导读:本文包含了随机分解论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:分解,模态,噪声,经验,效应,森林,复数。
随机分解论文文献综述
徐辉,周孝华[1]（2019）在《定向增发抑价分解研究——基于双边随机边界分析的新视角》一文中研究指出针对定向增发新股存在价格溢出现象,本文首次引入双边随机边界模型探究定向增发高抑价的形成机理,发展了一个新的定向增发抑价分解模型,将定向增发抑价分解为一级市场折价效应和二级市场溢价效应,并对2007—2017年度内已完成定向增发新股的沪深两市A股上市公司进行了实证检验,结果表明:定向增发新股的发行价格与二级市场交易价格均被高估,存在价格泡沫;折价效应与溢价效应均对定向增发抑价施加了显着的影响,但溢价效应是导致定向增发高抑价的主导因素;溢价效应对定向增发高抑价的影响程度在国有企业、大股东全认购、牛市以及信息透明度较低的子样本中更显着。基于中国本土文化拓展了抑价分解理论,结论更符合中国股市实情,为定向增发抑价现象的后续研究提供了理论指导与方法支撑。(本文来源于《中国管理科学》期刊2019年11期）
孟娟,韩智明,李亚南[2]（2019）在《基于改进互补集合经验模态分解的自适应小波熵阈值地震随机噪声压制算法》一文中研究指出针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。(本文来源于《科学技术与工程》期刊2019年30期）
罗敏,石岩,周辉,李松,马跃[3]（2019）在《基于可变分量的参数随机抽样的激光雷达脉冲波形分解》一文中研究指出激光雷达脉冲回波的波形分解方法是提取其波形参数的重要手段,也为反演目标高度、倾斜度和粗糙度、反射率提供直接的参数来源。针对部分信噪比较差且具有一定混迭程度的脉冲回波,提出一种基于可变分量的参数随机抽样方法的波形分解算法(WDVCM)。该算法以高斯混合函数为优化模型,通过随机产生高斯分量的特征参数以及删减或生成高斯分量等操作,并分别基于能量函数和拟合标准差作为参数优化的判据,从而实现波形的分解及其参数提取。利用该算法对美国国家航空航天局(NASA)的对地观测星载激光雷达(GLAS)一个条带中的4584个原始波形进行了处理分析。结果发现,约99%的WDVCM和97%的NASA拟合波形结果的相关系数均超过0.95,其中两者相关系数差异不超过0.05占98%。同时,WDVCM和NASA拟合波形的标准差系数均值分别为2.21和3.28,约89%的WDVCM拟合波形的标准差系数均小于NASA拟合波形的标准差系数。所得结果表明,WDVCM对混迭高斯波形的拟合效果更好,适用性更强。(本文来源于《红外与激光工程》期刊2019年10期）
黄青平,邹晓明,刘楚群,叶明武,黄祺珺[4]（2019）在《基于小波分解与随机森林的短期负荷预测》一文中研究指出为解决训练样本少、负荷波动较大,采用数据挖掘方法(神经网络、支持向量机以及随机森林)预测负荷精度不高的问题,文章提出了一种基于小波分解与随机森林结合的负荷预测方法。首先采用小波分解算法将历史负荷序列分解成若干个不同频率的子序列,结合实时气象数据,根据各个频段的负荷子序列的特征,利用随机森林回归算法分别对负荷子序列进行建模,最后将待预测日不同频率分量进行重构得到预测结果。实例中的数据来源于安徽某地的历史负荷,将所提方法与神经网络、支持向量机和随机森林等数据挖掘方法进行比较,证实了所提方法的有效性。(本文来源于《电力信息与通信技术》期刊2019年09期）
徐智,唐刚,刘伟,李钟晓[5]（2019）在《基于变分模态分解参数优化的地震随机噪声去除方法》一文中研究指出为解决变分模态分解在地震数据去噪中依赖人工经验,模态分解和去噪效果具有一定随机性和偶然性的问题,提出基于频域奇异值分解信噪比估计的参数优化方法。该方法在参数范围内以较高的估计信噪比为评价参数对模态分量数目与有效模态进行选取,自适应寻找去噪最有效的参数,从而避免主观选取参数的随机性,改善去噪效果。仿真模型实验表明:估计信噪比与真实信噪比的误差为正相关关系,能够有效反映地震数据中噪声程度,所估计信噪比可以作为去噪效果的评价参数。通过仿真模型和实际地震数据对方法进行验证,结果表明基于估计信噪比参数优化后的变分模态分解方法能够有效压制噪声、凸显同相轴信息。(本文来源于《北京化工大学学报(自然科学版)》期刊2019年05期）
方江雄,温志平,顾华奇,刘军,张华[6]（2019）在《基于变分模态分解的地震随机噪声压制方法》一文中研究指出针对经验模态分解(EMD)方法中递归迭代式筛选过程耗时过长、分解精度不高等问题,提出了基于频率域内全局自适应的变分模态分解(VMD)的地震随机噪声压制方法。与EMD类方法的迭代筛选模式不同,VMD方法的分解过程可转换至变分泛函最优求解过程,以每个带限窄带(BIMF)分量的估计带宽之和最小为约束,通过增广Lagrange目标函数将变分问题由约束性变为非约束性,采用交替方向乘子(ADMM)算法寻求变分泛函的最优解达到信号自适应分解的目的。ADMM中频率中心及带宽交替更新对偶上升,使两者同时达到最优趋势,并生成所有BIMF分量,具有更高的时间效率。同时,各模态分量在频谱上均具有带限特性,可实现信号频带的高分辨率、自适应剖分。实验结果表明,基于VMD的地震随机噪声压制方法具有优异噪声压制、幅值保持性能的同时,还具备较高的计算效率,可满足高维大尺度地震数据的处理要求。(本文来源于《石油地球物理勘探》期刊2019年04期）
林坚,李俊[7]（2019）在《基于随机游走增强型矩阵分解的混合服务预测》一文中研究指出随着Web服务数量的急剧增长,如何在大量功能相似但非功能属性各异的服务中选择满足用户个性化需求的服务是亟需解决的问题。基于QoS(Quality of Service)预测的服务推荐方法成为研究热点。然而,QoS数据的稀疏性和"冷启动"问题阻碍其发展。针对当前主流的QoS预测模型预测精度不高和收敛速度较慢等问题,提出一种基于随机游走模型和矩阵分解技术的混合QoS预测方法。该方法首先基于矩阵分解获得用户及服务的潜因子矩阵,并将用户潜因子矩阵转化为用户相似度矩阵;然后基于用户相似度矩阵并结合Web服务的网络位置信息,使用随机游走模型提高用户相似度矩阵的准确性;最终结合协同过滤方法与矩阵分解模型进行QoS预测。在真实数据集上实验,结果表明,与当前主流的QoS预测方法相比,该方法具有更高的预测精度和效率。(本文来源于《软件导刊》期刊2019年12期）
张超,侯凯[8]（2019）在《农产品价格B-N分解与随机冲击的惯性研究》一文中研究指出农业是百业之本、粮价是百价之基,农产品价格波动对社会生产和居民生活都具有广泛影响。为弥补已有相关研究方法的不足,本文从解析农产品价格波动的经济涵义入手,运用B-N技术分解我国主要农产品价格波动中的持久性成分和暂时性成分,并考察农产品价格随机冲击的惯性,以刻画我国农产品价格的动态特征,以期提高微观主体对农产品价格趋势变化的预判能力,进而更好安排消费、生产及经营等活动,同时为政策调整提供科学信息,减少社会福利损失。(本文来源于《商业研究》期刊2019年07期）
纪宏伟[9]（2019）在《随机变量和式分解在数学期望问题中的应用》一文中研究指出应用随机变量和式分解的方法,简化随机变量数学期望的计算过程,体现了该方法的优势.(本文来源于《高等数学研究》期刊2019年04期）
马富齐[10]（2019）在《基于复数据经验模态分解和随机森林理论的风电机组多域特征故障诊断研究》一文中研究指出随着全球升温问题日益突出,能源安全问题日益严重,化石能源的生产不可持续,国际上对可再生能源的开发和利用也变得更加重视。风力发电作为一种重要的可再生能源,具有安全、清洁、储量充裕的特点,被认为是解决能源利用的安全问题和处理全球气候问题的重要手段,它现已成为各国研究和开发的重要领域。风电机组长期在复杂的情况下运行,并且各个运行设备之间存在强耦合作用,使得机组振动信号具有强烈的非线性和耦合特性。因此,风力发电机组的故障诊断比传统电力设备故障的诊断更困难。为此,本文以风电机组滚动轴承为研究对象,围绕风电机组的时频特征提取和故障诊断模型两个方面展开研究,重点解决风电机组振动信号特征提取、多域特征向量故障诊断和故障信息冗余等关键问题,从而实现机组振动信号多域特征向量的故障诊断。本文首先阐述了风力发电机组多域故障诊断的研究背景、选题的目的及意义。然后详细介绍了风电机组信号降噪技术、故障特征提取和故障诊断叁个方面的国内外研究现状,并针对当前存在的问题,引出本文的研究内容和思路。其次,介绍了风力发电机组的基本结构,包括叶轮系统,传动系统,偏航系统,发电机-变流器系统和控制系统,并详细介绍了各个部分。然后对机组几种典型的故障进行分析,主要包括齿轮箱的常见故障及原因、风电机组中发电机的主要故障及原因和叶轮的主要故障以及原因。再次,考虑到风电机组的非线性振动信号难以被有效地提取,传统的经验模态分解(EMD)方法具有模态混迭问题,为此,本文提出一种基于复数据经验模态分解(CEMD)的风电机组特征提取方法,通过生成高斯白噪声,然后将白噪声和采集到的振动信号一起构造复信号,并将高斯白噪声投影到所有方向使得分解过程中极值点的选择发生变化,然后再求取所有方向上的包络质心,消除白噪声对原始信号的影响,从而有效地抑制了模态混迭现象,并进行了仿真验证。最后,在复数据经验模态分解的理论基础上,提出一种基于复数据经验模态分解(CEMD)和随机森林理论(RF)的风电机组多域特征故障诊断方法。通过采用CEMD将采集到的振动信号分解成多个固有模态函数(IMF),然后计算获得IMF分量的能量及能量熵作为时频域的特征向量,计算振动信号的24个时频域特征向量,并将所有的特征向量构成风电机组的多域特征向量,最后通过各个特征向量的重要程度剔除掉冗余的特征向量,将剔除后的特征向量输入到随机森林模式分类模型中,实现机组的故障诊断。并以风电机组的轴承为例,分别从不同的故障类型、相同故障的不同故障程度和同种故障不同的运行状态叁个方面分别进行实例模式识别,仿真及实验结果表明:所提方法能够较好的提取机组故障特征信息,并具有很高的准确率。(本文来源于《西安理工大学》期刊2019-06-30）
随机分解论文开题报告
（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：
针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。
（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。
随机分解论文参考文献
[1].徐辉,周孝华.定向增发抑价分解研究——基于双边随机边界分析的新视角[J].中国管理科学.2019
[2].孟娟,韩智明,李亚南.基于改进互补集合经验模态分解的自适应小波熵阈值地震随机噪声压制算法[J].科学技术与工程.2019
[3].罗敏,石岩,周辉,李松,马跃.基于可变分量的参数随机抽样的激光雷达脉冲波形分解[J].红外与激光工程.2019
[4].黄青平,邹晓明,刘楚群,叶明武,黄祺珺.基于小波分解与随机森林的短期负荷预测[J].电力信息与通信技术.2019
[5].徐智,唐刚,刘伟,李钟晓.基于变分模态分解参数优化的地震随机噪声去除方法[J].北京化工大学学报(自然科学版).2019
[6].方江雄,温志平,顾华奇,刘军,张华.基于变分模态分解的地震随机噪声压制方法[J].石油地球物理勘探.2019
[7].林坚,李俊.基于随机游走增强型矩阵分解的混合服务预测[J].软件导刊.2019
[8].张超,侯凯.农产品价格B-N分解与随机冲击的惯性研究[J].商业研究.2019
[9].纪宏伟.随机变量和式分解在数学期望问题中的应用[J].高等数学研究.2019
[10].马富齐.基于复数据经验模态分解和随机森林理论的风电机组多域特征故障诊断研究[D].西安理工大学.2019
论文知识图
