期刊文献+
共找到2,058篇文章
< 1 2 103 >
每页显示 20 50 100
A debris-flow forecasting method with infrasound-based variational mode decomposition and ARIMA
1
作者 DONG Hanchuan LIU Shuang +4 位作者 PANG Lili LIU Dunlong DENG Longsheng FANG Lide ZHANG Zhonghua 《Journal of Mountain Science》 SCIE CSCD 2024年第12期4019-4032,共14页
Infrasound,known for its strong penetration and low attenuation,is extensively used in monitoring and warning systems for debris flows.Here,a debris-flow forecasting method was proposed by combining infrasound-based v... Infrasound,known for its strong penetration and low attenuation,is extensively used in monitoring and warning systems for debris flows.Here,a debris-flow forecasting method was proposed by combining infrasound-based variational mode decomposition and Autoregressive Integrated Moving Average(ARIMA)model.High-precision infrasound sensor was utilized in experiments to record signals under twelve varying conditions of debris flow volume and velocity.Variational mode decomposition was performed on the detected raw signals,and the optimal decomposition scale and penalty factor were obtained through the sparrow search algorithm.The Hilbert transform,rescaled range analysis,power spectrum analysis,and Pearson correlation coefficients judgment criteria were employed to separate and reconstruct the signals.Based on the reconstructed infrasound signals,an ARIMA model was constructed to forecast the trend of debris flow infrasound signal.Results reveal that the Hilbert transform effectively separated noise,and the predictive model’s results fell within a 95%confidence interval.The Mean Absolute Percentage Error(MAPE)across four experiments were 4.87%,5.23%,5.32%and 4.47%,respectively,showing a satisfactory accuracy and providing an alternative for predicting debris flow by infrasound signals. 展开更多
关键词 Debris flow infrasound variational mode decomposition Sparrow search algorithm ARIMA model Hilbert transform
在线阅读 下载PDF
Variational Mode Decomposition-Informed Empirical Wavelet Transform for Electric Vibrator Noise Analysis
2
作者 Zhenyu Xu Zhangwei Chen 《Journal of Applied Mathematics and Physics》 2024年第6期2320-2332,共13页
Electric vibrators find wide applications in reliability testing, waveform generation, and vibration simulation, making their noise characteristics a topic of significant interest. While Variational Mode Decomposition... Electric vibrators find wide applications in reliability testing, waveform generation, and vibration simulation, making their noise characteristics a topic of significant interest. While Variational