CN112329936B - 一种基于多种群遗传算法和相似性计算的信号延拓方法 - Google Patents
一种基于多种群遗传算法和相似性计算的信号延拓方法 Download PDFInfo
- Publication number
- CN112329936B CN112329936B CN202011225426.9A CN202011225426A CN112329936B CN 112329936 B CN112329936 B CN 112329936B CN 202011225426 A CN202011225426 A CN 202011225426A CN 112329936 B CN112329936 B CN 112329936B
- Authority
- CN
- China
- Prior art keywords
- signal
- population
- point
- individual
- extended
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于多种群遗传算法和相似性计算的信号延拓方法,首先设定待延拓信号的位置及多种群遗传算法的一系列参数,再利用多种群遗传算法随机生成一系列点并创建初始种群;计算以初始种群中的点为截断点截取的信号与待延拓信号的相关系数作为基准,再对种群进行选择、交叉、变异操作,得到新的种群;计算以新种群的点为截断点截取的信号与待延拓信号的相关系数;再利用移民算子将最优个体代替最差个体;然后利用人工选择算子选出每个种群的最优个体;重复上述步骤直到输出最优解,得到最终的延拓信号。本方法稳定性好,能有效抑制断点效应,并通过增加有效信号长度,提高信号的频率分辨率。
Description
技术领域
本发明属于信号处理技术领域,具体涉及一种信号延拓方法。
背景技术
在进行一维信号处理分析过程中,一般会遇到端点效应问题和信号取样时间长度不足,信号频率分辨率不够等问题。为此,相关技术提出多种信号延拓方法,比如,信号序列镜像延拓、信号序列偶延拓、信号序列周期延拓等直接延拓方法,以及基于时间序列延拓和基于神经网络预测延拓等方法。信号延拓的关键在于使信号在恰当点处,进行周期性延拓,而以上方法都没有涉及到延拓点的选取,特别是当信号中混有白噪声时,延拓点选取将变得更为重要,且使周期性延拓的实现具备随机性。
发明内容
为了克服现有技术的不足,本发明提供了一种基于多种群遗传算法和相似性计算的信号延拓方法,首先设定待延拓信号的位置及多种群遗传算法的一系列参数,再利用多种群遗传算法随机生成一系列点并创建初始种群;计算以初始种群中的点为截断点截取的信号与待延拓信号的相关系数作为基准,再对种群进行选择、交叉、变异操作,得到新的种群;计算以新种群的点为截断点截取的信号与待延拓信号的相关系数;再利用移民算子将最优个体代替最差个体;然后利用人工选择算子选出每个种群的最优个体;重复上述步骤直到输出最优解,得到最终的延拓信号。本方法稳定性好,能有效抑制断点效应,并通过增加有效信号长度,提高信号的频率分辨率。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤S1:设定原始信号的信号长度为S,在原始信号中截取一段信号作为待延拓信号sM,待延拓信号sM的位置为[1,M],M为整数,M∈[1,S]且M<(S-M);
步骤S2:设定多种群遗传算法的参数:种群个数P,个体数目N,二进制位数R,变异概率pm,交叉概率pc,最优最少保持代数G,代沟A,适应度阈值L;
步骤S3:利用多种群遗传算法在原始信号的[M,S-M]范围内随机生成a个整数点,记为集合aM,并创建P个初始种群,a个整数点随机分布在P个初始种群中;对于任意一个整数点x,x∈aM,计算以点x为截断点在原始信号中截取的长度为M的信号sx(ni)与待延拓信号sM的相关系数,信号sx(ni)在原始信号中的位置为[x+1,x+M];
定义k为循环变量,令k等于1;
步骤S4:对P个初始种群进行选择、交叉、变异操作,得到新的P个种群和新的整数点集合bM,新的P个种群记为PFl,l=1,2,…,P,整数点集合bM中包含a个整数点,bM中的a个整数点随机分布在P个种群PFl中;
步骤S5:将种群PFl的范围限定在[M,S-M]范围内,对于任意一个整数点y,y∈bM,计算以点y为截断点在原始信号中截取的长度为M的信号sy(mi)与待延拓信号sM的相关系数,信号sy(mi)在原始信号中的位置为[y+1,y+M];在同一个种群内,定义已计算得到的相关系数中最大值对应的点为最优个体,相关系数中最小值对应的点为最差个体;
步骤S6:利用移民算子用种群PFl中的最优个体代替种群PFl+1中的最差个体,以此类推,将种群PFP中的最优个体代替种群PF1中的最差个体;
步骤S7:利用人工选择算子在每个种群PFl中选出最优个体,组成精华种群,再从精华种群中选择最优个体记为Yk,由Yk在原始信号中截取长度为M的信号与待延拓信号sM的相关系数记为Dk;
