CN109241823A - 一种基于变分模态分解和支持向量回归的信号预测方法 - Google Patents
一种基于变分模态分解和支持向量回归的信号预测方法 Download PDFInfo
- Publication number
- CN109241823A CN109241823A CN201810783956.1A CN201810783956A CN109241823A CN 109241823 A CN109241823 A CN 109241823A CN 201810783956 A CN201810783956 A CN 201810783956A CN 109241823 A CN109241823 A CN 109241823A
- Authority
- CN
- China
- Prior art keywords
- mode decomposition
- signal
- variation mode
- vector regression
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于变分模态分解和支持向量回归的信号预测方法,首先对采集的原始信号进行经验模态分解,利用经验模态分解自适应获得关键参数,有效模态分量数K,利用有效模态分量数K实现变分模态分解,能够可以有效消除模态混叠和边界效应相结合,能够对扰动信号实现有效分离,实现信号的自适应分解,从而得到分解成K个的本征模态分量,然后对变分模态分解后的信号进行支持向量回归预测,利用支持向量回归对于非线性、非稳态数据的良好适应进行信号的时间序列预测,再进行重构获得最终的预测信号,本发明方法简单,获得信号稳定。
Description
技术领域
本发明涉及一种时间序列信号预测方法,尤其是一种基于变分模态分解和支持向量回归的信号预测方法。
背景技术
目前,对于时间序列信号的预测方法的研究,主要集中在自回归滑动平均(Auto-Regressive Moving Average,ARMA)等单方法预测研究,对于非线性、非平稳的信号处理显得捉襟见肘。对于信号分解的方法主要集中于小波变换(Wavelet Transform,WT)、经验模态分解(Empirical Modes Decomposition,EMD)等方法。WT方法具有较好的时频分辨率,是一种多尺度的时频分析方法,但是其对基函数过于依赖,无法实现信号的自适应分解。EMD方法是一种自适应信号分解方法,可以有效避免对于基函数的影响,但是EMD方法由于其缺乏完备的数学理论支撑且所得结果易发生模态混叠和边界效应,不能够对扰动信号有效分离,并对预测结果造成影响。
发明内容
本发明的目的在于提供基于变分模态分解和支持向量回归的信号预测方法,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于变分模态分解和支持向量回归的信号预测方法,包括以下步骤:
步骤1)、首先对采集的原始信号进行经验模态分解;对经验模态分解结果进行分析,获得有效模态分量数K;
步骤2)、根据有效模态分量数K对采集的原始信号进行变分模态分解,分解成K个本征模态分量;
步骤3)、对变分模态分解后的信号进行支持向量回归预测;
步骤4)、对支持向量回归预测后的本征模态分量进行重构获得最终的预测信号。
进一步的,原始信号即由传感器采集的未经过任何处理的信号。
进一步的,步骤1)对采集的原始信号进行经验模态分解,分解后获取各个本征模态分量是否具有独立的中心频率,如果各个本征模态分量的中心频率没有重合即可认为是独立的有效分量,获得有效模态分量数K。
进一步的,步骤2)根据获得的有效模态分量数K,对采集的原始信号进行变分模态分解,得到K个本征模态分量,包括噪声主导分量、噪声相关分量和有效分量。
进一步的,对于获得的K个本征模态分量,去除噪声主导分量,对噪声相关分量和有效分量进行降噪处理。
进一步的,噪声主导分量中心频率高于其他有效分量中心频率,噪声相关分量中心频率高于普通有效分量的中心频率。
进一步的,噪声主导分量与噪声相关分量的频带宽度大于有效分量频带宽度。
进一步的,有效分量的中心频率集中。
进一步的,采用支持向量回归方法对变分模态分解后的信号进行一维数据的时间序列预测,包括单点预测和多点预测。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于变分模态分解和支持向量回归的信号预测方法,首先对采集的原始信号进行经验模态分解,利用经验模态分解自适应获得关键参数,有效模态分量数K,利用有效模态分量数K实现变分模态分解,能够可以有效消除模态混叠和边界效应相结合,能够对扰动信号实现有效分离,实现信号的自适应分解,从而得到分解成K个的本征模态分量,然后对变分模态分解后的信号进行支持向量回归预测,利用支持向量回归对于非线性、非稳态数据的良好适应进行信号的时间序列预测,再进行重构获得最终的预测信号,本发明方法简单,获得信号稳定。
附图说明
图1是本发明实施例的流程图。
图2是本发明采集信号的经验模态分解结果示意图,图2a为连铸机采集的结晶器液位数据经过经验模态分解后的结果示意图;图2b为经验模态分解的每个本征模态的频谱图。
图3是本发明采集信号的变分模态分解结果示意图。
图4是本发明对噪声相关分量进行去噪处理后的结果示意图。
图5是本发明对信号去噪后与原始信号的频域对比示意图。
图6是本发明预测结果与原始信号对比示意图。
图7是本发明预测误差示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,一种基于变分模态分解和支持向量回归的信号预测方法,包括以下步骤:
步骤1)、首先对采集的原始信号进行经验模态分解;对经验模态分解结果进行分析,获得有效模态分量数K;