Mode Decomposition (VMD) and Empirical Wavelet Transform (EWT) offer valuable support for studying signal components, they also present certain limitations. This article integrates the strengths of both methods and proposes an enhanced approach that integrates VMD into the frequency band division principle of EWT. Initially, the method decomposes the signal using VMD, determining the mode count based on residuals, and subsequently employs EWT decomposition based on this information. This addresses mode aliasing issues in the original method while capitalizing on VMD’s adaptability. Feasibility was confirmed through simulation signals and ultimately applied to noise signals from vibrators. Experimental results demonstrate that the improved method not only resolves EWT frequency band division challenges but also effectively decomposes signal components compared to the VMD method. 展开更多
关键词 Electric Vibrator Noise Analysis Signal Decomposing variational mode decomposition Empirical Wavelet Transform
在线阅读 下载PDF
Research on Modulation Signal Denoising Method Based on Improved Variational Mode Decomposition
3
作者 Canyu Mo Qianqiang Lin +1 位作者 Yuanduo Niu Haoran Du 《Journal of Electronic Research and Application》 2024年第1期7-15,共9页
In order to further analyze the micro-motion modulation signals generated by rotating components and extract micro-motion features,a modulation signal denoising algorithm based on improved variational mode decompositi... In order to further analyze the micro-motion modulation signals generated by rotating components and extract micro-motion features,a modulation signal denoising algorithm based on improved variational mode decomposition(VMD)is proposed.To improve the time-frequency performance,this method decomposes the data into narrowband signals and analyzes the internal energy and frequency variations within the signal.Genetic algorithms are used to adaptively optimize the mode number and bandwidth control parameters in the process of VMD.This approach aims to obtain the optimal parameter combination and perform mode decomposition on the micro-motion modulation signal.The optimal mode number and quadratic penalty factor for VMD are determined.Based on the optimal values of the mode number and quadratic penalty factor,the original signal is decomposed using VMD,resulting in optimal mode number intrinsic mode function(IMF)components.The effective modes are then reconstructed with the denoised modes,achieving signal denoising.Through experimental data verification,the proposed algorithm demonstrates effective denoising of modulation signals.In simulation data validation,the algorithm achieves the highest signal-to-noise ratio(SNR)and exhibits the best performance. 展开更多