步骤S8:令k加1,当k>G时,若Dk、Dk-1、…、Dk-G+1均小于Dk-G+L,则将Dk、Dk-1、…、Dk-G+1中的最大值所对应的最优个体记为YQ;否则,重复步骤S4到步骤S7;
步骤S9:在原始信号中点YQ之前截取长度为M的信号s(Qi),信号s(Qi)在原始信号中的位置为[YQ-P+1,YQ],将信号s(Qi)与待延拓信号sM对接,放置于原始信号的前端,信号s(Qi)加原始信号构成延拓后的信号。
有益效果:
本发明提出的一种基于多种群遗传算法和相似性计算的信号延拓方法,以多种群逐代进化和相关系数评价相似性高低的方法寻找最佳截断点,并对信号进行周期性延拓,来实现信号延拓。该方法稳定性好,能有效抑制断点效应,并通过增加有效信号长度,提高信号的频率分辨率,通过多种群进化的方式可以克服GA算法带来的未成熟收敛的现象,并且可缩短程序的运行时长。
附图说明
图1是本发明方法工作流程示意图。
图2是本发明实施例的原始信号的时域波形图。
图3是本发明实施例中信号s(t)在延拓后的信号时频波形图;
图4是本发明实施例中最优值随进化代数变化图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,一种基于多种群遗传算法和相似性计算的信号延拓方法,包括如下步骤:
步骤S1:设定原始信号的信号长度为S,在原始信号中截取一段信号作为待延拓信号sM,待延拓信号sM的位置为[1,M],M为整数,M∈[1,S]且M<(S-M);
步骤S2:设定多种群遗传算法的参数:种群个数P,个体数目N,二进制位数R,变异概率pm,交叉概率pc,最优最少保持代数G,代沟A,适应度阈值L;
步骤S3:利用多种群遗传算法在原始信号的[M,S-M]范围内随机生成a个整数点,记为集合aM,并创建P个初始种群,a个整数点随机分布在P个初始种群中;对于任意一个整数点x,x∈aM,计算以点x为截断点在原始信号中截取的长度为M的信号sx(ni)与待延拓信号sM的相关系数,信号sx(ni)在原始信号中的位置为[x+1,x+M];
定义k为循环变量,令k等于1;
步骤S4:对P个初始种群进行选择、交叉、变异操作,得到新的P个种群和新的整数点集合bM,新的P个种群记为PFl,l=1,2,…,P,整数点集合bM中包含a个整数点,bM中的a个整数点随机分布在P个种群PFl中;
步骤S5:将种群PFl的范围限定在[M,S-M]范围内,对于任意一个整数点y,y∈bM,计算以点y为截断点在原始信号中截取的长度为M的信号sy(mi)与待延拓信号sM的相关系数,信号sy(mi)在原始信号中的位置为[y+1,y+M];在同一个种群内,定义已计算得到的相关系数中最大值对应的点为最优个体,相关系数中最小值对应的点为最差个体;
步骤S6:利用移民算子用种群PFl中的最优个体代替种群PFl+1中的最差个体,以此类推,将种群PFP中的最优个体代替种群PF1中的最差个体;
步骤S7:利用人工选择算子在每个种群PFl中选出最优个体,组成精华种群,再从精华种群中选择最优个体记为Yk,由Yk在原始信号中截取长度为M的信号与待延拓信号sM的相关系数记为Dk;
步骤S8:令k加1,当k>G时,若Dk、Dk-1、…、Dk-G+1均小于Dk-G+L,则将Dk、Dk-1、…、Dk-G+1中的最大值所对应的最优个体记为YQ;否则,重复步骤S4到步骤S7;
步骤S9:在原始信号中点YQ之前截取长度为M的信号s(Qi),信号s(Qi)在原始信号中的位置为[YQ-P+1,YQ],将信号s(Qi)与待延拓信号sM对接,放置于原始信号的前端,信号s(Qi)加原始信号构成延拓后的信号。
具体实施例:
在本实施例中,以s(t)为示例信号,信号s(t)包括1/30Hz和1/60Hz以及1/15Hz三个频率,另外有脉冲信号fault和白噪声noise,其采样频率为1000Hz,白噪声noise为强度为-25dBW的高斯白噪声,脉冲信号fault为幅值为0.05,脉冲周期为50ms,每一个脉冲周期内有一个脉冲组,每一个脉冲组有9个点的周期信号,则信号s(t)表示为:
如图2为实施例原始信号的时间域波形图。
如图3和图4所示,本实施例包括以下步骤:
步骤1:设定待延拓信号的信号位置为[1,100];
步骤2:设定多种群遗传算法的一系列参数:种群个数P=10,个体数目N=80,二进制位数R=20,变异概率pm的随机产生范围[0.001,0.05],交叉概率pc的随机产生范围[0.7,0.9],最优最少保持代数G=10,代沟A=0.9,适应度阈值L=0.05;
步骤3:利用多种群遗传算法随机生成在[100,4900]范围内的一系列整数点并创建10个初始种群,计算以种群中的任一点x为截断点所取的长度为100的信号sx(ni),(ni=x+1,x+2,…x+100)与待延拓信号的相关系数;
步骤4:在现有种群的基础上进行选择、交叉、变异操作,得到新的10个种群PF;
