一、小波分析及其应用的研究现状和发展趋势（论文文献综述）
盛祖维[1]（2021）在《基于小波去噪的阈值函数改进及其应用研究》文中研究指明小波分析理论是众多研究领域的学者们共同而奋斗的结晶,在故障诊断、语音信号处理、图像压缩以及流体力学方面,小波变换凭借强大的分析能力,已经成为非常重要的处理工具,反映了在现代科学时代,众多学科之间相互交织的特点。傅里叶分析是小波理论的基础,由于傅里叶变换在进行信号处理时存在一定的缺陷,它只能处理相关的平稳的信号,而如果信号是非平稳的,傅里叶变换就不能对该信号进行分析了,而小波分析可以对信号进行局部化分析,反映信号在时频域上的重要特征,对信号进行更深层次的解读。在对相关信号进行分析时,都需要先对信号进行去噪之后再做相关的处理,所以,信号去噪在信号的处理中占据重要的地位。传统的硬阈值和软阈值函数自身存在一定的不足,在当前快速发展的信号处理方面显得无能为力,因此新的小波阈值函数的提出在当前的信号处理面前显得格外重要。首先,本文对小波分析的相关理论进行概述,然后详细介绍了小波信号去噪的相关原理和流程以及常见的信号去噪方法。在这几类去噪的方法中,小波阈值去噪方法凭借最大信噪比和最小均方误差性质,去噪效果最为强大。因此,对小波阈值去噪方法进行深入的研究和应用也很有必要。其次,对小波阈值去噪的相关影响方面进行分析,这其中包括小波基函数的选取,小波分解层数的选择,阈值规则的选取以及阈值函数的选取,这些方面选择的不同,都会对影响信号去噪的效果。本文主要针对阈值函数这一影响因素做出改进,硬阈值函数是不连续的,信号容易产生比较大的方差,重构的信号很容易产生振荡,最终导致信号的重构效果质量变差;软阈值函数在进行软阈值处理时,原始信号和去噪信号两者的小波系数存在恒定的偏差,也会导致信号的重构受到相应的影响,重构质量变差。本文在传统的阈值函数基础上进行研究,构造出新的阈值函数,新的阈值函数具备良好的数学特性,克服了传统阈值函数相关缺陷,同时对比信号去噪的信噪比和均方误差两个评价标准进行分析,验证了新的阈值函数具有良好的去噪效果。最后,本文从信号去噪的应用这个角度出发,将小波阈值去噪方法与Elman神经网络相结合,构造新的股价预测模型方法,首先对Elman神经网络方法相关概念进行阐述,然后选取上证综指的收盘价进行信号去噪处理,在Elman神经网络模型中,对去噪的数据信号进行建模,做出相关的预测处理。同时将数据有和没有去噪的两种情况下,使用神经网络预测的效果进行对比分析,发现阈值去噪之后再进行神经网络预测的效果更好。
齐贺香[2]（2021）在《基于地基MAX-DOAS精确获取HCHO的方法及其应用研究》文中认为随着城市的迅猛发展和工业化地不断推进,大气环境问题日益突出,污染类型由煤烟型逐渐向区域复杂污染转变。地基多轴差分吸收光谱技术（MAX-DOAS）能够实时、在线获取多组分污染物,在对流层痕量气体探测方面获得了广泛应用。论文基于一维地基MAX-DOAS系统精确获取2019年10月至2020年5月淮北地区对流层HCHO柱浓度,主要包含以下三方面的研究内容。（1）搭建一维地基MAX-DOAS系统,通过步进电机控制望远镜转动,实现了多仰角的光谱测量;测试了光谱仪性能,其中CCD暗电流线性度为0.99421,电子噪声为0.58696,光谱仪分辨率为0.68 nm。（2）通过优化反演波段与基于小波变换的光谱去噪过程提高了地基MAX-DOAS对流层HCHO气体的反演精度。对比不同仰角不同波段的反演结果,获取了HCHO的最佳反演波段,即选用324-342 nm的反演波段时,反演误差均值最小(2.85×1015molecule·cm-2),能够精确获取甲醛气体浓度;将小波变换中的改进平移不变量阈值算法运用在光学密度谱的去噪过程中,设计了粒子群算法筛选最优调节因子,滤除光谱中的噪声结构并保留待测气体吸收结构。与多项式平滑滤波相比,在大信噪比下,相对误差减小至0.66%,提升了0.21%;在小信噪比下,相对误差减小至6.03%,提升了1%。将多项式平滑滤波与改进平移不变量阈值算法的去噪结果进行对比,表明了改进平移不变量阈值算法可以更好的提高反演精度。（3）分析了淮北地区在2020年6月至2020年12月期间的对流层HCHO浓度测量结果,结果表明了与疫情前后相比,疫情中期HCHO浓度分别降低了35%和23%;由风场轨迹与风玫瑰图可知,高值天气下西北风场分别占据38%、17%的比例,表明了砀山、丰县等地区的污染在西北风场的输送下,造成淮北地区HCHO浓度升高,并将MAX-DOAS系统的HCHO测量结果与OMI卫星结果进行了相关性分析,发现两种测量方式具有良好的一致性（R2=0.87）。
张志刚[3]（2020）在《基于小波分析的多星融合GNSS遥感反演地表土壤湿度研究》文中研究说明土壤湿度对水文、气象、农业环境等领域的研究起着重要作用,在环境学等方面可以作为水资源循环的衡量标准。近年来,利用GNSS反射信号进行土壤湿度的反演成为一种新型监测方法,具有高精度、连续性好和适用广泛等优点,因此,基于GNSS-IR的地基土壤湿度反演研究具有更广阔的现实意义和应用前景。同时,提高反演精度是需要加强解决的一个热点问题,针对基于GNSS-IR反演土壤湿度目前存在个别年积日异常跳变和单星反演精度波动较大的问题,使用小波分析和LS-SVM算法进行反演模型的优化,探讨小波分析和LS-SVM算法在GNSS-IR土壤湿度反演中的可行性和有效性,本文主要研究内容和结论如下:（1）本文提出了用小波分析方法对卫星反射信号分离的方法,对P041测站2011年和2012年的观测文件分别进行了处理,分别获得了各卫星反演的土壤湿度数据,并对测站周边的土壤湿度实验进行比较和分析,发现大多数卫星反演的精度都较好,但在反演中容易产生系统误差和异常跳变问题。针对这个问题,利用小波多尺度分解卫星的反射信号,改善局部拟合性较差的问题,对于局部拟合性精度,相对于传统方法,本文方法RMSE至少可以提高7.98%;MAE至少提高25.2%。削弱部分卫星个别年积日的异常跳变值,平均反演结果相关系数达到0.803。（2）本文研究了小波基函数在卫星反射信号分离中的选择问题,采用传统低阶多项式方法和4个小波基函数,分别将P041测站10颗卫星的观测数据的反射信号进行分离,通过最终得到的反演结果与土壤湿度参考值之间对比分析发现,使用小波分析的卫星反射信号可以有效地减小系统的误差和跳变,10颗卫星所得的反演结果精确度都有所提高,进一步降低了RMSE、MAE的误差,相比传统的方法来说,得到了更好的相关系数。通过五种方案的对比分析,采用线性回归模型反演土壤湿度能更好的表现变化趋势和规律。coif5小波单星反演的平均相关系数为0.836,与传统的方法相比至少增加了20.1%,相比bior6.8、dmey和sym10小波分别提高10.4%、5.2%和11.5%。说明coif5小波应用于GNSS-IR土壤湿度反演是可行且效果较好。（3）本文使用最小二乘支持向量机(（least Squares-Support Veotor Maohine,LS-SVM）进行多星组合滚动估计土壤湿度变化,由于各卫星相对测站的方位和角度不同,同时,每颗卫星的参数和性能也存在一定的差异,因此,仅用某颗卫星对反演土壤湿度的变化,就无法全面系统的掌握某一区域内的土壤湿度变化。土壤湿度变化是非线性的,通过不同数量的卫星组合,可以得到不同的精度反演结果。经实验与分析发现:利用LS-SVM进行多星融合,可以显着地提高反演精度,并且有效地综合了各卫星的优点,随着卫星组合数量增加,反演的精度也不断提高;当卫星的组合数量达到七颗时,反演的土壤湿度结果相关系数达到了0.916,相对单星来说至少可以提高16.1%;RMSE是0.039。因此,结合小波分析方法,建立卫星反射信号分离模型和多星融合,可以显着提高土壤湿度的反演精度,对实际高时空分辨率监测土壤湿度提高一种新的方法。
