期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
海面通信信号处理技术研究 被引量:1
1
作者 刘健 《舰船科学技术》 北大核心 2021年第6期124-126,共3页
为保证船舶在海面上的行驶安全,与岸上基站保持实时通信十分必要。鉴于此,为提高实时通信质量,进行海面通信信号处理研究具有重要的现实意义。首先利用经验模态分解技术分解得到独立IMF分量,然后利用独立成分分析解模态混叠现象,最后进... 为保证船舶在海面上的行驶安全,与岸上基站保持实时通信十分必要。鉴于此,为提高实时通信质量,进行海面通信信号处理研究具有重要的现实意义。首先利用经验模态分解技术分解得到独立IMF分量,然后利用独立成分分析解模态混叠现象,最后进行源通信信号重构,实现海面通信信号去噪。结果表明,与基于异构补偿的自适应反馈滤波方法、独立成分分析法和经验模态分解法相比,经研究方法去噪后,信噪比(SNR)和均方误差(RMSE)均要更优,证明了方法的去噪处理效果。 展开更多
关键词 信号处理技术 海面通信信号 经验模态分解技术 独立成分分析
在线阅读 下载PDF
鲸鱼优化支持向量机的短期风电功率预测 被引量:51
2
作者 岳晓宇 彭显刚 林俐 《电力系统及其自动化学报》 CSCD 北大核心 2020年第2期146-150,共5页
为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode de?composition)将原始风电序列分解... 为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode de?composition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimiza?tion algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。 展开更多
关键词 风电预测 集合经验模态分解技术 支持向量机 鲸鱼优化算法 组合模型
在线阅读 下载PDF
软件数值积分误差原因分析及改进办法 被引量:21
3
作者 张永强 宋建江 +1 位作者 屠良尧 薛姗 《机械强度》 EI CAS CSCD 北大核心 2006年第3期419-423,共5页
针对困扰工程使用的软件积分在加速度积分为速度和位移时的误差原因进行详细分析,并且汇总提出一些相应的改进方法。将高通滤波、分段多项式拟合以及经验模态分解(empiricalmodedecomposition)技术应用于消除数值积分的误差影响,并详细... 针对困扰工程使用的软件积分在加速度积分为速度和位移时的误差原因进行详细分析,并且汇总提出一些相应的改进方法。将高通滤波、分段多项式拟合以及经验模态分解(empiricalmodedecomposition)技术应用于消除数值积分的误差影响,并详细论述各种处理方法的优缺点。用巴东大桥实测的地脉动数据进行数值积分处理,取得满意的积分效果,说明文中消除趋势项的方法是有效可行的。 展开更多
关键词 数值积分 趋势项 高通滤波 分段多项式拟合 经验模态分解技术
在线阅读 下载PDF
基于CEEMDAN-ConvLSTM组合模型的云计算负载预测方法 被引量:4
4
作者 赵鹏 周建涛 赵大明 《计算机科学》 CSCD 北大核心 2023年第S01期642-650,共9页
随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性... 随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性能低的问题,提出了一种基于自适应噪声的完备经验模态分解和卷积长时序神经网络组合模型(CEEMDAN-ConvLSTM)的云计算负载预测方法。首先运用自适应噪声的完备经验模态(CEEMDAN)分解技术对数据序列进行分解操作,将其转换为若干个易于分析和建模的子序列;然后运用卷积长时序神经网络(ConvLSTM)预测模型对这一系列子序列进行建模预测,并采用基于多进程并行计算的研究思路,实现多序列并行预测及贝叶斯优化调参;最后将预测值综合叠加以获得整个模型的预测输出,从而实现对原始复杂序列数据进行高精度预测的目标。使用Google集群工作负载数据集进行实验验证,实验结果表明,CEEMDAN-ConvLSTM组合模型具有良好的预测效果,相比自回归差分移动平均模型(ARIMA)、长短期记忆网络(LSTM)和卷积长时序神经网络(ConvLSTM),所提模型预测均方根误差(RMSE)指标分别提升了30.9%,30.1%和22.5%。 展开更多
关键词 云计算 负载预测 卷积长时序神经网络(ConvLSTM) 模态分解技术 贝叶斯优化
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部