基于变分模式分解的非平稳相干结构分析方法对于时空数据
本文以动态模态分解算法为基础,结合机器学习方法,研究人脑神经元的大规模信号记录及其体内活动,并通过睡眠肌阵振网络的提取,验证了该算法在脑神经元信号记录分析方面的高效性和适用性。
Sep, 2014
通过引入 Dynamic Mode Decomposition (DMD) 算法,对电浆动力学的跨场 ExB 结构进行数据驱动分析和降阶建模,在高保真数据集上应用 DMD 算法,提取主导的时空模式并发现 OPT-DMD 方法能更可靠地重建基准值,以及通过揭示频谱的空间结构,为等离子现象的时空特性提供更全面、更易理解的信息。
Aug, 2023
通过将动态模分解(Dynamic mode decomposition,DMD)与多分辨率分析相结合,本文提出了一种分解方法,可以将复杂系统分解成一系列多分辨率时间尺度组件,从而有效解决动力学数据分离等问题,并且在多尺度动态数据的示例数据上展示了其出色的分解结果。
Jun, 2015
利用 VMD-LSTM-GARCH 模型,将时间序列分解为子模式,并从这些子模式中提取波动率信息,然后利用长期短期记忆网络对每个子模式进行预测,最后将所有子模式的预测结果进行聚合,通过集成计量经济学和人工智能方法,考虑时间序列的数字和波动率信息,该模型在时间序列预测中具有优越的性能。
Oct, 2023
在水文时间序列预测中,各种时间变异的非平稳信号需要进行适当的预处理,以避免引入未来信息。本文设计了一种新颖的完全逐步分解(FSDB)采样技术,应用于分解模型,以严格避免引入未来信息,并将其应用于中国国阳和巢湖流域三个不同站点的水位时间序列预测。结果显示,使用 FSDB 采样技术的 VMD-based 混合模型在三个站点的 Nash-Sutcliffe Efficiency(NSE)系数分别提高了 6.4%,28.8%和 7.0%,与目前最先进的采样技术相比。对于 SSA-based 实验,NSE 系数分别提高了 3.2%,3.1%和 1.1%。因此,新开发的 FSDB 采样技术可以提高水位时间序列预测中分解模型的性能。
Sep, 2023
通过多元高斯过程回归(MVGPR)方法,克服稀缺和时间不规则数据限制,提出了一种新颖的模态分析技术,能够代替传统的模态分析方法如动态模态分解(DMD)和谱正交分解(SPOD)。MVGPR 的核函数结构基于线性动态的相关函数假设,通过与 DMD 和 SPOD 的联系,该方法在学术研究、合成数据和非稳态翼型气动等范例下得到了验证,展示了 MVGPR 作为一种有前景的替代方法。
Mar, 2024
本文提出了一种基于随机动态模态分解的新的降阶模型框架,并将其应用于二维流的建模,通过有效地将随机动态模态分解算法和径向基函数插值相结合,我们成功地解决了通过 POD 和 Galerkin 投影方法得到的模型降阶的缺陷,并在非侵入式数据建模中取得了较好的效果。
Nov, 2016
本文提出了一种基于奇异值分解和主成分分析的算法用于时序分类,将所提方法应用于黑洞 GRS 1915+105 的时间序列数据上,结果显示在 12 个时间类别中具有较高的分类准确度。
Jul, 2023
本研究论文介绍实现流体动力学中基于模态分解的分析方法,其中包括 Proper Orthogonal Decomposition(POD)和 Dynamic Mode Decomposition (DMD) 等关键词。
Feb, 2017
优化的动态模态分解算法用于构建自适应且具有高计算效率的全球大气化学动力学的降阶模型和预测工具,通过利用低维度的全球时空模态,可以计算出对应的可解释的空间和时间尺度特征,并通过线性模型实现预测。该方法在三个月的全球化学动力学数据上展示了其在计算速度和可解释性方面的显著性能,成功提取了大气化学的知名主要特征,如夏季地表污染和生物质燃烧活动,并且动态模态分解算法可以迅速重构基础线性模型,以适应非平稳数据和动态变化。
Apr, 2024