导读:本文包含了小波去噪论文开题报告文献综述及选题提纲参考文献，主要关键词:风电功率预测,极限学习机,风速序列,小波去噪
小波去噪论文文献综述
盛楠[1]（2019）在《基于小波去噪的极限学习机功率预测》一文中研究指出风电功率预测精度影响风电场的安全稳定运行。风速序列具有非平稳性,针对风速序列的波动性,提出了一种基于小波去噪的极限学习机的风电功率预测模型。该模型运用小波去噪的方法对风速时间序列进行了小波分解,采用极限学习机建立了风电功率预测模型,最后通过具体的风电场实验,分析验证其有效性。(本文来源于《电子世界》期刊2019年21期）
张海发,卢治文,王康[2]（2019）在《基于小波去噪及优化BP神经网络的滑坡变形预测研究》一文中研究指出为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。(本文来源于《人民珠江》期刊2019年11期）
黄友亮,孙广彤,战胜,仪垂杰,纪慧敏[3]（2019）在《基于自适应中值滤波高炉渣颗粒小波去噪》一文中研究指出粒径检测是高炉渣自适应控制系统得以实现的必要条件,粒径大小对能源回收有重要影响。提出了一种基于机器视觉的方案来解决高炉渣粒径实时检测难度大的问题。粘结颗粒的准确分割对图像去噪提出了较高的要求,提出了一种基于自适应中值滤波和小波变换的去噪方式对图像做平滑滤波处理,在滤除大部分噪声的同时,保护了图像的细节和边缘。为了验证其去噪效果,通过MATLAB模拟仿真,以改进的分水岭算法的分割效果作为评价标准,表明此方法在高炉渣图像去噪效果上达到了试验要求,为粒径的准确分割提取提供了技术支持。(本文来源于《矿业研究与开发》期刊2019年09期）
马东,杨铮,王立玲[4]（2019）在《基于改进小波去噪算法的sEMG研究》一文中研究指出针对sEMG信号含有噪声问题,通过采用层层递进的改进方法对小波阈值和小波阈值函数进行了去噪研究.结果表明:在小波去噪改进算法中,小波改进阈值、小波改进阈值函数改进了小波阈值法,获得了较好的去噪效果.(本文来源于《东北师大学报(自然科学版)》期刊2019年03期）
张恒,潘仲明[5]（2019）在《平稳小波去噪算法中的参数选择》一文中研究指出为研究平稳小波变换去噪算法在工程应用时如何选择小波基、小波系数处理方法和阈值计算方法的参数以取得最优去噪效果,通过仿真实验,对比不同小波基、不同小波系数处理方法及不同阈值计算方法对平稳小波变换去噪算法去噪效果的影响,对算法的参数选择问题进行研究。实验结果表明:相比其他滤波器组,大部分情况下Daubechies小波基对应的滤波器组去噪效果更好;信号信噪比较低时选用软阈值法,信噪比较高时选用硬阈值法;使用阈值法处理小波系数,信号信噪比不高的情况下应采取固定阈值法来确定阈值,信号信噪比较高时应采取无偏风险估计法。(本文来源于《国防科技大学学报》期刊2019年04期）
钱峰,卢经,邵建根,覃延佳[6]（2019）在《局部放电信号检测中自适应分解层数小波去噪》一文中研究指出根据局部放电信号和噪声的特征,提出自适应分解层数小波去噪方法,该方法利用小波在不同分解层下得到的信号能量不同,采用分解相邻层信号能量比的变化,确定最佳分解层,从而实现局部放电信号的有效提取。(本文来源于《电力设备管理》期刊2019年08期）
高山,李沁声[7]（2019）在《基于熵权的小波去噪评价指标》一文中研究指出在分析传统小波去噪质量评价指标不足的基础上,本文将小波去噪后的均方根误差和平滑度指标进行无量纲均值化处理,采用熵权法定权,最后将两种指标进行线性组合,得到新的复合评价指标。该指标具有显着优越的去噪评价效果。仿真数据和工程实测沉降监测数据分析表明,本文所确定的分解尺度去噪效果好,算法简单且准确率高,在沉降监测数据分析中具有一定的应用价值。(本文来源于《测绘与空间地理信息》期刊2019年08期）
刘海江,张欣,李敏[8]（2019）在《汽车驾驶性评价中小波去噪分解层数的确定》一文中研究指出在汽车驾驶性评价试验过程中所采集的信号内通常混有诸多噪声信号,一般运用小波变换进行去噪,然而若小波去噪分解层数选择不当,则会影响去噪效果,从而影响驾驶性评价的准确性。针对此问题,提出了一种通过信息熵法融合所采集的汽车驾驶性数据的均方根误差、信噪比以及平滑度等多指标来选择小波分解最佳层数的方法,从而取得较佳的去噪效果。现对所采集的某一换挡工况下汽车振动加速度数据运用上述方法进行去噪,结果表明,基于此多指标融合的小波去噪方法在很好滤除初始信号中噪声的同时,能够有效保留数据中的有用成分,譬如驾驶过程中的冲击及振动等,从而保证了后续汽车驾驶性评价过程中所提取的指标的准确性。(本文来源于《噪声与振动控制》期刊2019年04期）
张煌,梁朋,肖琨武,徐嘉蔚,施叁支[9]（2019）在《基于小波去噪和神经网络的期货预测模型》一文中研究指出基于股指期货数据量大,数据噪声较多等多个特点,采用小波去噪的方法首先对选取的数据进行清洗,再利用神经网络进行训练预测,发现这样相结合的方法可以有效减少神经网络模型的误差。选取2012年7月24日至2018年10月12日共1528个交易日的最低价、最高价、开盘价和收盘价的沪深300股指期货数据作为神经网络模型的学习分析对象,通过不断地修改参数,调试从而减小误差,再对未来走势进行预测。结果发现BP神经网络模型与Elman神经网络模型比较,BP神经网络模型对于股指期货数据的分析预测更具有优越性,最终的预测结果与实际相比准确率能够达到98.9%。因此结合小波去噪的BP神经网络模型能够明显地减小了误差,提高了预测的精确度。(本文来源于《长春理工大学学报(自然科学版)》期刊2019年04期）
杨春洁[10]（2019）在《基于小波去噪的机车牵引电机轴承故障诊断仿真研究》一文中研究指出轴承是牵引电机重要的传动部件,其性能直接影响机车的运行状态,机车运用时间过长,运行环境恶劣往往导致轴承不同程度的磨损、烧结,为降低牵引电机轴承故障率和机车维护成本,方便获取牵引电机轴承运用信息,本文提出基于小波去噪提取轴承特征的分析方法,利用LabVIEW编译软件对采集到的仿真试验台轴承振动信号进行小波包去噪处理,结合Hilbert包络分析提取去噪后信号的故障特征频率进行故障识别,为机车牵引电机故障诊断提供理论依据。(本文来源于《中国设备工程》期刊2019年13期）
小波去噪论文开题报告
（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：
为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。
（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。
小波去噪论文参考文献
[1].盛楠.基于小波去噪的极限学习机功率预测[J].电子世界.2019
[2].张海发,卢治文,王康.基于小波去噪及优化BP神经网络的滑坡变形预测研究[J].人民珠江.2019
[3].黄友亮,孙广彤,战胜,仪垂杰,纪慧敏.基于自适应中值滤波高炉渣颗粒小波去噪[J].矿业研究与开发.2019
[4].马东,杨铮,王立玲.基于改进小波去噪算法的sEMG研究[J].东北师大学报(自然科学版).2019
[5].张恒,潘仲明.平稳小波去噪算法中的参数选择[J].国防科技大学学报.2019
[6].钱峰,卢经,邵建根,覃延佳.局部放电信号检测中自适应分解层数小波去噪[J].电力设备管理.2019
[7].高山,李沁声.基于熵权的小波去噪评价指标[J].测绘与空间地理信息.2019
[8].刘海江,张欣,李敏.汽车驾驶性评价中小波去噪分解层数的确定[J].噪声与振动控制.2019
[9].张煌,梁朋,肖琨武,徐嘉蔚,施叁支.基于小波去噪和神经网络的期货预测模型[J].长春理工大学学报(自然科学版).2019
[10].杨春洁.基于小波去噪的机车牵引电机轴承故障诊断仿真研究[J].中国设备工程.2019