关键词 Micro-motion modulation signal variational mode decomposition Genetic algorithm Adaptive optimization
在线阅读 下载PDF
融合残差与VMD-TCN-BiLSTM混合网络的鄱阳湖总氮预测
4
作者 黄学平 辛攀 +3 位作者 吴永明 吴留兴 邓觅 姚忠 《长江科学院院报》 北大核心 2025年第3期59-67,75,共10页
对湖泊水质进行准确、高效的预测,对于保护水资源、维护生态平衡以及促进经济发展等方面都具有重要意义。为此提出了一种基于模态分解、多维特征选择、时间卷积网络(TCN)、自注意力机制、双向长短期神经网络(BiLSTM)和双向门控循环单元(... 对湖泊水质进行准确、高效的预测,对于保护水资源、维护生态平衡以及促进经济发展等方面都具有重要意义。为此提出了一种基于模态分解、多维特征选择、时间卷积网络(TCN)、自注意力机制、双向长短期神经网络(BiLSTM)和双向门控循环单元(BiGRU)的湖泊总氮(TN)组合预测模型。首先,采用变分模态分解将TN原始序列分解成不同频率的本征模态函数(IMF),以降低原始序列的复杂度和非平稳性;随后,通过随机森林算法为每个IMF选择相关性强的特征,将筛选出的特征矩阵输入到添加自注意力机制的TCN-BiLSTM混合网络中进行建模,充分提取数据中隐藏的关键时序信息;最后,为进一步提升模型预测精度,采用BiGRU网络学习残差序列的细节特征,将残差与模型预测结果融合得到最终的预测值。以鄱阳湖都昌监测站的水质数据为例进行试验分析,结果表明本文模型相比于其他模型对TN浓度预测效果提升明显,其平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2))分别为0.03 mg/L、0.049 mg/L、0.992。 展开更多
关键词 水质预测 总氮 变分模态分解 时间卷积网络 集成预测
在线阅读 下载PDF
基于调和分析及VMD-LSTM混合模型的甬江河口水位预报方法
5
作者 陈永平 韩韬 +3 位作者 邱超 甘敏 谭亚 王瑾琪 《河海大学学报(自然科学版)》 北大核心 2025年第2期1-10,共10页
为解决甬江感潮河段潮位预报总体精度偏低的问题,构建了一种基于经典调和分析(T_TIDE)、变分模态分解(VMD)和长短时记忆神经网络(LSTM)的混合模型(VMD-LSTM混合模型)。VMD-LSTM混合模型采用T_TIDE程序包对甬江河口逐时水位数据进行回报... 为解决甬江感潮河段潮位预报总体精度偏低的问题,构建了一种基于经典调和分析(T_TIDE)、变分模态分解(VMD)和长短时记忆神经网络(LSTM)的混合模型(VMD-LSTM混合模型)。VMD-LSTM混合模型采用T_TIDE程序包对甬江河口逐时水位数据进行回报(即潮位),用实测水位减去潮位得到相应余水位,并采用VMD模型将余水位分解为13个本征模函数(IMF),依次对应D0~D12潮族,采用LSTM模型分别训练余水位的各个IMF分量和潮位并分别向后预报12~48h,各个IMF分量和潮位的预报值之和即为河口水位的预测值。结果表明:VMD模型可对甬江河口余水位中D0~D12潮族波动进行完全分离;VMD-LSTM混合模型12、24、36、48h短期水位预报的均方根误差(RMSE)比LSTM模型最多分别降低了0.15、0.13、0.16、0.16m;VMD-LSTM混合模型在D0、D2潮族频带的误差修正最明显,相比LSTM模型,可分别将D0、D2潮族的谱峰预报误差最多降低0.05、0.04m·d^(0.5)。 展开更多
关键词 甬江口 河口潮汐 变分模态分解 LSTM模型 调和分析 水位预报
在线阅读 下载PDF
基于VMD-1DCNN-GRU的轴承故障诊断
6
作者 宋金波 刘锦玲 +2 位作者 闫荣喜 王鹏 路敬祎 《吉林大学学报(信息科学版)》 2025年第1期34-42,共9页
针对滚动轴承信号含噪声导致诊断模型训练困难的问题,提出了一种基于变分模态分解(VMD:Variational Mode Decomposition)和深度学习相结合的轴承故障诊断模型。首先,该方法通过VMD对轴承信号进行模态分解,并且通过豪斯多夫距离(HD:Hausd... 针对滚动轴承信号含噪声导致诊断模型训练困难的问题,提出了一种基于变分模态分解(VMD:Variational Mode Decomposition)和深度学习相结合的轴承故障诊断模型。首先,该方法通过VMD对轴承信号进行模态分解,并且通过豪斯多夫距离(HD:Hausdorff Distance)完成去噪,尽可能保留原始信号的特征。其次,将选择的有效信号输入一维卷积神经网络(1DCNN:1D Convolutional Neural Networks)和门控循环单元(GRU:Gate Recurrent Unit)相结合的网络结构(1DCNN-GRU)中完成数据的分类,实现轴承的故障诊断。通过与常见的轴承故障诊断方法比较,所提VMD-1DCNN-GRU模型具有最高的准确性。实验结果验证了该模型对轴承故障有效分类的可行性,具有一定的研究意义。 展开更多
关键词 故障诊断 深度学习 变分模态分解 一维卷积神经网络 门控循环单元
在线阅读 下载PDF
基于改进VMD及ConvNeXt的小电流接地系统单相接地故障选线方法
7
作者 张浩 张大海 +2 位作者 刘乃毓 吴奎忠 侍哲 《高电压技术》 北大核心 2025年第2期730-741,I0021,共13页
