导读:本文包含了小波分解论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:小波,分解,模型,方差,概貌,煤层,神经网络。
小波分解论文文献综述
孙喆,江微娜[1]（2019）在《基于小波分解重构方法提取煤层反射槽波信号》一文中研究指出槽波地震勘探具有探测距离大、抗电干扰能力强的特点。但是由于槽波本身的频散特性,以及井下复杂的激发接收条件,多种类型的纵波和横波及噪声迭加在一起,原始槽波信号难以识别。常规的处理方法是根据理论频散曲线设计频率域窄带滤波的方式提取槽波埃里震相。为了提高反射槽波成像的信噪比,通过对原始信号进行小波分解进行多尺度分析,重构提取有效槽波信号的方法进行处理。实际应用结果表明,小波分解重构方法提高了反射槽波成像的信噪比。(本文来源于《煤炭技术》期刊2019年12期）
赵丹宁,高蕊,雷雨[2]（2019）在《利用小波分解改进极移预报模型》一文中研究指出为进一步提高极移预报精度,将小波分解引入极移预报中。首先利用小波分解对极移序列进行分解,分离低频分量与高频分量,然后对低频分量建立最小二乘外推模型,获得极移序列的趋势项外推值与残差序列,最后采用自回归(autoregressive,AR)模型对高频分量与残差序列之和进行预报,最终极移的预报值为最小二乘外推值与AR模型预报值之和。结果表明,小波分解可以明显改善最小二乘外推与AR组合模型的极移预报精度,尤其对于中长期预报改善更为明显。(本文来源于《武汉大学学报(信息科学版)》期刊2019年12期）
姜保军,曹浩[3]（2019）在《基于小波分解和样本熵的GA-SVM齿轮箱故障诊断》一文中研究指出针对齿轮箱故障信号的复杂性和非平稳性,提出了一种基于小波分解和样本熵的遗传算法支持向量机(GA-SVM)故障诊断方法。采用小波分解对信号进行叁层分解并提取其高频系数与低频系数,然后计算其系数的样本熵值并构建特征向量,最后将其输入到经过遗传算法(GA)优化后的支持向量机中进行识别。实验表明,对4种工况下6类齿轮箱状态样本进行分类,通过GA算法优化后的SVM模型具有较高的识别准确率且高于文中其他识别模型。(本文来源于《组合机床与自动化加工技术》期刊2019年11期）
彭鹏,吴晓文,陈炜,罗潇,卢铃[4]（2019）在《基于小波分解与谱减法的变压器噪声测量预处理方法》一文中研究指出在户外对变压器进行噪声测试时,测试结果往往容易受到外界环境噪声的影响。由于环境噪声类型较为复杂,且其产生与持续时间具有不确定性和非平稳性,大部分的测量仪器无法对其进行有效的处理。因此,为了提高变压器噪声测量的准确性,需要对采集到的原始噪声信号进行预处理。文中提出了一种基于小波分解与谱减法相结合的变压器噪声预处理方法,采用小波包分析算法将变压器声信号时频分解,对分解后的带噪频段小波包信号进行谱减法语音处理。理论分析结果与变电站实测带噪信号分析结果表明,该方法能够有效抑制变电站环境噪声对变压器噪声测量结果的干扰。所提出的方法对于输变电工程噪声检测以及基于噪声检测的变压器运行状态评价具有参考意义。(本文来源于《高压电器》期刊2019年11期）
施玉欣,陈凌燕,梁颖怡,陈可欣,李锡钦[5]（2019）在《基于小波分解和ARIMA模型的城际铁路客流预测》一文中研究指出针对城际铁路车站客流预测问题,文章采用离散小波分析方法对城际铁路车站原始日客流量数据进行小波分解;对分解得到的各层小波系数,利用AIC赤池信息准则进行ARIMA建模;利用训练得到的ARIMA模型进行预测未来一段时间客流数据的高频分量和低频分量,并对其进行小波重构,从而得到未来一段时间的预测客流数据;最后以广珠城际铁路某车站实际客流数据为例,对文章所提出的客流预测模型和客流预测算法进行了验证。实验结果表明,文章所提方法客流预测方法具有一定的预测精度。(本文来源于《江苏科技信息》期刊2019年29期）
窦立超,程伟,周凯福,都兴霖[6]（2019）在《基于小波分解的OFDM信号与单载波信号识别方法》一文中研究指出通信信号调制方式的自动识别是软件无线电和非合作目标通信的关键技术.针对航空信道下OFDM信号与单载波信号的识别问题,提出了基于小波分解得到信号概貌信息均值方差特征的调制识别方法,分析了本文方法对OFDM信号和单载波信号的识别性能,以及OFDM信号子载波数对识别率的影响,并与已有方法进行性能对比分析,通过计算机仿真验证了该方法的有效性.(本文来源于《空军预警学院学报》期刊2019年05期）