步骤2)、根据有效模态分量数K对采集的原始信号进行变分模态分解,分解成K个本征模态分量;
步骤3)、对变分模态分解后的信号进行支持向量回归预测;
步骤4)、对支持向量回归预测后的本征模态分量进行重构获得最终的预测信号。
原始信号即由传感器采集的未经过任何处理的信号。
如图2所示,对采集的原始信号进行经验模态分解,分解后获取各个本征模态分量是否具有独立的中心频率,如果各个本征模态分量的中心频率没有重合即可认为是独立的有效分量,获得有效模态分量数K;
如图3所示,根据获得的有效模态分量数K,对采集的原始信号进行变分模态分解,得到K个本征模态分量,包括噪声主导分量、噪声相关分量和有效分量;
噪声主导分量是由于信号采集过程中产生的噪声,在频域分析是高频窄带信息,是无用的,可以直接去除;
噪声相关分量包括有效信息和噪声,在频域分析带宽较宽的含盖高频信息的信号,应进行去噪处理;
有效分量内信息都为有效信息,其中心频率明晰,带宽较窄;
采用支持向量回归方法对变分模态分解后的信号进行一维数据的时间序列预测,包括单点预测和多点预测;
如图2a所示为连铸机采集的结晶器液位数据经过经验模态分解后的结果示意图,图2b为经验模态分解的每个本征模态的频谱图,由频谱图可知,第一个本征模态分量中心频率为1224HZ,且在各个频率点都有能量存在,而第二个本征模态分量的中心频率为472HZ,中心频率远小于第一个本征模态分量中心频率,且频带较宽,从0-1500HZ各频率点都有能量,由此认为,第一个本征模态分量为噪声主导分量,第二个本征模态分量为噪声相关分量;由此可知,结晶器液位数据经过经验模态分解后虽然分成了9个本征模态分量,但是由于第一个本征模态分量主要以噪声为主,第二个和第三个本征模态分量也包含噪声,但是主要以有效信息为主,所以认为第二个和第三个本征模态分量为噪声相关分量,第一个本征模态分量为噪声主导分量,在此,为了有效分离噪声,把前三个本征模态分量认为是一个本征模态分量,得出本征模态分量数K为7,如图3a所示,对原始的结晶器液位数据进行变分模态分解,得到各个本征模态分量的频谱图,如图3b所示,由上述方法可知,第七个本征模态分量为噪声主导分量,第四到第六个本征模态分量为噪声相关分量,并对第四到第六个本征模态分量进行去噪处理;结果如图4所示,第四到第六个本征模态分量中心频率明晰,去噪效果明显。对噪声主导分量进行去除。由此对第一到第六个本征模态分量分别进行支持向量回归的单步预测,获得下一时刻各本征模态分量值,并进行变分模态分解的重构运算,获得预测后的信号。对噪声相关向量进行去噪处理,并去除噪声主导分量,如图5所示,对信号去噪后与原始信号的频域对比示意图,由重构数据与原始数据的频谱图对比,可见其去噪效果良好。
图6为对各个本征模态分量进行支持向量回归计算并重构后的数据与原始数据的对比。
图7为对各个本征模态分量进行支持向量回归计算并重构后的数据与原始数据的误差。
Claims (9)
1.一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,包括以下步骤:
步骤1)、首先对采集的原始信号进行经验模态分解;对经验模态分解结果进行分析,获得有效模态分量数K;
步骤2)、根据有效模态分量数K对采集的原始信号进行变分模态分解,分解成K个本征模态分量;
步骤3)、对变分模态分解后的信号进行支持向量回归预测;
步骤4)、对支持向量回归预测后的本征模态分量进行重构获得最终的预测信号。
2.根据权利要求1所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,原始信号即由传感器采集的未经过任何处理的信号。
3.根据权利要求1所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,步骤1)对采集的原始信号进行经验模态分解,分解后获取各个本征模态分量是否具有独立的中心频率,如果各个本征模态分量的中心频率没有重合即可认为是独立的有效分量,获得有效模态分量数K。
4.根据权利要求1所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,步骤2)根据获得的有效模态分量数K,对采集的原始信号进行变分模态分解,得到K个本征模态分量,包括噪声主导分量、噪声相关分量和有效分量。
5.根据权利要求4所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,对于获得的K个本征模态分量,去除噪声主导分量,对噪声相关分量和有效分量进行降噪处理。
6.根据权利要求4所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,噪声主导分量中心频率高于其他有效分量中心频率,噪声相关分量中心频率高于普通有效分量的中心频率。
7.根据权利要求4所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,噪声主导分量与噪声相关分量的频带宽度大于有效分量频带宽度。
8.根据权利要求4所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,有效分量的中心频率集中。
