到的数据选择一种预测模型进行预测．最后再把所有这些分解数据的预测结果输人到SVM中进行组合预测。通过与移动平均模型、自回归积分滑动平均(ARIMA)模型和

2、线性组合预测模型的预测结果相比较，验证了该方法的有效性。关键词：仪器稳定度经验模态分解(EMD)支持向量机(SVM)组合预测预测精度中图分类号：TH71文献标志码：ADOI：10．16086／j．cnki．issnl000—0380．201501007Abstract：Inordertobettergrasptheregularpatternoftheperformancevariationoftheinstruments，andtoevadevariousrisksmayoccur，thepredictiontheoryisappliedinthepredictionofinst

3、rumentstability，andthecombinedpredictionmodelbasedonEMD—SVMisbuilt．Firstly。thedataofstabilityaredecomposedbyadoptingEMDmethod；thenapredictionmodelisselectedfromthedataobtainedbydecompositionforpredicting；finallyallthepredictedresultsofdecomposeddataareputintoSVMforcombinedprediction．Thecompari

4、sonofthepredictiveresultsfrommovingaveragemodel-autoregressiveintegratedmovingaverage(ARIMA)modelandlinearcombinationforecastingmodel，provestheefectivenessofthismethod．Keywords：InstrumentStabilityEmpiricalmodedecomposition(EMD)Supportvetormachine(SVM)CombinedpredictionPredictionaccuracy的数据分别采用

5、多项式模型、BP神经网络模型和自回0引言归积分滑动平均(autoregressiveintegratedmoving仪器作为人类认识世界必不可少的工具，如今已average，ARIMA)模型进行单独预测，最后再将单独预被广泛应用于我们生活的各个领域。但是仪器在给社测的结果输入到SVM中进行组合预测。最终建立了基会带来巨大利益的同时，其自身也会出现一系列的问于EMD．SVM的组合预测模型。题，如果不注意这些问题，带来的损失同样不可估量。1EMD方法和SVM简介因此，依据仪器性能指标参数的历史数据，对其未来可能的发展趋势作出预测就显得格外重要。对于如今的1．1EMD方法高精度智能仪器而

6、言．稳定度指标已经逐步成为用户EMD是将非平稳、非线性信号分解成一系列表最关心的话题，因此本文对仪器稳定度数据进行研究，征信号特征时间尺度的IMF，使得每个IMF是单分具备更大的工程与现实意义。量的幅值或频率调制信号。简单来说，就是将原始目前，关于预测的研究很多]，但主要还是组合信号中不同尺度的波动或趋势项逐级分解，产生一预测，比如基于神经网络的组合预测、基于支持向量机系列具有不同特征尺度的数据序列．每一个序列就(supportvectormachine，SVM)的组合预测等。其中，是一个IMF。SVM在解决小样本、过拟合和维数灾变等问题中具有相比于小波分解等其他信号分解方法而言．

7、EMD不可比拟的优势_4]．因此本文选择了基于SVM的组在信号分解过程中分解的基函数是不确定的。EMD合预测模型对稳定度数据进行预测。首先利用经验模依据的是信号本身的局部信息特征进行自适应分解．态分解(empiricalmodedecapmosition，EMD)方法对稳不需要预先设定基函数，也无需信号的任何先验知识。定度数据进行分解．然后对分解得到的3种不同类型因此，EMD具有更好的自适应性，在处理非线性、非平稳信号方面具备更大优势]。对信号进行EMD分修改稿收到日