蒋宇[4]（2020）在《齿轮箱混沌特性与故障诊断研究》文中研究指明传动系统在机械设备中起到中流砥柱的作用,齿轮箱传动系统是机器非常关键的组成部分,揭示齿轮箱系统固有混沌特性并通过其开展齿轮箱健康状态的监测与诊断,对于延长机器的服役时间具有重要意义。吸引子理论作为研究相空间中系统动力学状态的理论越来越得到认识和应用,而混沌吸引子属于吸引子中的一种形态,自然可用来诠释混沌系统的混沌动力学特性和状态。齿轮箱系统是一个混沌系统,其振动信号中蕴涵着大量能够反映系统特征的信息。针对齿轮箱系统混沌特性尤其是探索高维空间中混沌吸引子的特性以及演化规律的研究相对匮乏,且齿轮箱故障特征提取缺乏挖掘混沌特性与故障之间存在的内在关系,有待进一步寻求有效的混沌特征指标实现表征与诊断。为此,本文应用相空间重构理论将一维振动信号推广到高维相空间中去将振动信号单变量时间序列中隐含的系统信息显现出来,探索研究高维空间中齿轮系统混沌吸引子的相轨迹、相点分布、递归特性,揭示齿轮箱系统的混沌特性,进而对齿轮箱系统在不同故障形式下的混沌吸引子特征提取进行表征计算和状态分析。本文深入地开展了齿轮箱混沌特性与故障诊断研究。首先,在齿轮箱故障模拟试验台上开展了振动信号采集实验,采集了不同工况条件下齿轮箱系统的振动信号,对其进行了时域和频域分析,发现齿轮箱振动信号中均含有大量的噪声,相似度较高,频域中均存在齿轮的啮合频率及其谐波成分,同时在啮合频率及其谐波两侧都会形成一系列边频带。应用小波分析法和自适应噪声集成总体经验模式分解方法,分别对采集到的齿轮箱振动信号进行了降噪分析与处理,发现两种方法降噪后高频成分得到了一定的抑制,同时保留了低频带中原有信号的特征信息。相比而言,自适应噪声集成总体经验模式分解方法更有利于消除环境噪声对振动信号的影响,且有助于突显系统本身固有的特征信息,为后续齿轮箱系统混沌特性分析和故障模式识别与诊断打下了坚实的基础。为了揭示齿轮箱运行中的混沌特性,开展了齿轮箱系统不同运行状态下的混沌特性证明研究。引入了基于相空间重构的定量判别方法,分别为关联维数、最大Lyapunov指数和Kolmogorov熵,以及功率谱定性判别方法。同时,为了验证这四种判别方法的有效性,对于Lorenz理论混沌系统首先开展了混沌特性验证研究,接着对于齿轮箱系统不同运行状态进行了混沌特性判别,发现齿轮箱系统在不同运行状态下,其关联维数均为分数值,最大Lyapunov指数和Kolmogorov熵均大于零,而功率谱均为连续宽带谱。通过联合关联维数、最大Lyapunov指数Kolmogorov熵以及功率谱的方法,共同证明了齿轮箱系统的混沌特性。为了探索齿轮箱系统混沌吸引子空间分布特性,根据相空间重构理论构造了齿轮箱不同运行状态下的混沌吸引子,并探讨了嵌入维数和延迟时间对齿轮系统混沌吸引子的影响,应用相轨迹图和相点三维直方图方法,呈现了齿轮系统混沌吸引子三维空间中相点分布形态和空间结构,并基于相点分布形态和空间结构开展了定性和定量的混沌特性表征研究。同时,采用关联维数、包含球半径、包含相点的盒子数和相点数量最大值指标,对齿轮混沌吸引子进行量化表征计算,进而对齿轮箱不同运行状态进行模式识别。结果表明,混沌吸引子的相轨迹图可直观定性地对齿轮箱不同运行状态进行识别,而包含球半径是一种基于相点分布有效的量化表征指标,可用于实现齿轮箱不同运行状态模式识别。针对齿轮箱实际工作过程中故障特征提取难的问题,引入递归思想和递归分析方法,从系统相空间中相点递归特性出发,探索递归模式与齿轮故障的映射关系,提出了将递归分析结合自适应噪声集成总体经验模式分解方法。从自相似特征角度研究递归模式与齿轮不同模式的映射关系,应用四个递归量化参数分别为递归度、确定性、分层率、熵,对齿轮箱不同运行状态进行特征提取进而故障诊断,发现这四个参数指标均能对齿轮箱不同运行状态进行有效地识别。另外,与基于混沌吸引子相轨迹进行诊断的表征参数相比较,发现递归度和熵这两个递归指标诊断效果更优。结果表明,递归分析结合自适应噪声集成总体经验模式分解方法是一种有效的特征提取用于实现齿轮箱故障识别与诊断的方法。针对目前齿轮动力学建模多以考虑单频激励作用因素为主,而实际应用中齿轮箱多为工作环境复杂恶劣,开展了考虑多频激励作用建立齿轮非线性动力学模型与故障诊断研究。定义了啮合刚度系数,探讨了多频激励参数对正常及裂纹故障模型主共振幅频特性的影响,采用增量谐波平衡法对齿轮动力学响应进行分析计算,研究了正常及裂纹故障模型的动力学特性,证实了考虑多频激励作用模型相比传统单频激励模型更能准确地描述其动力学特性,丰富了齿轮动力学建模理论。同时,利用齿轮箱混沌特性开展了裂纹齿轮不同故障程度的识别与诊断研究。通过计算混沌指标最大Lyapunov指数,发现了最大Lyapunov指数随着裂纹故障程度增加而增大的规律。本文揭示了齿轮箱系统的混沌特性,并以混沌吸引子为依据研究解决齿轮箱故障诊断问题。为机械设备状态识别与故障诊断提供了一种新的思路,具有一定的理论价值及工程应用意义。该论文有图98幅,表19个,参考文献170篇。
程扬[5]（2020）在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中研究指明磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:（1）论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959～1990年和长滩站2001～2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年～1966年间和1982年～1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。（2）论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。（3）论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。（4）论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年～2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年～2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