对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模... 对于小电流接地系统的单相接地故障选线,传统方法普遍采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。为此提出一种改进的变分模态分解及Conv Ne Xt的小电流接地系统单相接地故障选线方法。首先引入蚁狮算法优化变分模态分解算法,通过蚁狮算法自动寻优选取合适的分解次数和惩罚因子,计算分解得到的各分量的分布熵,将其中的噪声分量筛选去除,将其余有效分量进行线性重构得到降噪后的零序电流信号;其次,将经过降噪处理后的一维零序电流信号经格拉姆角场转换为二维图像,制备故障选线数据集;然后,引入预训练的ConvNeXt模型,根据该研究数据模型特征,在其已有权重基础上对模型参数进行对应微调,从而提高模型精度并形成最终的选线模型;最后引入绝对平均误差、均方根误差作为评价指标验证所提降噪算法有效性。分别在加入噪声与否的前提下,将所提模型与3种选线模型相比较。实验结果表明该模型的准确率最高、抗噪性方面更好,其中该研究算法准确率达到了99.82%并且在不同噪声条件下都能维持91%以上的准确率,高于其他选线模型,克服了传统故障选线方法准确率低、抗噪性差的问题。 展开更多
关键词 故障选线 蚁狮优化算法 变分模态分解 分布熵 格拉姆角场 Conv Ne Xt
在线阅读 下载PDF
基于STOA-VMD和改进TCN模型的水泵机组振动趋势预测
8
作者 王伟生 张宁 +5 位作者 邢磊 周保林 郭新帅 安东 高源 张孝远 《人民黄河》 北大核心 2025年第4期141-144,151,共5页
水泵机组振动趋势预测是保障机组正常运行的重要措施,而振动信号的复杂性和非线性使预测变得困难。为此,提出一种基于STOA-VMD和改进时间卷积网络(TCN)的水泵机组振动趋势预测模型。首先采用乌燕鸥算法(STOA)进行变分模态分解(VMD)参数... 水泵机组振动趋势预测是保障机组正常运行的重要措施,而振动信号的复杂性和非线性使预测变得困难。为此,提出一种基于STOA-VMD和改进时间卷积网络(TCN)的水泵机组振动趋势预测模型。首先采用乌燕鸥算法(STOA)进行变分模态分解(VMD)参数优化,实现振动信号的最优自适应分解,然后利用改进TCN对每个分解模态进行预测,最后叠加所有结果得到最终预测结果。以国内某雨水泵站水泵机组为例,基于水导轴承水平向摆度数据进行模型验证。结果表明:上述组合模型的预测值与监测值的变化趋势基本一致,其具有良好的预测能力。与STOA-VMD-TCN、VMD-EnTCN、VMD-TCN、TCN模型相比,所提出模型的E_(MA)、E_(RMS)、E_(MAP)最小,预测精度最高。 展开更多
关键词 时间卷积网络 乌燕鸥算法 变分模态分解 振动信号 趋势预测 水泵机组
在线阅读 下载PDF
基于SAO-VMD-S的双端柔性直流输电故障测距方案
9
作者 王思华 王羚佰 《电力系统保护与控制》 北大核心 2025年第1期1-12,共12页
针对柔性直流输电线路故障定位过程中信号易受噪声干扰、耐过渡电阻能力差的问题,提出了采用小波变换(wavelet transform,WT)进行消噪处理、并结合变分模态分解(variational mode decomposition,VMD)的柔性直流输电线路故障定位方案。... 针对柔性直流输电线路故障定位过程中信号易受噪声干扰、耐过渡电阻能力差的问题,提出了采用小波变换(wavelet transform,WT)进行消噪处理、并结合变分模态分解(variational mode decomposition,VMD)的柔性直流输电线路故障定位方案。首先利用基于Logistic函数的循环位移小波阈值去噪对故障信号进行处理。然后采用雪消融优化器(snow ablation optimizer,SAO)结合VMD对信号进行有效分解。最后对分解后的高频分量进行S变换(S-transform,ST),选取对应频率下的幅值曲线进行波头标定。此外,提出了一种不依赖波速的测距算法。在PSCAD/EMTDC平台中搭建双端柔性直流系统并进行仿真验证。结果表明,所提方案不仅对采样率要求低,且能耐受300Ω的过渡电阻和30 dB的噪声,在不同故障距离下均能准确进行测距。 展开更多
关键词 柔性直流输电 小波去噪 雪消融优化器 变分模态分解 S变换 故障测距
在线阅读 下载PDF
基于VMD-CNN-BiTCN滚动轴承故障诊断
10
作者 徐志祥 玄永伟 +1 位作者 王洪洋 王壬杰 《微特电机》 2025年第2期68-73,共6页
针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(V... 针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(VMD)分解为K个本征模函数(IMF);将分解后的信号输入到CNN层中进行特征提取和信号压缩;将该信号送入BiTCN中,提取正反两个方向的时序特征,使用膨胀卷积最大化感受野;通过池化层和全连接层实现滚动轴承故障诊断。实验结果显示,该模型在特征提取能力和时序特征感知具有显著优势,能够在多个数据集中表现出良好的故障诊断性能和泛化能力。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 双向时间卷积网络 变分模态分解
在线阅读 下载PDF
基于RIME-VMD-RIME-BiLSTM的短期风电功率预测
11
作者 王秀云 祝宏斌 《电气应用》 2025年第4期85-95,共11页
