[發(fā)明專利]一種基于變分模態(tài)分解和支持向量回歸的信號預測方法

有效

• 申請?zhí)枺?/td>: 201810783956.1
• 申請日: 2018-07-17
• 公開（公告）號: CN109241823B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設計）人: 蘇文斌;雷竹峰;梁顯祺;胡橋;侯秉睿;趙航;鄭艷妮;丁明杰;張陽坤;田芮銘
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

本發(fā)明公開了一種基于變分模態(tài)分解和支持向量回歸的信號預測方法，首先對采集的原始信號進行經驗模態(tài)分解，利用經驗模態(tài)分解自適應獲得關鍵參數(shù)，有效模態(tài)分量數(shù)K，利用有效模態(tài)分量數(shù)K實現(xiàn)變分模態(tài)分解，能夠可以有效消除模態(tài)混疊和邊界效應相結合，能夠對擾動信號實現(xiàn)有效分離，實現(xiàn)信號的自適應分解，從而得到分解成K個的本征模態(tài)分量，然后對變分模態(tài)分解后的信號進行支持向量回歸預測，利用支持向量回歸對于非線性、非穩(wěn)態(tài)數(shù)據(jù)的良好適應進行信號的時間序列預測，再進行重構獲得最終的預測信號，本發(fā)明方法簡單，獲得信號穩(wěn)定。

技術領域

本發(fā)明涉及一種時間序列信號預測方法，尤其是一種基于變分模態(tài)分解和支持向量回歸的信號預測方法。

背景技術

目前，對于時間序列信號的預測方法的研究，主要集中在自回歸滑動平均(Auto-Regressive Moving Average，ARMA)等單方法預測研究，對于非線性、非平穩(wěn)的信號處理顯得捉襟見肘。對于信號分解的方法主要集中于小波變換(Wavelet Transform，WT)、經驗模態(tài)分解(Empirical Modes Decomposition，EMD)等方法。WT方法具有較好的時頻分辨率，是一種多尺度的時頻分析方法，但是其對基函數(shù)過于依賴，無法實現(xiàn)信號的自適應分解。EMD方法是一種自適應信號分解方法，可以有效避免對于基函數(shù)的影響，但是EMD方法由于其缺乏完備的數(shù)學理論支撐且所得結果易發(fā)生模態(tài)混疊和邊界效應，不能夠對擾動信號有效分離，并對預測結果造成影響。

發(fā)明內容

本發(fā)明的目的在于提供基于變分模態(tài)分解和支持向量回歸的信號預測方法，以克服現(xiàn)有技術的不足。

為達到上述目的，本發(fā)明采用如下技術方案：

一種基于變分模態(tài)分解和支持向量回歸的信號預測方法，包括以下步驟：

步驟1)、首先對采集的原始信號進行經驗模態(tài)分解；對經驗模態(tài)分解結果進行分析，獲得有效模態(tài)分量數(shù)K；

步驟2)、根據(jù)有效模態(tài)分量數(shù)K對采集的原始信號進行變分模態(tài)分解，分解成K個本征模態(tài)分量；

步驟3)、對變分模態(tài)分解后的信號進行支持向量回歸預測；

步驟4)、對支持向量回歸預測后的本征模態(tài)分量進行重構獲得最終的預測信號。

進一步的，原始信號即由傳感器采集的未經過任何處理的信號。

進一步的，步驟1)對采集的原始信號進行經驗模態(tài)分解，分解后獲取各個本征模態(tài)分量是否具有獨立的中心頻率，如果各個本征模態(tài)分量的中心頻率沒有重合即可認為是獨立的有效分量，獲得有效模態(tài)分量數(shù)K。

進一步的，步驟2)根據(jù)獲得的有效模態(tài)分量數(shù)K，對采集的原始信號進行變分模態(tài)分解，得到K個本征模態(tài)分量，包括噪聲主導分量、噪聲相關分量和有效分量。

進一步的，對于獲得的K個本征模態(tài)分量，去除噪聲主導分量，對噪聲相關分量和有效分量進行降噪處理。

進一步的，噪聲主導分量中心頻率高于其他有效分量中心頻率，噪聲相關分量中心頻率高于普通有效分量的中心頻率。

進一步的，噪聲主導分量與噪聲相關分量的頻帶寬度大于有效分量頻帶寬度。

進一步的，有效分量的中心頻率集中。

進一步的，采用支持向量回歸方法對變分模態(tài)分解后的信號進行一維數(shù)據(jù)的時間序列預測，包括單點預測和多點預測。

與現(xiàn)有技術相比，本發(fā)明具有以下有益的技術效果：