刘钊[6]（2019）在《城市快速路短时交通流预测方法关键因素研究及应用》文中研究表明随着我国大城市道路基础设施建设的逐步完善,对城市交通系统的管理需求正逐步从被动式监控管理过渡到主动式管理。作为智能交通系统（ITS）的关键技术之一,短时交通流预测可以为主动式交通系统的管理提供及时、准确、可靠的交通信息服务。本论文利用实际的交通流数据,通过对短时交通流预测因素的分析,提出本论文的研究假设,围绕这一研究假设建立一个短时交通流预测建模框架,该预测框架把短时交通流均值预测和区间预测联系在一起,然后分别针对短时交通流均值预测和区间预测方法展开研究。论文的主要研究内容,可以分为以下几个方面:首先,从短时交通流预测因素、短时交通流均值预测方法和区间预测方法三个方面,对国内外文献进行分析,总结当前短时交通流预测研究的现状和存在的不足。其次,利用实际的交通流数据,从交通流的时间汇集度、流率水平和互相关性三个方面对短时交通流预测因素展开分析,重点探讨同一道路断面上车道与车道、车道与断面交通流变化的特征和互相关性。第三,根据国内外文献分析和短时交通流预测因素分析,提出本论文的研究假设,并围绕该研究假设建立一个短时交通流预测框架,该预测框架包含了交通流均值预测和区间预测。针对短时交通流均值预测,在利用交通流状态的相似性来重构历史交通流数据的基础上,应用多种预测方法建立组合预测模型,即对多种预测方法的预测结果进行线性加权组合。第四,针对短时交通流区间预测,提出三种不同的区间预测方法,分别为基于K近邻非参数、基于模糊信息粒化和基于GARCH模型的区间预测方法。其中,基于K近邻非参数的预测方法是利用选择的K个近邻值估计交通流均值的置信区间,而基于模糊信息粒化的区间预测是把交通流区间预测转换为交通流均值预测来处理,基于GARCH模型的预测方法则是针对交通流均值预测的误差序列进行建模。最后,利用实际的交通流数据,验证论文所提出的短时交通流均值预测和区间预测方法的有效性,并依次分析影响组合预测建模的关键因素,以及不同区间预测方法的特点,从而为短时交通流预测的实施提供理论基础和技术指导。
刘娟花[7]（2019）在《多尺度数据融合算法及其应用研究》文中研究指明分别在多个尺度上对多个传感器的信息进行融合,不仅可获得比单个传感器更优的性能,而且与单尺度上的融合相比,多尺度数据融合能更好地刻画出目标的本质特性。MEMS陀螺是一种可以测量角速度的传感器,具有很多吸引人的优点。但噪声大,准确度不高也是不争的事实。于是如何去除MEMS陀螺仪中的噪声,并提高其精度就成为近年来的研究热点。对多MEMS陀螺应用多尺度数据融合算法,可以显着提高系统的精度及可靠性。本文证明了前人提出的多尺度数据融合算法的有效性,设计了 一种新的多尺度融合算法,讨论了多尺度数据融合中的重要技术问题,并通过对多个MEMS陀螺的融合应用,经仿真和硬件实验验证了本文多尺度融合算法的优越性。主要创新点和工作如下:1.从小波分析理论出发,证明了平稳和非平稳情况下的数据融合定理。从数学上解释了多尺度数据融合算法优于经典加权算法的原理,为该算法的推广应用奠定了数学基础。2.结合小波域多尺度数据融合算法的原理、具体步骤及存在问题等,设计了基于小波包的多尺度数据融合算法,并用实测数据通过仿真实验,比较了小波多尺度数据融合和小波包多尺度数据融合。3.分析了多MEMS陀螺数据融合中的小波基、分解层数、加权因子等的选择方法,通过仿真实验验证了其可行性。4.比较了基于时间序列分析、基于小波去噪和基于小波变换的多尺度融合这三种融合方法不同方面的性能。另外,还比较了多尺度融合和前向线性预测（Forward Linear Prediction,FLP）融合方法,结果均表明本文所提出的多尺度融合方法的独特性和有效性。将上述研究成果应用于我们设计并制作的一套多MEMS陀螺仪数据融合实时处理系统平台中,对4个MEMS陀螺仪所采集的原始数据进行实时处理。分别在静态和动态环境下对该集成系统进行了测试,实验结果表明:该系统运行稳定可靠,将MEMS陀螺的精度提高了 1个量级。本文的研究工作不仅为有关多尺度融合系统的分析奠定了理论基础,还为算法的推广应用提供了实验依据。
陈节作[8]（2019）在《南宁华润中心施工过程结构变形监测研究》文中研究说明随着社会的进步和经济的迅猛发展,超高层建筑不断的刷新城市的天际线,结构体系也越来越复杂,给超高层建筑的建造带来了巨大的挑战。超高层建筑施工期的各类荷载、施工工艺以及外界因素对结构变形有较大的影响,因此有必要对超高层建筑施工过程进行实时的变形监测,对监测数据进行去噪与分析,并结合对超高层建筑变形状态的理论分析,为超高层建筑结构安全性评估与损伤识别提供技术指导。本文以在建的“广西第一高楼”—南宁华润中心为工程背景,研究了适合本项目的施工现场变形监测方案,建立南宁华润中心阶段施工有限元分析模型,对其进行了全过程施工模拟研究,并与现场实测数据进行对比分析;提出了小波-自适应卡尔曼滤波组合分析模型,并将其应用在本超高层项目中,取得了良好的效果,具体内容如下:（1）详细的叙述了南宁华润中心结构位移监测方案,建立三个级别的平面控制网对南宁华润中心进行结构位移监测。主体结构封顶之前,采用“全站仪直接测量法”相结合的方法对本项目进行阶段施工监测,结构封顶之后采用“全站仪+GPS组合监测法”对水平位移进行长期监测。（2）建立南宁华润中心有限元模型对其进行全过程施工模拟研究,分析了施工期间塔楼核心筒和外框柱竖向位移及位移差的变化情况。结果表明:随着楼层高度的增加,楼层的最大竖向位移并没有发生在结构的顶层,而是在中间楼层,楼层竖向位移变化曲线呈现中间大两边小的“鱼腹型”变化规律;（3）对结构水平位移变化进行了深入的研究,对比了不同收缩徐变模式对水平位移分析的影响;将有限元分析的理论结果与现场实际监测值进行对比分析;研究表明:楼层水平位移变化曲线呈现中间大两边小的“鱼腹型”变化规律,即中间楼层水平位移大,底部和顶部楼层水平位移较小;采用ACI209-92收缩徐变预测模式和CEB-FIP90收缩徐变预测模式计算所得的水平位移存在一定的差异,但相差不大且变化趋势基本一致;施工模拟分析的计算结果与实测数据存在一定的差异,但变化趋势大致吻合。（4）对工程建筑物变形监测数据分析的理论和方法进行了详细的叙述,包括小波分析以及卡尔曼滤波的相关理论,对动态测量系统的卡尔曼滤波模型和卡尔曼滤波初值的确定方法进行了研究。此外,提出了小波-自适应卡尔曼滤波组合分析模型,并应用MATLAB对其进行程序设计。（5）结合施工现场变形监测数据研究了适合本超高层项目的最优小波去噪模型,对比分析了小波阈值去噪与方差补偿自适应卡尔曼滤波的滤波效果。研究表明:小波阈值去噪能较好的将监测数据的曲线尖峰平滑过渡,小波去噪后的数据曲线较原始数据呈现的规律也更加明显,取得了小波阈值降噪的目的。与小波阈值去噪相比,采用方差补偿自适应卡尔曼滤波滤波后的数据残差值波动较小,滤波处理后残差的方差值比小波阈值去噪后的数据残差的方差值要小,方差补偿自适应卡尔曼滤波更具有动态变形的适应性。（6）提出了小波-自适应卡尔曼滤波组合分析模型,并首次将其应用在超高层建筑的变形监测数据分析当中,对其滤波及预测效果进行了详细的研究,研究表明:较之方差补偿自适应卡尔曼滤波,经过小波阈值去噪预处理的小波-自适应卡尔曼滤波的滤波残差值波动较小,滤波效果有一定程度的提升。小波-自适应卡尔曼滤波组合分析模型的整体预测值与实际值的差值较小,预测效果优于自适应卡尔曼滤波,也是适用于本超高层监测项目数据分析的最优模型。
何友福[9]（2019）在《基于小波去噪优化的变形监测数据处理及预测研究》文中进行了进一步梳理随着科学技术的快速发展和进步,变形监测技术也在不断的丰富和提升。但是,目前绝大多数的作业单位仍在采用传统的变形监测方法和变形监测数据处理技术。即使改进了变形监测的方法,也主要体现在监测设备的改进上,在变形监测数据处理技术方面仍然存在许多不足之处。如果变形监测方法的快速发展没有强有效的数据处理技术作为支撑,那么变形监测及预测的效果将会存在很大的局限性,很难准确地反映出变形体的实际变化情况。因此,在丰富和提升变形监测方法的同时,必须对变形监测数据处理技术进行更加深入、全面且有效的研究。目前,变形监测数据处理技术的主要研究方向是利用先进、完备的数学理论及信号处理方法对变形体非线性且复杂的变形信号进行深入的分析,提取出变形体的变形趋势、规律及幅度,以此对变形体的变形情况进行稳定性分析,从而实现变形体的变形预报和有效防治。对于变形体变形信号的分析,国内外学者们从理论及实践两个方面提出了不同的方法。其中,结合具体的监测数据进行变形分析及预测预报在我国的重大工程中取得了广泛的应用,每一种进行变形预测的数学模型都拥有各自的特点及优势,同时也都具有不可避免的缺陷。研究表明,在变形分析中,先对原始观测数据采取一定的预处理方法进行去噪,再利用去噪后的数据建立相应的组合预测模型,其预测精度往往优于单一的非线性预测方法。本文立足于此,首先对非线性小波变换阈值去噪算法进行了优化研究,然后利用非线性小波变换阈值去噪优化算法对原始观测数据进行去噪处理,最后采用小波去噪优化后的数据对变形体进行变形分析并建立小波优化-GM（1,1）组合模型对变形体的变形趋势进行预测。本文通过理论分析、实验设计以及工程应用验证了非线性小波变换阈值去噪优化算法在建筑物变形监测数据处理及预测中的理论有效性以及工程实用性。具体的研究内容及主要成果包括:（1）系统地介绍了小波分析方法,重点说明非线性小波变换阈值去噪算法并对其进行了大量的优化研究,得到了能够有效适用于变形监测数据去噪处理的Sym7小波基函数、阈值函数与阈值估计最佳改进方法以及一种新的小波去噪质量复合评价指标M;（2）针对建筑物的变形分析,利用非线性小波变换阈值去噪优化算法对原始数据进行去噪处理,得到去噪后的变形曲线更加光滑,有效降低了原始数据突变对变形分析产生的不良影响,更好地反映了变形体的变形趋势、规律及幅度;（3）采用一种新的小波去噪质量复合评价指标M对建筑物变形监测数据经小波去噪优化处理后的效果进行去噪质量评价,得到了最佳分解与重构尺度,最大限度地保留了原始有用信号,剔除绝大部分噪声,这对建筑物变形监测数据处理具有一定的指导意义;（4）利用GM（1,1）模型和小波优化-GM（1,1）组合模型分别对建筑物的变形趋势进行预测,结果表明:小波优化-GM（1,1）组合模型的预测精度更高,预测结果更加稳定、可靠,进一步验证了本文的非线性小波变换阈值去噪优化算法的理论有效性以及工程实用性。
罗国旭[10]（2018）在《基于小波分析的复合材料压机泄漏诊断系统研究》文中认为以树脂基为代表的复合材料是新材料领域的重要组成部分,是发展现代工业、国防和科学技术不可缺少的基础材料,其成型装备的性能直接决定了制品的品质。近年来,汽车轻量化的发展势头日益迅猛、“以塑代钢”取得了长足的进步,这对处于成型核心装备地位的液压机提出了更高的性能要求,其液压系统性能可靠性指标也日益苛刻。因此,本文围绕着制约复合材料压机液压系统性能提升的泄漏问题,开展基于小波分析的典型故障诊断方法研究,具体内容如下:（1）基于复合材料成型工艺及电液装备特性,分析影响复材优质模压成型的工艺参数及装备故障特征。结合复合材料模压成型的工作原理,分析实现优质成型的复材压机电气及液压系统运行规律;分解影响成型精度的液压系统故障模式,建立压机液压系统的故障树模型。（2）针对复合材料的调平缸液压系统,建立数学模型并分析其泄漏特征。根据泄漏特性建立成型过程中调平缸的数学模型,分析泄漏类型及造成其成因,研究压制成型过程中的泄漏特性及规律;研究调平缸发生泄漏时的压力信号响应特征,为基于小波分析对压机泄漏故障特征的研究提供分析数据依据。（3）分析调平缸压力信号成分,提出对压机液压缸泄漏特征敏感的小波分析诊断方法。利用小波变换的时频特征对压机调平缸发生泄漏时动态压力信号局部频谱进行分析;对比小波阈值去噪与传统滤波去噪方法的消噪效果,利用阈值及其处理技术优化小波去噪模型参数;分析小波变换在检测压力突变信号和不同频率分段信号的特性,研究小波变换特征参数对压机调平缸泄漏的敏感度,由此利用所得小波系数,提升调平缸泄漏的检测精度。（4）建立液压缸泄漏测试实验平台及数据实时采集分析系统,由此验证所提出检测诊断方法的可靠性。针对调平缸内外泄漏耦合工况,结合LabVIEW和Matlab建立液压缸压力信号的小波分析检测平台;提取液压缸发生泄漏时的关键特征敏感压力信号,依据所提出的小波系数敏感特征分析方法,对调平缸的泄漏故障程度进行识别,以验证小波变换对故障信号监测和诊断的可靠性。本文围绕复材压机液压系统的核心部分,提出一种基于小波分析的在线数据监测故障诊断方法。基于复合材料压机成型工艺特点,通过液压缸泄漏故障特征提取,对故障压力信号进行小波分析,可实现对液压缸微小泄漏故障识别及泄漏程度诊断。该方法仅需采集液压缸的两腔压力信号,即可实现对液压缸泄漏的监测诊断,具有无需改变原液压系统（即无损）的优点,为压机的故障分析提供新的精确且快速诊断手段。
二、小波分析及其应用的研究现状和发展趋势（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、小波分析及其应用的研究现状和发展趋势（论文提纲范文）
（1）基于小波去噪的阈值函数改进及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外研究综述 |
| 1.2.1 小波技术发展及其现状 |
| 1.2.2 信号去噪的研究现状 |
| 1.3 主要工作及论文框架 |
| 1.4 研究的创新与不足 |
| 1.4.1 研究的创新点 |
| 1.4.2 研究的不足 |
| 第二章 小波及信号去噪理论 |
| 2.1 小波分析方法概述 |
| 2.1.1 傅里叶变换 |
| 2.1.2 加窗傅里叶变换 |
| 2.1.3 小波理论简述 |
| 2.2 多尺度理论 |
| 2.2.1 多尺度分析概述 |
| 2.2.2 Mallat分解重构算法 |
| 2.2.3 极大重叠离散小波变换 |
| 2.3 基于小波变换的信号去噪流程及方法 |
| 2.3.1 小波去噪基本原理流程 |
| 2.3.2 小波去噪基本方法 |
| 2.4 小波去噪效果的影响因素 |
| 2.4.1 小波基函数的选择 |
| 2.4.2 分解层数的选择 |
| 2.4.3 阈值的选取 |
| 2.4.4 阈值函数的选取 |
| 2.5 小波去噪信号性能评价标准 |
| 2.5.1 信噪比 |
| 2.5.2 均方差 |
| 2.6 本章小结 |
| 第三章 改进阈值函数的小波去噪 |
| 3.1 小波去噪基本原理 |
| 3.2 阈值函数的选取 |
| 3.2.1 传统的阈值函数 |
| 3.2.2 改进的阈值函数 |
| 3.3 仿真实验结果及分析 |
| 3.3.1 仿真结果 |
| 3.3.2 仿真结果分析 |
| 3.4 本章小结 |
| 第四章 基于小波阈值去噪神经网络模型的应用研究 |
| 4.1 小波去噪 |
| 4.2 Elman神经网络 |
| 4.3 神经网络预测 |
| 4.3.1 数据的预处理 |
| 4.3.2 预测模型的建立 |
| 4.3.3 实验仿真 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 研究结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
（2）基于地基MAX-DOAS精确获取HCHO的方法及其应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 DOAS技术发展现状 |
| 1.2.2 MAX-DOAS技术发展现状 |
| 1.3 大气中的甲醛 |
| 1.4 本文主要内容 |
| 1.5 章节主要安排 |
| 第二章 差分吸收光谱技术 |
| 2.1 差分吸收光谱技术 |
| 2.2 DOAS原理 |
| 2.3 被动MAX-DOAS测量原理 |
| 2.4 最小二乘法拟合 |
| 2.5 光谱处理 |
| 2.5.1 夫琅禾费结构 |
| 2.5.2 Ring光谱参与拟合 |
| 2.6 本章小结 |
| 第三章 地基被动MAX-DOAS系统搭建 |
| 3.1 实验装置 |
| 3.2 光谱仪性能测试 |
| 3.2.1 偏置(Offset) |
| 3.2.2 暗电流(Dark Current) |
| 3.2.3 电子噪声(Electronic Noise) |
| 3.2.4 分辨率(Resolution) |
| 3.3 本章小结 |
| 第四章 HCHO浓度的精确反演 |
| 4.1 高分辨率光谱作卷积 |
| 4.2 待测气体最佳反演波段的选取 |
| 4.3 光学密度谱去噪 |
| 4.3.1 小波变换 |
| 4.3.2 基本原理 |
| 4.3.3 平移不变量算法 |
| 4.3.4 改进平移不变量阈值算法去噪 |
| 4.4 多项式平滑滤波与小波变换去噪结果对比 |
| 4.4.1 基于粒子群算法优化阈值函数的调节因子 |
| 4.4.2 去噪实验 |
| 4.5 本章小结 |
| 第五章 淮北地区疫情前后HCHO浓度的观测研究 |
| 5.1 监测地点 |
| 5.2 光谱反演 |
| 5.3 疫情前后HCHO浓度的时间序列分布 |
| 5.4 淮北及周边地区的HCHO浓度分布 |
| 5.5 污染输送影响 |
| 5.6 地基MAX-DOAS测量结果与OMI卫星数据对比 |
| 5.7 本章小结 |
| 第六章 主要结论及展望 |
| 参考文献 |
| 攻读硕士学位期间出版或发表的论文 |
| 致谢 |
（3）基于小波分析的多星融合GNSS遥感反演地表土壤湿度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容及结构安排 |
| 第2章 GNSS-IR遥感理论 |
| 2.1 GNSS的发展 |
| 2.2 GNSS-IR的基本原理 |
| 2.2.1 卫星多路径与信噪比的关系 |
| 2.2.2 卫星反射信号的特性 |
| 2.2.3 菲涅尔反射区域 |
| 2.3 本章小结 |
| 第3章 小波分析与LS-SVM相关理论 |
| 3.1 传统傅里叶变换 |
| 3.2 连续小波变换相关理论 |
| 3.3 离散小波变换相关理论 |
| 3.4 小波快速分解重构相关理论 |
| 3.5 小波基函数分类 |
| 3.5.1 Haar小波 |
| 3.5.2 Daubechies小波 |
| 3.5.3 Biorthogonal小波 |
| 3.5.4 Coiflet小波 |
| 3.5.5 Symlets A小波 |
| 3.6 LS-SVM相关理论 |
| 3.6.1 支持向量机算法 |
| 3.6.2 最小二乘支持向量机算法 |
| 3.7 本章小结 |
| 第4章 基于小波分析的卫星反射信号分离模型 |
| 4.1 数据来源及实验步骤 |
| 4.2 土壤湿度提取实验 |
| 4.3 基于小波分析的卫星反射信号分离 |
| 4.3.1 实验实施步骤 |
| 4.3.2 实验过程及结果分析 |
| 4.4 小波基函数在土壤湿度反演实验中的优选 |
| 4.4.1 实验实施步骤 |
| 4.4.2 实验过程及结果分析 |
| 4.5 本章小结 |
| 第5章 基于coif5小波和多星融合的土壤湿度反演 |
| 5.1 基于LS-SVM的多星融合土壤湿度反演 |
| 5.1.1 实验步骤 |
| 5.1.2 实验过程及分析 |
| 5.2 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简介、申请学位期间参与科研项目及发表学术论文 |
| 致谢 |
（4）齿轮箱混沌特性与故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景、意义及来源 |
| 1.2 国内外研究进展 |
| 1.3 尚需深入研究的问题 |
| 1.4 主要研究内容 |
| 2 试验信号采集与降噪分析处理研究 |
| 2.1 引言 |
| 2.2 齿轮振动信号采集试验分析 |
| 2.3 试验结果与分析 |
| 2.4 试验信号降噪分析与处理 |
| 2.5 本章小结 |
| 3 齿轮箱系统的混沌特性研究 |
| 3.1 引言 |
| 3.2 相空间重构理论 |
| 3.3 混沌系统的判别方法 |
| 3.4 理论混沌系统证明 |
| 3.5 齿轮系统混沌特性证明 |
| 3.6 本章小结 |
| 4 基于混沌吸引子相点分布特性表征诊断方法研究 |
| 4.1 引言 |
| 4.2 相轨迹图表征与诊断 |
| 4.3 相点三维直方图表征与诊断 |
| 4.4 本章小结 |
| 5 基于混沌吸引子递归特性表征诊断方法研究 |
| 5.1 引言 |
| 5.2 递归分析方法原理 |
| 5.3 齿轮故障递归图分析 |
| 5.4 齿轮故障定量递归分析 |
| 5.5 最优模式识别与诊断方法 |
| 5.6 本章小结 |
| 6 考虑多频激励齿轮动力学建模与诊断研究 |
| 6.1 引言 |
| 6.2 齿轮动力学模型构建 |
| 6.3 齿轮动力学模型特性与诊断 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）水文序列预测模型的耦合及优化研究 ——以磨刀溪为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外关于水文序列特性分析研究进展 |
| 1.2.2 国内外关于水文序列预测模型研究进展 |
| 1.3 研究内容和技术路线 |
| 第二章 水文序列分析方法研究 |
| 2.1 水文序列周期分析方法 |
| 2.1.1 傅里叶分析 |
| 2.1.2 最大熵谱分析 |
| 2.2 水文序列跳跃成分识别 |
| 2.2.1 时序累计值相关曲线法 |
| 2.2.2 有序聚类分析法 |
| 2.2.3 Man-Kendall法 |
| 2.3 水文序列趋势成分识别 |
| 2.3.1 滑动平均法 |
| 2.3.2 Kendall秩次相关检验 |
| 2.3.3 趋势回归检验 |
| 2.4 水文序列的小波分析方法 |
| 2.4.1 小波函数选择研究 |
| 2.4.2 小波分解尺度的研究 |
| 2.4.3 基于小波方法的水文序列消噪处理 |
| 2.4.4 水文序列周期的小波分析方法 |
| 2.5 本章小节 |
| 第三章 水文序列预测方法研究 |
| 3.1 自回归模型 |
| 3.1.1 模型结构 |
| 3.1.2 模型的参数估计 |
| 3.1.3 模型的识别 |
| 3.1.4 算例分析 |
| 3.2 马尔科夫预测模型 |
| 3.2.1 模型理论 |
| 3.2.2 算例分析 |
| 3.3 模糊分析 |
| 3.3.1 模型理论 |
| 3.3.2 算例分析 |
| 3.4 灰色系统分析 |
| 3.4.1 模型理论 |
| 3.4.2 算例分析 |
| 3.5 本章小节 |
| 第四章 水文序列预测模型耦合的研究 |
| 4.1 人工神经网络 |
| 4.1.1 BP神经网络 |
| 4.1.2 RBF神经网络 |
| 4.1.3 GRNN神经网络 |
| 4.2 小波神经网络耦合模型 |
| 4.2.1 模型理论 |
| 4.2.2 算例分析 |
| 4.3 水文序列时间尺度对耦合模型预测结果的影响 |
| 4.4 水文序列复杂特性对耦合模型预测结果的影响 |
| 4.5 模型的不足及改进 |
| 4.6 本章小节 |
| 第五章 水文序列预测模型优化的研究 |
| 5.1 遗传算法基本理论 |
| 5.2 GA优化的WNN模型 |
| 5.3 GA优化的WNN模型算法流程 |
| 5.4 WA-GA-ANN模型仿真 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和参加的项目 |
| 一、在学期间发表的论文 |
| 二、科研项目 |
| 三、在学期间获奖情况 |
（6）城市快速路短时交通流预测方法关键因素研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 研究目标及研究内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 技术路线及章节安排 |
| 1.3.1 技术路线 |
| 1.3.2 章节安排 |
| 1.4 本章小结 |
| 第二章 国内外文献综述 |
| 2.1 预测因素分析 |
| 2.1.1 交通流时间汇集度 |
| 2.1.2 车道和断面交通流 |
| 2.2 短时交通流均值预测方法 |
| 2.2.1 历史平均 |
| 2.2.2 移动平均 |
| 2.2.3 指数平滑 |
| 2.2.4 局部加权线性回归 |
| 2.2.5 谱分析 |
| 2.2.6 卡尔曼滤波 |
| 2.2.7 随机时间序列 |
| 2.2.8 神经网络 |
| 2.2.9 支持向量回归 |
| 2.2.10 小波分析 |
| 2.2.11 K近邻非参数回归 |
| 2.2.12 混沌时间序列 |
| 2.2.13 模糊时间序列 |
| 2.2.14 组合预测 |
| 2.3 短时交通流区间预测方法 |
| 2.3.1 局部加权线性回归 |
| 2.3.2 GARCH模型 |
| 2.3.3 贝叶斯方法 |
| 2.3.4 Bootstrap |
| 2.3.5 模糊信息粒化 |
| 2.4 本章小结 |
| 第三章 数据概述和预处理 |
| 3.1 数据概述 |
| 3.1.1 波特兰交通流数据 |
| 3.1.2 伦敦交通流数据 |
| 3.1.3 南京交通流数据 |
| 3.2 数据预处理 |
| 3.2.1 数据质量控制 |
| 3.2.2 交通流数据汇集 |
| 3.3 本章小结 |
| 第四章 短时交通流预测因素分析 |
| 4.1 交通流时间汇集度分析 |
| 4.1.1 不同时间汇集度下的交通流数字特征 |
| 4.1.2 不同时间汇集度下的交通流变化特征 |
| 4.1.3 不同时间汇集度下的交通流时序特征 |
| 4.2 交通流率水平分析 |
| 4.2.1 模糊均值聚类 |
| 4.2.2 交通流率水平分类 |
| 4.3 交通流互相关性分析 |
| 4.3.1 互相关性分析 |
| 4.3.2 车道与车道的交通流互相关性 |
| 4.3.3 车道与断面的交通流互相关性 |
| 4.4 本章小结 |
| 第五章 短时交通流预测方法 |
| 5.1 研究假设 |
| 5.2 整体预测建模框架 |
| 5.3 短时交通流均值预测方法 |
| 5.3.1 重构交通流 |
| 5.3.2 单项预测模型 |
| 5.3.2.1 BP神经网络 |
| 5.3.2.2 Elman神经网络 |
| 5.3.2.3 RBF神经网络 |
| 5.3.2.4 GR神经网络 |
| 5.3.2.5 支持向量回归 |
| 5.3.2.6 K近邻非参数回归 |
| 5.3.2.7 随机时间序列 |
| 5.3.3 组合预测模型 |
| 5.3.3.1 组合预测模型的结构 |
| 5.3.3.2 组合预测模型权值的分配 |
| 5.3.3.3 组合预测模型权值的修正 |
| 5.4 短时交通流区间预测方法 |
| 5.4.1 基于K近邻非参数的方法 |
| 5.4.1.1 近邻值的正态分布检验 |
| 5.4.1.2 近邻值的区间估计 |
| 5.4.1.3 预测步骤 |
| 5.4.2 基于GARCH模型的方法 |
| 5.4.2.1 白噪声检验 |
| 5.4.2.2 ARCH效应检验 |
| 5.4.2.3 GARCH模型 |
| 5.4.2.4 预测步骤 |
| 5.4.3 基于模糊信息粒化的方法 |
| 5.4.3.1 交通流时间序列的粒化 |
| 5.4.3.2 预测步骤 |
| 5.5 短时交通流预测精度评价 |
| 5.5.1 均值预测评价指标 |
| 5.5.2 区间预测评价指标 |
| 5.6 本章小结 |
| 第六章 实证分析 |
| 6.1 实验设计 |
| 6.2 实验数据 |
| 6.3 短时交通流均值组合预测实施 |
| 6.3.1 重构交通流 |
| 6.3.2 单项预测模型的建立 |
| 6.3.3 单项预测模型的选择 |
| 6.3.4 组合预测模型权值的确定 |
| 6.4 均值组合预测结果分析 |
| 6.4.1 组合预测模型的精度分析 |
| 6.4.2 不同流率水平下的预测精度比较 |
| 6.5 短时交通流区间预测实施 |
| 6.5.1 基于K近邻非参数的区间预测建模 |
| 6.5.2 基于模糊信息粒化的区间预测建模 |
| 6.5.3 基于GARCH模型的区间预测建模 |
| 6.6 区间预测结果分析 |
| 6.6.1 不同区间预测方法的比较 |
| 6.6.2 不同流率水平下的预测区间比较 |
| 6.7 本章小结 |
| 第七章 总结和展望 |
| 7.1 论文研究工作总结 |
| 7.2 论文创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 车道与车道的交通流互相关性计算结果 |
| 附录2 车道与断面的交通流互相关性计算结果 |
| 附录3 均值预测方法程序代码 |
| 附录4 区间预测方法程序代码 |
| 作者简介 |
（7）多尺度数据融合算法及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 多传感器信息融合概述 |
| 1.2.1 信息融合的概念和优点 |
| 1.2.2 信息融合的模型 |
| 1.2.3 信息融合的方法 |
| 1.2.4 信息融合技术的研究现状 |
| 1.3 多尺度数据融合有关技术及进展 |
| 1.3.1 多尺度系统估计理论研究概况 |
| 1.3.2 多尺度数据融合的应用及研究现状 |
| 1.3.3 多尺度数据融合概念的演变 |
| 1.4 MEMS陀螺仪中漂移信号处理方法研究现状 |
| 1.5 陀螺仪中的多尺度数据融合及需要解决的问题 |
| 1.6 本文的主要研究内容及结构安排 |
| 2 多尺度数据融合算法及其有效性的证明 |
| 2.1 引言 |
| 2.2 小波分解原子时算法 |
| 2.2.1 常见时间尺度 |
| 2.2.2 原子时算法 |
| 2.2.3 小波分解原子时算法的提出 |
| 2.2.4 小波分解原子时算法有待解决的问题 |
| 2.2.5 小波分解原子时算法的基本原理 |
| 2.3 预备知识 |
| 2.3.1 原子钟的噪声特性 |
| 2.3.2 相关说明 |
| 2.4 随机信号数据融合的理论体系 |
| 2.4.1 平稳单尺度数据融合 |
| 2.4.2 平稳多尺度数据融合 |
| 2.4.3 非平稳单尺度数据融合 |
| 2.4.4 非平稳多尺度数据融合 |
| 2.5 非平稳多尺度数据融合定理的证明 |
| 2.6 分析与讨论 |
| 2.7 本章小结 |
| 3 多尺度数据融合算法的小波包实现 |
| 3.1 引言 |
| 3.2 小波变换和小波包变换 |
| 3.3 小波包的基本理论 |
| 3.3.1 正交小波包的定义与性质 |
| 3.3.2 小波包的子空间分解 |
| 3.3.3 小波库及小波包基的定义 |
| 3.3.4 小波包的分解与重构算法 |
| 3.3.5 最优小波包基的概念 |
| 3.3.6 最优基的快速搜索 |
| 3.4 基于小波包的多尺度数据融合方案 |
| 3.4.1 基于小波变换的多尺度数据融合算法 |
| 3.4.2 基于小波包的多尺度数据融合方案 |
| 3.5 基于小波包的多尺度陀螺融合实验研究 |
| 3.5.1 MEMS陀螺概述 |
| 3.5.2 MEMS陀螺随机误差分析 |
| 3.5.3 MEMS陀螺随机误差的Allan方差分析 |
| 3.5.4 MEMS陀螺漂移的数学模型 |
| 3.5.5 MEMS陀螺信号实时小波处理方法 |
| 3.5.6 基于小波包的多尺度陀螺融合算法仿真实验 |
| 3.6 本章小结 |
| 4 小波多尺度数据融合中关键技术 |
| 4.1 MEMS陀螺噪声特性与小波熵 |
| 4.1.1 MEMS陀螺误差及噪声特性 |
| 4.1.2 小波熵 |
| 4.2 常见的小波簇 |
| 4.2.1 小波基的性质 |
| 4.2.2 常用小波基 |
| 4.3 基于小波变换的数据融合中小波基的选取 |
| 4.3.1 小波基选取原则 |
| 4.3.2 小波基的比较 |
| 4.3.3 小波簇的选取 |
| 4.3.4 陀螺数据融合效果评价 |
| 4.3.5 最佳小波基选取实验 |
| 4.4 小波分解层数的设定 |
| 4.5 数据融合加权因子的选择 |
| 4.6 本章小结 |
| 5 多尺度融合与其它MEMS陀螺信号处理方法的比较 |
| 5.1 MEMS陀螺仪噪声抑制方法研究概述 |
| 5.1.1 MEMS陀螺仪噪声抑制方法研究现状 |
| 5.1.2 卡尔曼滤波和小波阈值去噪法的缺点 |
| 5.1.3 多尺度数据融合算法的优点 |
| 5.2 MEMS陀螺数据处理中的多传感器数据融合 |
| 5.2.1 多尺度融合 |
| 5.2.2 卡尔曼滤波融合 |
| 5.2.3 小波阈值融合 |
| 5.3 基于仿真信号对三种融合方法的比较 |
| 5.3.1 仿真信号的产生 |
| 5.3.2 第一组仿真实验(Chirp信号+高斯白噪声) |
| 5.3.3 第二组仿真实验(Chirp信号+有色噪声) |
| 5.4 基于实测信号对三种融合方法的比较 |
| 5.5 三种融合方法比较的结论 |
| 5.6 多尺度数据融合与FLP(前向线性预测)方法的比较 |
| 5.6.1 FLP算法 |
| 5.6.2 基于FLP滤波的多传感器融合方法 |
| 5.6.3 FLP滤波融合结果和分析 |
| 5.7 本章小结 |
| 6 多尺度数据融合系统设计与验证 |
| 6.1 系统的总体设计方案 |
| 6.1.1 系统需求分析 |
| 6.1.2 系统整体框图 |
| 6.1.3 系统中的主要器件选型 |
| 6.2 硬件电路设计 |
| 6.2.1 陀螺仪模块 |
| 6.2.2 协处理器模块 |
| 6.2.3 主处理器模块 |
| 6.2.4 系统实物图 |
| 6.3 系统软件设计 |
| 6.3.1 接口部分 |
| 6.3.2 融合处理部分 |
| 6.4 实验研究 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 本文的主要研究成果 |
| 7.2 创新研究 |
| 7.3 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表和收录的论文 |
| 攻读博士学位期间获奖 |
| 攻读博士学位期间参加的科研项目 |
（8）南宁华润中心施工过程结构变形监测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.3 常用的变形分析方法 |
| 1.4 本文主要研究内容 |
| 第二章 南宁华润中心结构位移监测方案 |
| 2.1 引言 |
| 2.2 工程概况 |
| 2.3 监测点布置与监测仪器 |
| 2.3.1 塔楼变形监测位置 |
| 2.3.2 监测仪器 |
| 2.4 结构位移监测实施方案 |
| 2.4.1 主体结构变形监测应考虑的因素 |
| 2.4.2 监测控制网的建立 |
| 2.4.3 监测方案实施策略 |
| 2.5 本章小节 |
| 第三章 南宁华润中心结构位移施工模拟分析 |
| 3.1 引言 |
| 3.2 南宁华润中心有限元模型的建立 |
| 3.3 结构竖向位移分析 |
| 3.3.1 核心筒与外框柱竖向位移 |
| 3.3.2 核心筒与外框柱竖向位移差 |
| 3.4 结构水平位移分析 |
| 3.4.1 核心筒与外框柱水平位移 |
| 3.4.2 不同收缩徐变模式对水平位移分析的影响 |
| 3.5 施工模拟结果与实测数据对比分析 |
| 3.6 本章小节 |
| 第四章 小波-自适应卡尔曼滤波模型研究 |
| 4.1 引言 |
| 4.2 小波变换 |
| 4.2.1 小波变换概述 |
| 4.2.2 连续小波变换 |
| 4.2.3 离散小波变换 |
| 4.3 小波阈值去噪 |
| 4.3.1 小波阈值去噪原理 |
| 4.3.2 小波阈值去噪方式 |
| 4.3.3 小波去噪效果评价 |
| 4.4 卡尔曼滤波方法 |
| 4.4.1 离散线性系统的卡尔曼滤波 |
| 4.4.2 自适应卡尔曼滤波 |
| 4.5 小波自适应卡尔曼滤波模型的建立 |
| 4.5.1 小波函数的选取 |
| 4.5.2 阈值的确定 |
| 4.5.3 动态测量系统的卡尔曼滤波模型 |
| 4.5.4 卡尔曼滤波初值的确定 |
| 4.5.5 基于MATLAB的小波-自适应卡尔曼滤波程序实现 |
| 4.6 本章小节 |
| 第五章 南宁华润中心监测数据滤波及预测分析 |
| 5.1 引言 |
| 5.2 监测数据小波去噪 |
| 5.2.1 选择合适的阈值 |
| 5.2.2 scal选取方式的比较 |
| 5.2.3 确定最优小波基函数 |
| 5.2.4 确定小波分解层次 |
| 5.3 监测数据滤波分析 |
| 5.3.1 小波去噪与自适应卡尔曼滤波效果比较 |
| 5.3.2 小波-自适应卡尔曼滤波模型滤波效果分析 |
| 5.4 小波-自适应卡尔曼滤波模型预测效果分析 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（9）基于小波去噪优化的变形监测数据处理及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与存在的主要问题 |