针对风电功率时间序列的随机性和波动性,为提高风电预测准确度,提出了一种结合霜冰优化算法(RIME)、变分模态分解(Variational Mode Decomposition,VMD)与双向长短期神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的短期风电... 针对风电功率时间序列的随机性和波动性,为提高风电预测准确度,提出了一种结合霜冰优化算法(RIME)、变分模态分解(Variational Mode Decomposition,VMD)与双向长短期神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的短期风电功率预测组合模型。首先,利用RIME算法对VMD的分解层数和惩罚因子寻优;然后,使用VMD对风电序列进行分解,得到不同频率且平稳的固有模态分量(Intrinsic Mode Function,IMF);接着,将各IMF输入至经RIME算法完成超参数寻优的BiLSTM中进行预测;最后,将各输出值进行叠加重构,得到最终结果。实验结果表明,所提预测模型在测试集上的预测误差指标分别为0.584、0.489和3.26%,均为最低值,验证了RIMEVMD-RIME-BiLSTM混合预测模型在风电功率预测领域具有较好的预测准确度和鲁棒性。 展开更多
关键词 风电功率 霜冰优化算法 变分模态分解 BiLSTM
在线阅读 下载PDF
压力容器气体泄漏的GSABO-VMD与CNN-SVM分类方法研究
12
作者 张涛 张诗云 +1 位作者 孙君峰 朱菊香 《自动化与仪表》 2025年第2期93-98,共6页
以压力容器气体泄漏展开研究,提出了一种融合黄金正弦的减法平均优化器(subtraction-average-based optimizer with golden sine,GSABO)、优化变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural ne... 以压力容器气体泄漏展开研究,提出了一种融合黄金正弦的减法平均优化器(subtraction-average-based optimizer with golden sine,GSABO)、优化变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)与支持向量机(support vector machine,SVM)联合分类检测的方法。首先,引入了融合黄金正弦的减法平均优化器对变分模态分解的参数模态个数K和惩罚参数α进行寻优,将最小包络熵为适应度函数得到最佳的K和惩罚参数α,计算最佳IMF分量的9种时域指标构建特征向量,输入CNN-SVM联合的分类方法进行特征提取并对气体泄漏情况进行识别。经实验分析,提出的引入融合黄金正弦的减法平均优化器优化后的VMD方法能够有效地自适应获取最优参数组,然后对压力容器气体泄漏声波信号进行特征提取,选取最优的特征组合输入CNNSVM联合分类检测,得到泄漏与否判别准确率高达99.16%,有助于对后续研究进一步开展。 展开更多
关键词 压力容器泄漏 气体泄漏检测 变分模态分解 减法平均优化器 黄金正弦 气体泄漏识别 卷积神经网络 支持向量机
在线阅读 下载PDF
基于VMD-HT的索网玻璃幕墙拉索损伤检测
13
作者 周奎 刘钰洁 《山东理工大学学报(自然科学版)》 2025年第4期64-71,共8页
拉索是索网玻璃幕墙结构中的重要组件。为了能够及时准确监控拉索受力状态和损伤检测,本文针对非平稳非线性振动以及经验模态分解(EMD)本身存在的模态混叠等问题,提出了基于变分模态分解(VMD)和希尔伯特变换(HT)相结合的损伤检测方法,... 拉索是索网玻璃幕墙结构中的重要组件。为了能够及时准确监控拉索受力状态和损伤检测,本文针对非平稳非线性振动以及经验模态分解(EMD)本身存在的模态混叠等问题,提出了基于变分模态分解(VMD)和希尔伯特变换(HT)相结合的损伤检测方法,用于索网玻璃幕墙结构的拉索损伤识别。该方法利用VMD将振动信号分解成多个BIMF分量,并对其进行Hilbert变换得到相应的边际谱,最后依据模态异常指数进行拉索损伤判别。基于单层平面索网玻璃幕墙仿真模型的动力分析和单根幕墙拉索局部损伤识别发现:拉索损伤位置一定时,损伤程度越严重,边际谱幅值越低,异常指数增大;损伤程度一定时,距离损伤位置越近的测点异常指数越大;单损伤、多损伤情况下,指数在损伤位置处增大,多损伤处的变化更加明显。该方法仅需对任一位置处的响应进行检测就能评估拉索的损伤情况,具有有效性和工程实用性。 展开更多
关键词 索网玻璃幕墙 拉索损伤 损伤检测 变分模态分解 希尔伯特变换
在线阅读 下载PDF
基于SSA优化VMD算法的滚动轴承故障诊断
14
作者 金志浩 刘庆宝 《计算机仿真》 2025年第1期485-490,共6页
针对滚动轴承在强噪声中提取故障信号频率的时候,变分模态分解(VMD)中模态分量k和惩罚因子α难以确定的问题,提出麻雀优化算法(SSA)与变分模态分解相结合的滚动轴承故障诊断方法。首先,SSA以包络熵为适应度函数来自主搜寻最优解,得到最... 针对滚动轴承在强噪声中提取故障信号频率的时候,变分模态分解(VMD)中模态分量k和惩罚因子α难以确定的问题,提出麻雀优化算法(SSA)与变分模态分解相结合的滚动轴承故障诊断方法。首先,SSA以包络熵为适应度函数来自主搜寻最优解,得到最优参数组合[k, α]。其次,利用优化的参数组合对VMD进行故障信号分解,得到若干本征模态分量(IMF)。最后,通过计算模态分量的峭度值和近似熵来筛选出符合需求的分量进行重构,从而得到最优的降噪信号,根据重构信号的包络谱来得出故障频率。仿真和实验结果表明,上述方法可以得出最优的参数组合,并且很准确的提取故障频率,实现滚动轴承的故障诊断。 展开更多
关键词 滚动轴承 变分模态分解 麻雀搜索算法 峭度值 近似熵 信号重构
在线阅读 下载PDF
基于时域优选的VMD-SVM滚动轴承故障分类识别方法研究
15
作者 来永斌 康曦 汪森辉 《西安文理学院学报(自然科学版)》 2025年第1期1-7,37,共8页
