[发明专利]一种基于变分模态分解和支持向量回归的信号预测方法

说明书

本发明公开了一种基于变分模态分解和支持向量回归的信号预测方法，首先对采集的原始信号进行经验模态分解，利用经验模态分解自适应获得关键参数，有效模态分量数K，利用有效模态分量数K实现变分模态分解，能够可以有效消除模态混叠和边界效应相结合，能够对扰动信号实现有效分离，实现信号的自适应分解，从而得到分解成K个的本征模态分量，然后对变分模态分解后的信号进行支持向量回归预测，利用支持向量回归对于非线性、非稳态数据的良好适应进行信号的时间序列预测，再进行重构获得最终的预测信号，本发明方法简单，获得信号稳定。

技术领域

本发明涉及一种时间序列信号预测方法，尤其是一种基于变分模态分解和支持向量回归的信号预测方法。

背景技术

目前，对于时间序列信号的预测方法的研究，主要集中在自回归滑动平均(Auto-Regressive Moving Average，ARMA)等单方法预测研究，对于非线性、非平稳的信号处理显得捉襟见肘。对于信号分解的方法主要集中于小波变换(Wavelet Transform，WT)、经验模态分解(Empirical Modes Decomposition，EMD)等方法。WT方法具有较好的时频分辨率，是一种多尺度的时频分析方法，但是其对基函数过于依赖，无法实现信号的自适应分解。EMD方法是一种自适应信号分解方法，可以有效避免对于基函数的影响，但是EMD方法由于其缺乏完备的数学理论支撑且所得结果易发生模态混叠和边界效应，不能够对扰动信号有效分离，并对预测结果造成影响。

发明内容

本发明的目的在于提供基于变分模态分解和支持向量回归的信号预测方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于变分模态分解和支持向量回归的信号预测方法，包括以下步骤：

步骤1)、首先对采集的原始信号进行经验模态分解；对经验模态分解结果进行分析，获得有效模态分量数K；

步骤2)、根据有效模态分量数K对采集的原始信号进行变分模态分解，分解成K个本征模态分量；

步骤3)、对变分模态分解后的信号进行支持向量回归预测；

步骤4)、对支持向量回归预测后的本征模态分量进行重构获得最终的预测信号。

进一步的，原始信号即由传感器采集的未经过任何处理的信号。

进一步的，步骤1)对采集的原始信号进行经验模态分解，分解后获取各个本征模态分量是否具有独立的中心频率，如果各个本征模态分量的中心频率没有重合即可认为是独立的有效分量，获得有效模态分量数K。

进一步的，步骤2)根据获得的有效模态分量数K，对采集的原始信号进行变分模态分解，得到K个本征模态分量，包括噪声主导分量、噪声相关分量和有效分量。

进一步的，对于获得的K个本征模态分量，去除噪声主导分量，对噪声相关分量和有效分量进行降噪处理。

进一步的，噪声主导分量中心频率高于其他有效分量中心频率，噪声相关分量中心频率高于普通有效分量的中心频率。

进一步的，噪声主导分量与噪声相关分量的频带宽度大于有效分量频带宽度。

进一步的，有效分量的中心频率集中。

进一步的，采用支持向量回归方法对变分模态分解后的信号进行一维数据的时间序列预测，包括单点预测和多点预测。

与现有技术相比，本发明具有以下有益的技术效果：