步骤5:对新的种群PF进行限制其范围的操作,使之在[100,4900]范围内,并计算以新的种群中的点y为截断点所取的长度为100的信号sy(ni),(ni=y+1,y+2,…y+100)与待延拓信号的相关系数;
步骤6:利用移民算子将种群PF中第1个种群的最优个体代替种群PF中第2个种群中的最差个体,将种群PF中第2个种群的最优个体代替种群PF中第3个种群中的最差个体,以此类推,将种群PF中第10个种群的最优个体代替种群PF中第1个种群中的最差个体;
步骤7:利用人工选择算子选出种群PF中每个种群的最优个体组成精华种群,从精华种群中选择最优个体并储存下来;
步骤8:重复进行上述步骤直到连续10次此操作得到的相关系数都小于连续10次之前那一次的相关系数加0.05;
步骤9:输出最优解即截断位置3420,在截断点之前(包含截断点)截取100长度的信号s(ni),(ni=3321,3322,…3420),将s(ni)与原信号进行对接,得到延拓后的信号。并将该延拓作为最终的信号延拓。
在本发明的描述中,以相关系数值的大小作为评价适应度高低的标准,相关系数值越大,适应度越高。本发明的目的是寻找适应度尽可能大的点,即相关系数尽可能大的点,一个种群中相关系数值最大的点即为最优个体,相关系数最小的点即为最差个体。
Claims (1)
1.一种基于多种群遗传算法和相似性计算的信号延拓方法,其特征在于,包括以下步骤:
步骤S1:设定原始信号的信号长度为S,在原始信号中截取一段信号作为待延拓信号sM,待延拓信号sM的位置为[1,M],M为整数,M∈[1,S]且M<(S-M);
步骤S2:设定多种群遗传算法的参数:种群个数P,个体数目N,二进制位数R,变异概率pm,交叉概率pc,最优最少保持代数G,代沟A,适应度阈值L;
步骤S3:利用多种群遗传算法在原始信号的[M,S-M]范围内随机生成a个整数点,记为集合aM,并创建P个初始种群,a个整数点随机分布在P个初始种群中;对于任意一个整数点x,x∈aM,计算以点x为截断点在原始信号中截取的长度为M的信号sx(ni)与待延拓信号sM的相关系数,信号sx(ni)在原始信号中的位置为[x+1,x+M];
定义k为循环变量,令k等于1;
步骤S4:对P个初始种群进行选择、交叉、变异操作,得到新的P个种群和新的整数点集合bM,新的P个种群记为PFl,l=1,2,…,P,整数点集合bM中包含a个整数点,bM中的a个整数点随机分布在P个种群PFl中;
步骤S5:将种群PFl的范围限定在[M,S-M]范围内,对于任意一个整数点y,y∈bM,计算以点y为截断点在原始信号中截取的长度为M的信号sy(mi)与待延拓信号sM的相关系数,信号sy(mi)在原始信号中的位置为[y+1,y+M];在同一个种群内,定义已计算得到的相关系数中最大值对应的点为最优个体,相关系数中最小值对应的点为最差个体;
步骤S6:利用移民算子用种群PFl中的最优个体代替种群PFl+1中的最差个体,以此类推,将种群PFP中的最优个体代替种群PF1中的最差个体;
步骤S7:利用人工选择算子在每个种群PFl中选出最优个体,组成精华种群,再从精华种群中选择最优个体记为Yk,由Yk在原始信号中截取长度为M的信号与待延拓信号sM的相关系数记为Dk;
步骤S8:令k加1,当k>G时,若Dk、Dk-1、…、Dk-G+1均小于Dk-G+L,则将Dk、Dk-1、…、Dk-G+1中的最大值所对应的最优个体记为YQ;否则,重复步骤S4到步骤S7;
步骤S9:在原始信号中点YQ之前截取长度为P的信号s(Qi),信号s(Qi)在原始信号中的位置为[YQ-P+1,YQ],将信号s(Qi)与待延拓信号sM对接,放置于原始信号的前端,信号s(Qi)加原始信号构成延拓后的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225426.9A CN112329936B (zh) | 2020-11-05 | 2020-11-05 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011225426.9A CN112329936B (zh) | 2020-11-05 | 2020-11-05 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329936A CN112329936A (zh) | 2021-02-05 |
CN112329936B true CN112329936B (zh) | 2023-03-24 |
Family
ID=74316133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011225426.9A Active CN112329936B (zh) | 2020-11-05 | 2020-11-05 | 一种基于多种群遗传算法和相似性计算的信号延拓方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329936B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851689A (zh) * | 2006-05-19 | 2006-10-25 | 长安大学 | 基于相似波形的数字信号端点数据延拓方法 |
CN101227179A (zh) * | 2007-01-19 | 2008-07-23 | 华为技术有限公司 | 一种截取输入信号的方法及装置 |
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 |
CN102054039A (zh) * | 2010-12-30 | 2011-05-11 | 长安大学 | 一种提高遗传算法全局搜索能力的适应度定标方法 |
CN104751179A (zh) * | 2015-04-01 | 2015-07-01 | 河海大学 | 一种基于博弈论的多目标高光谱遥感影像波段选择方法 |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
CN106872587A (zh) * | 2017-02-10 | 2017-06-20 | 中南大学 | 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 |
CN106971170A (zh) * | 2017-04-07 | 2017-07-21 | 西北工业大学 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
CN107729289A (zh) * | 2017-09-30 | 2018-02-23 | 中国人民解放军战略支援部队航天工程大学 | 一种基于遗传优化的多项式相位信号自适应时频变换方法 |
CN108153710A (zh) * | 2017-12-15 | 2018-06-12 | 清华大学 | 基于静态小波变换系数最小化的多成分信号延拓方法 |
CN108805287A (zh) * | 2018-08-01 | 2018-11-13 | 北斗航天卫星应用科技集团有限公司 | 遗传小波神经网络的陀螺随机误差补偿方法及系统 |
CN109270345A (zh) * | 2018-07-20 | 2019-01-25 | 国网江苏省电力有限公司常州供电分公司 | 一种电网谐波信号的检测方法 |
CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9982291B2 (en) * | 2014-08-11 | 2018-05-29 | Luminex Corporation | Probes for improved melt discrimination and multiplexing in nucleic acid assays |
-
2020
- 2020-11-05 CN CN202011225426.9A patent/CN112329936B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1851689A (zh) * | 2006-05-19 | 2006-10-25 | 长安大学 | 基于相似波形的数字信号端点数据延拓方法 |
CN101227179A (zh) * | 2007-01-19 | 2008-07-23 | 华为技术有限公司 | 一种截取输入信号的方法及装置 |
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 |
CN102054039A (zh) * | 2010-12-30 | 2011-05-11 | 长安大学 | 一种提高遗传算法全局搜索能力的适应度定标方法 |
CN104751179A (zh) * | 2015-04-01 | 2015-07-01 | 河海大学 | 一种基于博弈论的多目标高光谱遥感影像波段选择方法 |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
CN106872587A (zh) * | 2017-02-10 | 2017-06-20 | 中南大学 | 一种基于平移不变ghm多小波变换的轨检仪数据去噪方法 |
CN106971170A (zh) * | 2017-04-07 | 2017-07-21 | 西北工业大学 | 一种基于遗传算法利用一维距离像进行目标识别的方法 |
CN107729289A (zh) * | 2017-09-30 | 2018-02-23 | 中国人民解放军战略支援部队航天工程大学 | 一种基于遗传优化的多项式相位信号自适应时频变换方法 |
CN108153710A (zh) * | 2017-12-15 | 2018-06-12 | 清华大学 | 基于静态小波变换系数最小化的多成分信号延拓方法 |
CN109270345A (zh) * | 2018-07-20 | 2019-01-25 | 国网江苏省电力有限公司常州供电分公司 | 一种电网谐波信号的检测方法 |
CN108805287A (zh) * | 2018-08-01 | 2018-11-13 | 北斗航天卫星应用科技集团有限公司 | 遗传小波神经网络的陀螺随机误差补偿方法及系统 |
CN109683066A (zh) * | 2018-11-08 | 2019-04-26 | 山东康威通信技术股份有限公司 | 电力电缆典型缺陷局部放电信号识别方法 |
Non-Patent Citations (3)
Title |
---|
Cardiovascular Signal Decomposition and Estimation with the Extended Kalman Smoother;James McNames 等;《EMBS Annual International Conference》;20061231;3708-3711 * |
基于广义延拓的电梯振动信号优化处理与分析;张国安 等;《中国特种设备安全》;20181231;第34卷(第10期);4-8、11 * |
基于广义延拓逼近的GPS卫星信号多普勒频移估计方法;唐青松 等;《现代电子技术》;20180401;第41卷(第7期);24-28 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329936A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111031051B (zh) | 一种网络流量异常检测方法及装置、介质 | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN110334105B (zh) | 一种基于Storm的流数据异常检测方法 | |
CN107579816B (zh) | 基于递归神经网络的密码字典生成方法 | |
CN108491886A (zh) | 一种基于卷积神经网络的多元时序数据的分类方法 | |
CN104102923A (zh) | 一种基于mfcc算法的朱鹮个体识别方法 | |
CN103065192B (zh) | 一种基于确定学习理论的海量时态数据建模方法 | |
CN116992986A (zh) | 一种基于时间序列分解网络流量预测系统 | |
CN109067427A (zh) | 一种基于优化型小波神经网络的跳频序列预测方法 | |
WO2020060854A1 (en) | Dynamic graph analysis | |
CN112185419A (zh) | 一种基于机器学习的玻璃瓶裂纹检测方法 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
CN113887119A (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
CN112329936B (zh) | 一种基于多种群遗传算法和相似性计算的信号延拓方法 | |
CN107979606B (zh) | 一种具有自适应的分布式智能决策方法 | |
CN115883424A (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
CN113361199A (zh) | 基于时间序列的多维污染物排放强度预测方法 | |
CN113722970A (zh) | 一种光伏功率超短期在线预测方法 | |
CN114070601B (zh) | 一种基于EMDR-WE算法的LDoS攻击检测方法 | |
CN115184939B (zh) | 一种新的体扫描数据文件生成方法 | |
Scarpiniti et al. | A collaborative approach to time-series prediction | |
de Assis et al. | Time series forecasting methods for creating digital signature of network segments using flow analysis | |
CN114511070B (zh) | 一种适用于双场量子密钥分发系统的零相位电压估计方法 | |
Hersvik et al. | A high-fidelity weather time series generator using the Markov Chain process on a piecewise level |
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 |