针对滚动轴承早期故障特征提取较难以及时域特征选取存在局限性的问题,提出一种基于时域优选的VMD-SVM滚动轴承故障分类识别方法,采用变分模态分解(VMD)和最小包络熵法将故障信号分解成合适数量的本征模态分量(IMF),用峭度指标和相关性... 针对滚动轴承早期故障特征提取较难以及时域特征选取存在局限性的问题,提出一种基于时域优选的VMD-SVM滚动轴承故障分类识别方法,采用变分模态分解(VMD)和最小包络熵法将故障信号分解成合适数量的本征模态分量(IMF),用峭度指标和相关性系数筛选出敏感分量,基于40个时域特征指标对敏感分量进行初步特征提取,用相关性分析优选出特征指标进行二次特征提取,提取得到的特征向量输入至支持向量机(SVM),用网格搜索和交叉验证方法确定最佳超参数后进行模型训练以及轴承故障分类识别.分别与经验模态分解(EMD)、集合经验模态分解(EEMD)方法比较,VMD-SVM方法准确率达(99±0.12)%,而EMD-SVM、EEMD-SVM方法准确率分别为(84±0.17)%、(89±0.1)%.结果表明本方法能够较高精度地分类识别不同工况下的滚动轴承状态. 展开更多
关键词 时域优选 变分模态分解 支持向量机 滚动轴承 故障分类识别
在线阅读 下载PDF
基于VMD多阶段优化的短时交通流预测研究
16
作者 陈以 齐兴宇 +1 位作者 胡水源 姚宇琛 《计算机仿真》 2025年第1期126-132,共7页
针对交通流数据存在的随机性与非线性等导致短时交通流预测精度不高的问题,给出一种多阶段优化策略和改进澳洲野狗算法(Improved Dingo Optimization Algorithm, IDOA)优化LSSVM、LSTM和XGBoost参数的组合预测模型(MO-IDOA-LLX)。使用... 针对交通流数据存在的随机性与非线性等导致短时交通流预测精度不高的问题,给出一种多阶段优化策略和改进澳洲野狗算法(Improved Dingo Optimization Algorithm, IDOA)优化LSSVM、LSTM和XGBoost参数的组合预测模型(MO-IDOA-LLX)。使用变分模态分解(Variational Modal Decomposition, VMD)将交通流分解,借助样本熵(Sample Entropy, SE)将子序列重组,得到趋势、细节和随机分量并采用相空间重构算法(Phase Space Reconstruction, PSR)对其进行处理。通过4个基准函数验证IDOA算法性能。对重构后的分量分别建立IDOA-LSSVM,IDOA-LSTM以及IDOA-XGBoost三个子模型,叠加各子模型的预测值得到预测结果。实验结果表明:其它预测模型相比,上述模型预测精度均有不同程度的提升,输出的预测结果更接近真实值。 展开更多
关键词 短时交通流预测 组合预测模型 改进澳洲野狗优化算法 变分模态分解 样本熵
在线阅读 下载PDF
基于自适应VMD-LSTM的超短期风电功率预测 被引量:1
17
作者 王迪 傅晓锦 杜诗琪 《南京信息工程大学学报》 北大核心 2025年第1期74-87,共14页
针对风电功率波动性较强和预测精度较低的问题,提出一种改进蜣螂优化算法(Logistic-T-Dung Beetle Optimizer,LTDBO)优化变分模态分解(Variational Mode Decomposition,VMD)参数和LTDBO算法优化长短期记忆网络(Long Short-Term Memory,L... 针对风电功率波动性较强和预测精度较低的问题,提出一种改进蜣螂优化算法(Logistic-T-Dung Beetle Optimizer,LTDBO)优化变分模态分解(Variational Mode Decomposition,VMD)参数和LTDBO算法优化长短期记忆网络(Long Short-Term Memory,LSTM)超参数的混合短期风电功率预测模型.首先以平均包络谱峭度作为适应度函数,利用LTDBO算法对VMD分解层数和惩罚因子进行寻优,然后使用VMD对数据清洗后的风电序列进行分解,得到不同频率的平稳的固有模态分量(Intrinsic Mode Function,IMF),并将各IMF输入由LTDBO进行超参数寻优的LSTM进行预测,最后将各IMF预测值进行叠加重构,得到最终结果.实验结果表明:LTDBO算法可以找到VMD和LSTM的最优超参数组合,LTDBO-VMD-LTDBO-LSTM组合模型在风电功率预测领域具有较好的预测精度和鲁棒性. 展开更多
关键词 风电功率 蜣螂优化算法 变分模态分解 长短期记忆网络 数据清洗
在线阅读 下载PDF
Variational Mode Decomposition for Rotating Machinery Condition Monitoring Using Vibration Signals 被引量:3
18
作者 Muhd Firdaus Isham Muhd Salman Leong +1 位作者 Meng Hee Lim Zair Asrar Ahmad 《Transactions of Nanjing University of Aeronautics and Astronautics》 EI CSCD 2018年第1期38-50,共13页
The failure of rotating machinery applications has major time and cost effects on the industry.Condition monitoring helps to ensure safe operation and also avoids losses.The signal processing method is essential for e... The failure of rotating machinery applications has major time and cost effects on the industry.Condition monitoring helps to ensure safe operation and also avoids losses.The signal processing method is essential for ensuring both the