| 1.2.1 非线性小波变换阈值去噪算法的研究动态 |
| 1.2.2 小波去噪质量评价的研究动态 |
| 1.2.3 小波分析在测绘领域中的研究动态 |
| 1.2.4 目前存在的主要问题 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 1.5 论文框架 |
| 第2章 小波分析的理论基础 |
| 2.1 从傅里叶变换到小波分析 |
| 2.1.1 傅里叶变换 |
| 2.1.2 短时傅里叶变换 |
| 2.1.3 小波分析 |
| 2.1.4 几种常用小波及其数学特性 |
| 2.2 多分辨率分析与分解、重构算法 |
| 2.2.1 多分辨率分析 |
| 2.2.2 分解与重构算法 |
| 2.3 几种常用的小波去噪方法 |
| 2.3.1 模极大值法 |
| 2.3.2 空域相关性去噪法 |
| 2.3.3 非线性小波变换阈值法 |
| 2.4 小波去噪质量评价指标 |
| 2.5 本章小结 |
| 第3章 非线性小波变换阈值去噪算法优化方案 |
| 3.1 小波基函数的选取 |
| 3.1.1 前言 |
| 3.1.2 不同小波基函数去噪性能测试 |
| 3.2 最佳分解与重构尺度的确定 |
| 3.2.1 前言 |
| 3.2.2 传统评价指标分析 |
| 3.2.3 复合评价指标分析 |
| 3.2.4 实验分析与比较 |
| 3.3 阈值函数的选取及改进方法 |
| 3.3.1 硬、软阈值函数 |
| 3.3.2 阈值函数的改进方法 |
| 3.3.3 实验分析与比较 |
| 3.4 阈值的估计及改进方法 |
| 3.4.1 传统的阈值估计方法 |
| 3.4.2 阈值估计的改进方法 |
| 3.4.3 实验分析与比较 |
| 3.5 本章小结 |
| 第4章 小波去噪优化在建筑物沉降数据处理中的应用 |
| 4.1 小波变换用于变形信号的信噪分离 |
| 4.1.1 基本原理 |
| 4.1.2 小波去噪优化的步骤 |
| 4.2 某基坑周围建筑物沉降数据小波去噪优化处理 |
| 4.2.1 A、B、C三栋建筑物沉降监测点沉降数据分析 |
| 4.2.2 A栋建筑物C2 监测点沉降数据小波去噪优化处理 |
| 4.3 C2 监测点沉降数据小波去噪优化质量评价 |
| 4.3.1 传统评价指标分析 |
| 4.3.2 复合评价指标分析 |
| 4.4 结果分析 |
| 4.5 本章小结 |
| 第5章 小波优化-GM(1,1)组合模型在变形预测中的研究 |
| 5.1 数列GM(1,1)模型分析 |
| 5.1.1 GM(1,1)模型建模机理 |
| 5.1.2 GM(1,1)模型精度检验 |
| 5.2 组合模型构建 |
| 5.2.1 组合模型可行性分析 |
| 5.2.2 组合模型的建模步骤 |
| 5.3 工程实例 |
| 5.3.1 数据预处理 |
| 5.3.2 GM(1,1)模型建模预测 |
| 5.3.3 小波优化-GM(1,1)组合模型建模预测 |
| 5.3.4 结果分析与比较 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
（10）基于小波分析的复合材料压机泄漏诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 复合材料液压机 |
| 1.2.2 液压系统故障诊断技术 |
| 1.3 课题研究的意义、内容及创新点 |
| 1.3.1 课题来源与研究意义 |
| 1.3.2 课题研究的主要内容 |
| 1.3.3 课题的特色与创新之处 |
| 1.4 本章小结 |
| 第二章 复合材料压机电液系统特性分析 |
| 2.1 大吨位复合材料压机的工作机理 |
| 2.1.1 压机基本工作原理 |
| 2.1.2 模压成型的工艺流程 |
| 2.2 压机电液控制系统分析 |
| 2.2.1 压机电气控制系统 |
| 2.2.2 压机液压系统原理 |
| 2.3 压机液压系统故障机理分析 |
| 2.3.1 压机液压系统故障诊断分析 |
| 2.3.2 复合材料液压机液压缸的泄漏 |
| 2.4 本章小结 |
| 第三章 复合材料压机泄漏的数值建模及其特性 |
| 3.1 阀控液压缸泄漏模型建模 |
| 3.1.1 泄漏故障数学模型 |
| 3.1.2 压机阀控调平缸的泄漏数学模型 |
| 3.1.3 压机调平缸系统的频率响应特性分析 |
| 3.2 液压缸泄漏系统仿真建模与分析 |
| 3.2.1 关键液压元件的AMESim建模 |
| 3.2.2 压机调平缸泄漏仿真模型的建立与分析 |
| 3.3 液压缸泄漏系统特性分析 |
| 3.3.1 液压缸泄漏影响因素分析 |
| 3.3.2 泄漏对液压缸动态性能的影响 |
| 3.4 本章小结 |
| 第四章 基于小波分析的液压缸泄漏特征研究 |
| 4.1 压机液压缸泄漏特征的小波分析 |
| 4.1.1 液压机的压力信号组成分析 |
| 4.1.2 基于小波变换的奇异信号分析 |
| 4.2 基于压力信号分解的泄漏特征诊断 |
| 4.2.1 基于小波能量特征的液压缸泄漏敏感分析 |
| 4.2.2 基于小波系数特征的液压缸泄漏敏感分析 |
| 4.3 压机液压缸泄漏诊断的小波参数优化 |
| 4.3.1 小波基特征分析及其对信号分析的影响 |
| 4.3.2 小波去噪阈值特征分析及其对信号的影响 |
| 4.4 本章小结 |
| 第五章 液压缸泄漏特性的实验验证 |
| 5.1 泄漏特性检测的实验方案设计 |
| 5.2 液压缸数据实时采集系统设计 |
| 5.3 基于小波变换的泄漏故障分析性能验证 |
| 5.3.1 基于液压缸压力信号的小波分析性能验证 |
| 5.3.2 液压缸泄漏程度识别的小波分析性能验证 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在学期间的研究成果及发表的学术论文 |
四、小波分析及其应用的研究现状和发展趋势（论文参考文献）
- [1]基于小波去噪的阈值函数改进及其应用研究[D]. 盛祖维. 江西财经大学, 2021(10)
- [2]基于地基MAX-DOAS精确获取HCHO的方法及其应用研究[D]. 齐贺香. 淮北师范大学, 2021(12)
- [3]基于小波分析的多星融合GNSS遥感反演地表土壤湿度研究[D]. 张志刚. 桂林理工大学, 2020(07)
- [4]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [5]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [6]城市快速路短时交通流预测方法关键因素研究及应用[D]. 刘钊. 东南大学, 2019
- [7]多尺度数据融合算法及其应用研究[D]. 刘娟花. 西安理工大学, 2019
- [8]南宁华润中心施工过程结构变形监测研究[D]. 陈节作. 广州大学, 2019(01)
- [9]基于小波去噪优化的变形监测数据处理及预测研究[D]. 何友福. 成都理工大学, 2019(02)
- [10]基于小波分析的复合材料压机泄漏诊断系统研究[D]. 罗国旭. 福州大学, 2018(03)