9.根据权利要求1所述的一种基于变分模态分解和支持向量回归的信号预测方法,其特征在于,采用支持向量回归方法对变分模态分解后的信号进行一维数据的时间序列预测,包括单点预测和多点预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810783956.1A CN109241823B (zh) | 2018-07-17 | 2018-07-17 | 一种基于变分模态分解和支持向量回归的信号预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810783956.1A CN109241823B (zh) | 2018-07-17 | 2018-07-17 | 一种基于变分模态分解和支持向量回归的信号预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241823A true CN109241823A (zh) | 2019-01-18 |
CN109241823B CN109241823B (zh) | 2021-07-13 |
Family
ID=65072091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810783956.1A Active CN109241823B (zh) | 2018-07-17 | 2018-07-17 | 一种基于变分模态分解和支持向量回归的信号预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241823B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514294A (zh) * | 2019-08-30 | 2019-11-29 | 鞍钢矿业爆破有限公司 | 一种基于emd与vmd的爆破振动信号降噪方法 |
CN112215394A (zh) * | 2020-09-01 | 2021-01-12 | 西安交通大学 | 换流变压器振动信号的预测方法、装置、设备及存储介质 |
CN112422212A (zh) * | 2020-11-19 | 2021-02-26 | 杭州勒贝格智能系统股份有限公司 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
CN113052330A (zh) * | 2021-03-18 | 2021-06-29 | 淮北师范大学 | 一种基于vmd-svm算法的牛鞭效应弱化方法 |
CN113419141A (zh) * | 2021-08-26 | 2021-09-21 | 中国南方电网有限责任公司超高压输电公司广州局 | 直流线路故障定位方法及装置 |
CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846753A (zh) * | 2010-04-29 | 2010-09-29 | 南京信息工程大学 | 基于经验模态分解和支持向量机的气候时序预测方法 |
CN103400052A (zh) * | 2013-08-22 | 2013-11-20 | 武汉大学 | 一种风电场短期风速组合预测方法 |
CN104978491A (zh) * | 2015-07-06 | 2015-10-14 | 北京工业大学 | 一种基于经验模态分解和支持向量机的钟差预测方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
-
2018
- 2018-07-17 CN CN201810783956.1A patent/CN109241823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846753A (zh) * | 2010-04-29 | 2010-09-29 | 南京信息工程大学 | 基于经验模态分解和支持向量机的气候时序预测方法 |
CN103400052A (zh) * | 2013-08-22 | 2013-11-20 | 武汉大学 | 一种风电场短期风速组合预测方法 |
CN104978491A (zh) * | 2015-07-06 | 2015-10-14 | 北京工业大学 | 一种基于经验模态分解和支持向量机的钟差预测方法 |
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
YANXUE WANG,RICHARD MARKERT,JIAWEI XIANG,WEIGUANG ZHENG: "Research on variational mode decomposition and its application in detecting rub-impact fault of the rotor system", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
陈东宁: "基于变分模态分解和多尺度排列熵的故障诊断", 《计算机集成制造系统》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514294A (zh) * | 2019-08-30 | 2019-11-29 | 鞍钢矿业爆破有限公司 | 一种基于emd与vmd的爆破振动信号降噪方法 |
CN112215394A (zh) * | 2020-09-01 | 2021-01-12 | 西安交通大学 | 换流变压器振动信号的预测方法、装置、设备及存储介质 |
CN112215394B (zh) * | 2020-09-01 | 2023-08-15 | 西安交通大学 | 换流变压器振动信号的预测方法、装置、设备及存储介质 |
CN112422212A (zh) * | 2020-11-19 | 2021-02-26 | 杭州勒贝格智能系统股份有限公司 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