efficiency and accuracy of the monitoring process.Variational mode decomposition(VMD)is a signal processing method which decomposes a non-stationary signal into sets of variational mode functions(VMFs)adaptively and non-recursively.The VMD method offers improved performance for the condition monitoring of rotating machinery applications.However,determining an accurate number of modes for the VMD method is still considered an open research problem.Therefore,a selection method for determining the number of modes for VMD is proposed by taking advantage of the similarities in concept between the original signal and VMF.Simulated signal and online gearbox vibration signals have been used to validate the performance of the proposed method.The statistical parameters of the signals are extracted from the original signals,VMFs and intrinsic mode functions(IMFs)and have been fed into machine learning algorithms to validate the performance of the VMD method.The results show that the features extracted from VMD are both superior and accurate for the monitoring of rotating machinery.Hence the proposed method offers a new approach for the condition monitoring of rotating machinery applications. 展开更多
关键词 variational mode decomposition(vmd) monitoring diagnosis vibration SIGNAL mode NUMBER GEAR
在线阅读 下载PDF
An extraction method for pressure beat vibration characteristics of hydraulic drive system based on variational mode decomposition 被引量:2
19
作者 QIAN Duo-zhou GU Li-chen +1 位作者 YANG Sha MA Zi-wen 《Journal of Measurement Science and Instrumentation》 CAS CSCD 2020年第3期228-235,共8页
In the pump-controlled motor hydraulic transmission system,when the pressure pulsation frequencies seperately generated by the pump and the motor are close to each other,the hydraulic system will generate a strong pre... In the pump-controlled motor hydraulic transmission system,when the pressure pulsation frequencies seperately generated by the pump and the motor are close to each other,the hydraulic system will generate a strong pressure beat vibration phenomenon,which will seriously affect the smooth running of the hydraulic system.However,the modulated pressure signal also carries information related to the operating state of the hydraulic system,and a accurate extraction of pressure vibration characteristics is the key to obtain the operating state information of the hydraulic system.In order to extract the pressure beat vibration signal component effectively from the multi-component time-varying aliasing pressure signal and reconstruct the time domain characteristics,an extraction method of the pressure beat vibration characteristics of the hydraulic transmission system based on variational mode decomposition(VMD)is proposed.The experimental results show that the VMD method can accurately extract the pressure beat vibration characteristics from the high-pressure oil pressure signal of the hydraulic system,and the extraction effect is preferable to that of the traditional signal processing methods such as empirical mode decomposition(EMD). 展开更多
关键词 hydraulic drive system pressure beat vibration variational mode decomposition(vmd) characteristic extraction
在线阅读 下载PDF
Microseismic signal denoising by combining variational mode decomposition with permutation entropy 被引量:5
20
作者 Zhang Xing-Li Cao Lian-Yue +2 位作者 Chen Yan Jia Rui-Sheng Lu Xin-Ming 《Applied Geophysics》 SCIE CSCD 2022年第1期65-80,144,145,共18页
Remarkable progress has been achieved on microseismic signal denoising in recent years,which is the basic component for rock-burst detection.However,its denoising effectiveness remains unsatisfactory.To extract the ef... Remarkable progress has been achieved on microseismic signal denoising in recent years,which is the basic component for rock-burst detection.However,its denoising effectiveness remains unsatisfactory.To extract the effective microseismic signal from polluted noisy signals,a novel microseismic signal denoising method that combines the variational mode decomposition(VMD)and permutation entropy(PE),which we denote as VMD–PE,is proposed in this paper.VMD is a recently introduced technique for adaptive signal decomposition,where K is an important decomposing parameter that determines the number of modes.VMD provides a predictable eff ect on the nature of detected modes.In this work,we present a method that addresses the problem of selecting an appropriate K value by constructing a simulation signal whose spectrum is similar to that of a mine microseismic signal and apply this value to the VMD–PE method.In addition,PE is developed to identify the relevant effective microseismic signal modes,which are reconstructed to realize signal filtering.The experimental results show that the VMD–PE method remarkably outperforms the empirical mode decomposition(EMD)–VMD filtering and detrended fl uctuation analysis(DFA)–VMD denoising methods of the simulated and real microseismic signals.We expect that this novel method can inspire and help evaluate new ideas in this field. 展开更多
关键词 DENOISING Microseismic signal Permutation entropy variational mode decomposition
在线阅读 下载PDF
上一页 1 2 103 下一页 到第
使用帮助 返回顶部