白云博,欧阳斯达,杨朦朦,夏学齐,王婷[7]（2019）在《基于双树复小波分解的云量时间序列模型预测》一文中研究指出针对传统云量预测模型应用于高分辨率卫星影像云量时间序列数据时存在的实用性差、拟合效果差及预测结果准确度低的问题,提出了一种基于双树复小波分解的云量时间序列组合模型预测方法。该方法利用DT-CWT分解的方法提取出云量时间序列的低频趋势信息和高频随机信息,对低频和高频序列分别应用时间序列分析与Elman神经网络的预测方法,然后将两个序列的预测结果重构得到最终的云量预测结果。实验结果表明,应用双树复小波分解的低频信息可以更好的反应云量变化趋势,高频信息也可以更好的保留云量变化的随机信息。该方法预测结果的平均绝对误差和均方根误差相比传统预测模型均有所减小,预测准确度有所提高,能够更好的拟合高分辨率卫星云量时间序列的变化规律。在卫星成像任务规划时将云量预测的结果作为参考信息,选择云量覆盖较小的时间窗口,可以获取更高品质的卫星有效成像数据。(本文来源于《航天返回与遥感》期刊2019年05期）
黄青平,邹晓明,刘楚群,叶明武,黄祺珺[8]（2019）在《基于小波分解与随机森林的短期负荷预测》一文中研究指出为解决训练样本少、负荷波动较大,采用数据挖掘方法(神经网络、支持向量机以及随机森林)预测负荷精度不高的问题,文章提出了一种基于小波分解与随机森林结合的负荷预测方法。首先采用小波分解算法将历史负荷序列分解成若干个不同频率的子序列,结合实时气象数据,根据各个频段的负荷子序列的特征,利用随机森林回归算法分别对负荷子序列进行建模,最后将待预测日不同频率分量进行重构得到预测结果。实例中的数据来源于安徽某地的历史负荷,将所提方法与神经网络、支持向量机和随机森林等数据挖掘方法进行比较,证实了所提方法的有效性。(本文来源于《电力信息与通信技术》期刊2019年09期）
马超,陈子豪,宋洁云,谢从华[9]（2019）在《基于关键帧Haar小波分解和SURF特征的视频拼接研究》一文中研究指出针对当前视频拼接速度较慢的问题,提出了一种基于关键帧Haar小波分解和SURF特征的视频拼接方法.首先,利用差分法提取视频关键帧并用Haar小波分解向下抽样降低图像分辨率;其次,几何校正关键帧小波分解的低通滤波图像;再次,基于低通滤波图像的SURF特征实现图像配准;最后,基于渐入渐出的融合算法实现图像融合.实验结果表明,本文方法在保证拼接质量的前提下可以大大提高视频拼接速度.(本文来源于《常熟理工学院学报》期刊2019年05期）
高梦琦,昌锡铭,王欢[10]（2019）在《基于小波分解和长短时记忆网络的地铁进站量短时预测》一文中研究指出针对城市地铁车站进站客流量短时预测问题,提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型,小波分解和重构可以有效处理数据的波动性,长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例,实现了组合模型对进站量的预测,发现本方法能够得到比较准确的预测效果,平均绝对百分误差为5.48%,与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%,表明本方法有更好的预测精度。(本文来源于《山东科学》期刊2019年04期）
小波分解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为进一步提高极移预报精度,将小波分解引入极移预报中。首先利用小波分解对极移序列进行分解,分离低频分量与高频分量,然后对低频分量建立最小二乘外推模型,获得极移序列的趋势项外推值与残差序列,最后采用自回归(autoregressive,AR)模型对高频分量与残差序列之和进行预报,最终极移的预报值为最小二乘外推值与AR模型预报值之和。结果表明,小波分解可以明显改善最小二乘外推与AR组合模型的极移预报精度,尤其对于中长期预报改善更为明显。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小波分解论文参考文献
[1].孙喆,江微娜.基于小波分解重构方法提取煤层反射槽波信号[J].煤炭技术.2019
[2].赵丹宁,高蕊,雷雨.利用小波分解改进极移预报模型[J].武汉大学学报(信息科学版).2019
[3].姜保军,曹浩.基于小波分解和样本熵的GA-SVM齿轮箱故障诊断[J].组合机床与自动化加工技术.2019
[4].彭鹏,吴晓文,陈炜,罗潇,卢铃.基于小波分解与谱减法的变压器噪声测量预处理方法[J].高压电器.2019
[5].施玉欣,陈凌燕,梁颖怡,陈可欣,李锡钦.基于小波分解和ARIMA模型的城际铁路客流预测[J].江苏科技信息.2019
[6].窦立超,程伟,周凯福,都兴霖.基于小波分解的OFDM信号与单载波信号识别方法[J].空军预警学院学报.2019
[7].白云博,欧阳斯达,杨朦朦,夏学齐,王婷.基于双树复小波分解的云量时间序列模型预测[J].航天返回与遥感.2019
[8].黄青平,邹晓明,刘楚群,叶明武,黄祺珺.基于小波分解与随机森林的短期负荷预测[J].电力信息与通信技术.2019
[9].马超,陈子豪,宋洁云,谢从华.基于关键帧Haar小波分解和SURF特征的视频拼接研究[J].常熟理工学院学报.2019
[10].高梦琦,昌锡铭,王欢.基于小波分解和长短时记忆网络的地铁进站量短时预测[J].山东科学.2019
论文知识图