CN112422212B (zh) * | 2020-11-19 | 2022-12-30 | 杭州勒贝格智能系统股份有限公司 | 一种数据自适应无线通信信道预测方法、存储介质及设备 |
CN113052330A (zh) * | 2021-03-18 | 2021-06-29 | 淮北师范大学 | 一种基于vmd-svm算法的牛鞭效应弱化方法 |
CN113537555A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的交通子区模型预测滑模边界控制方法 |
CN113419141A (zh) * | 2021-08-26 | 2021-09-21 | 中国南方电网有限责任公司超高压输电公司广州局 | 直流线路故障定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109241823B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241823A (zh) | 一种基于变分模态分解和支持向量回归的信号预测方法 | |
Selesnick | Sparse signal representations using the tunable Q-factor wavelet transform | |
Mert et al. | Detrended fluctuation thresholding for empirical mode decomposition based denoising | |
Wang et al. | Adaptive Fourier decomposition based ECG denoising | |
CN110598166B (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
Singh | Novel Fourier quadrature transforms and analytic signal representations for nonlinear and non-stationary time-series analysis | |
Ranjeet et al. | ECG signal compression using different techniques | |
Hassanpour et al. | Time domain signal enhancement based on an optimized singular vector denoising algorithm | |
Jenitta et al. | Denoising of ECG signal based on improved adaptive filter with EMD and EEMD | |
CN102928517A (zh) | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 | |
WO2013148318A1 (en) | Systems and methods for ecg monitoring | |
Wang et al. | Application of the dual-tree complex wavelet transform in biomedical signal denoising | |
CN108042130A (zh) | 一种基于经验模式分解(emd)的脑电信号预处理方法 | |
CN108665054A (zh) | 基于遗传算法优化阈值的Mallat算法在心音信号降噪的应用 | |
CN114325598A (zh) | 信号去噪的方法及装置 | |
Khan et al. | PMU data analysis in smart grid using WPD | |
CN112101089B (zh) | 信号降噪方法、装置、电子设备及存储介质 | |
Li et al. | Comparisons of wavelet packet, lifting wavelet and stationary wavelet transform for de-noising ECG | |
Chan et al. | Adaptive time-frequency synthesis for waveform discernment in wireless communications | |
Malhotra et al. | Electrocardiogram signals denoising using improved variational mode decomposition | |
CN115376540A (zh) | 一种基于变分模态分解的生物雷达语音增强方法及系统 | |
Kamath et al. | Short‐term wind speed forecasting using S‐transform with compactly supported kernel | |
Susrutha et al. | Analysis on FFT and DWT transformations in image processing | |
CN109117780A (zh) | 噪声消除方法和系统 | |
Aouinet et al. | Electrocardiogram denoised signal by discrete wavelet transform and continuous wavelet transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |