- 年份
- 2025(3)
- 2024(2)
- 2023(2)
- 核心收录
- 北京大学中文核心期刊目录(北大核心)(4)
- 中国科技论文与引文数据库(CSTPCD)(2)
- 中国科学引文数据库(CSCD)(1)
- 刊名
- 三峡大学学报(自然科学版)(1)
- 中国铁道科学(1)
- 噪声与振动控制(1)
- 地震学报(1)
- 广东电力(1)
- 现代电子技术(1)
- 起重运输机械(1)
- 更多...
- 语种
- 汉语(7)
- 关键词
- 自适应噪声完全集合经验模态分解(7)
- 排列熵(2)
- 风电功率预测(2)
- Hurst指数(1)
- K-均值聚类算法(1)
- 分量聚合(1)
- 卷积神经网络(1)
- 双向长短期记忆网络(1)
- 变分模态分解(1)
- 周期性冲击特征(1)
- 更多...
- 作者
- 张旭东(2)
- 汪繁荣(2)
- 何嘉幸(1)
- 傅蜀燕(1)
- 刘鹏飞(1)
- 史水平(1)
- 周达(1)
- 张亢(1)
- 张清(1)
- 曹振华(1)
- 更多...
相关度
- 相关度
- 发表时间
每页显示10条
- 每页显示10条
- 每页显示20条
- 每页显示30条
已找到 7 条结果
- 基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法CSTPCD
- 基于多层信号分解的混凝土拱坝变形监测模型北大核心CSTPCD摘要:为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模态分量(IMF)个数能够准确描述大坝变形.然后,对于高频IMF分量,采用变分模态分解(VMD)进行二次分解,并利用偏最小二乘法(PLS)分析变形序列影响因子,以提取最佳的IMF分量作为后续模型的输入因子…查看全部>>
- 基于改进蜣螂优化算法和融合注意力机制的风电功率预测北大核心摘要:为进一步提高风电功率的预测精准度,提出使用自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)来对原始数据进行分解,并结合多策略改进蜣螂优化算法(multi-strategy enhanced dung beetle optimization algorithm,MDBO)来优化融合了卷积神经网络(conv…查看全部>>
- 基于二次CEEMDAN与CCJC的滚动轴承故障冲击特征提取北大核心摘要:滚动轴承故障振动信号的成分复杂多样,且受噪声和传递路径的影响,导致从中提取表征故障的周期性冲击成分难度很大。对此,利用自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)良好的非平稳非线性数据处理能力,首先将原始轴承振动信号中的各种成分予以分离,在此基础上,提出相关系数跳变准则(Correlation Co…查看全部>>
- 基于CEEMDAN-WOA-SVR的高铁沿线超短期风速预测方法CSCD摘要:为提升高铁沿线风速预测精度以增强铁路对强风监测预警能力,提出基于自适应噪声完备经验模态分解和鲸鱼算法优化支持向量回归(CEEMDAN-WOA-SVR)的铁路沿线风速预测方法.首先,考虑风速具有非平稳性特点和非线性趋势,基于自适应噪声完备经验模态(CEEMDAN)对风速信号进行分解,提取不同频率模态分量;其次,采用鲸鱼优化算法(WOA)优化支持向量回归(SVR)模型的惩罚因子和核参数,并构建风速预测模型;最后,以我国典型高铁沿线某测风点…查看全部>>
- 基于ICEEMDAN-PE-GDBO-LSSVM的风电功率预测北大核心摘要:随着可再生能源特别是风电的高比例接入,电网面临着前所未有的不确定性和波动性挑战.为准确预测风电功率,提出一种基于改进的自适应噪声完全集合经验模态分解(ICEEMDAN)-排列熵(PE)-改进的蜣螂优化算法(GDBO)-最小支持二乘向量机(LSSVM)的组合模型.首先使用ICEEMDAN对风电数据进行分解,从而降低复杂度;之后根据PE对分解后得到的各分量进行聚合,再使用GDBO算法对LSSVM的关键参数进行寻优,以得到最佳预测模型;最后…查看全部>>
- 基于CEEMDAN与自适应小波阈值的行星减速器振动信号组合降噪方法摘要:针对行星减速器振动信号易受噪声干扰的问题,文中提出了基于自适应噪声完全集合经验模态分解和自适应小波阈值的组合降噪方法,并通过仿真和实验信号证明该方法的有效性。对振动信号进行自适应噪声完全集合经验模态分解,获得一系列本征模态函数;计算各本征模态函数的排列熵值,根据排列熵估计不同分量的噪声水平;排除噪声分量,保留有用分量,对含噪分量进行自适应小波阈值去噪,最后将去噪分量和有用分量进行重构得到降噪信号。