Moving Gjennomsnittet Wavelet

Regnfallsdataanalyse ved hjelp av bevegelige gjennomsnittlige MA-modeller og wavelet multi-oppløsning intelligent modell for støyevaluering for å forbedre prognosenes nøyaktighet. Sitt denne artikkelen som Akrami, SA El-Shafie, A Naseri, M et al., Neural Comput Apply 2014 25 1853 doi 10 1007 s00521-014-1675-0.Resultatprognose og tilnærming av dens størrelse har en stor og viktig rolle i vannforvaltning og avrenningsprognoser Hovedformålet med dette papiret er å oppnå forholdet mellom nedbørstidsserier oppnådd fra wavelet transformasjon WT og glidende gjennomsnitt MA i Klang River-bassenget, Malaysia Til dette formål ble Haar og Dmey WTs anvendt for å dekomponere nedbørstidsseriene til 7, 10 forskjellige oppløsningsnivåer. Flere forhåndsbehandlingsstudier basert på 2-, 3-, 5-, 10- , 15, 20, 25 og 30 måneder ble utført for å oppdage en langsiktig trend sammenlignet med en kortere periode MA Informasjonen og dataene ble samlet fra Klang Gates Dam, Malaysia, fra 1997 til 2008 Når det gjelder oppførselen, dekomponeres tidsseriene med 10-, 15-, 20- og 30-dagers nedbør i tilnærming, og detaljer koeffisient med forskjellig type WT korrelasjonskoeffisient R2 og rot-middel-kvadrat-feilkriterier blir anvendt for å undersøke Utførelsen av modellene Resultatene viser at det er noen likheter mellom MA-filtre og wavelet-tilnærmings-subseriefiltre på grunn av støyreduksjon. Dessuten oppnådde resultatene at den høye korrelasjonen med MAs kan oppnås via Dmey WT sammenlignet med Haar wavelet for nedbør data Videre kan rene signaler brukes som modellinnganger for å forbedre modellens ytelse. Derfor kan signal dekomponeringsteknikker med det formål å forhåndsbehandle data være gunstige og kunne være hensiktsmessige for eliminering av feilene. Komposisjonskoeffisientene Dmey wavelet Haar wavelet Flytende gjennomsnitt Forutsigbar nøyaktighet. Akrami SA, Nourani V, Hakim SJS 2014 Utvikling av ikke-lineær modell basert på wavelet-ANFIS for nedbørsprognose g på Klang Gates Dam Water Resour Manag 28 10 2999 3018 CrossRef Google Scholar. Cannas B, Fanni A, Se L, Sias G 2006 Dataforbehandling for flodstrømprognoser ved hjelp av nevrale nettverk wavelet-transformasjoner og datadisisjonering Phys Chem Earth 31 1164 1171 CrossRef Google Scholar. Chang FJ, Chen L 1998 Reell kodet genetisk algoritme for regelbasert flomkontrollreservoarstyring Water Resour Manag 12 3 185 198 CrossRef Google Scholar. Chen GY, Bui TD, Krzyzak En 2009 Invariant mønstergenkjenning ved hjelp av radon, dual-tree kompleks wavelet og Fourier transformer Pattern Recogn 42 2013 2019 CrossRef MATH Google Scholar. Chen RJC, Bloomfield P, Fu JS 2003 En evaluering av alternative prognosemetoder til rekreasjonsbesøk J leis Res 35 4 441 454 Google Scholar. Earth Observation Center, Universiti Kebangsaan Malaysia UKM , Malaysia 2013.Fonseca ES, Guido RC, Scalassara PR 2007 Wavelet-tidsfrekvensanalyse og minst kvadrater støttevektormaskiner for identifisering av stemmeforstyrrelser Comput Biol Med 37 571 578 CrossRef Google Scholar. Fu Y, Serrai H 2011 Hurtig magnetisk resonansspektroskopisk avbildning MRSI ved hjelp av wavelet-koding og parallell bildebehandling in vitro resultater J Magn Reson 211 45 51 CrossRef Google Scholar. Genovese L, Videaud B, Ospici M, Deutsche T, Goedeckere S, Mhaut JF 2011 Daubechies-bølger for høypresterende elektroniske strukturberegninger CR Mec 339 149 164 CrossRef MATH Google Scholar. Lisi F, Nicolis O, Sandri M 1995 Kombinere singulærspektrumanalyse og nevrale nettverk for prognoser for tidsserier Neural Process Lett 2 4 6 10 CrossRef Google Scholar. Maier HR, Dandy GC 2000 Neurale nettverk for prognose og prognose av vannressursvariabler en gjennomgang av modelleringsproblemer og applikasjoner Environ Model Softw 15 101 123 CrossRef Google Scholar. Mallat SG 1998 En wavelet tur i signalbehandling Academic Press, San Diego MATH Google Scholar. Masset P 2008 Analyse av økonomiske tidsserier ved hjelp av Fourier og Wavelet Methods, University of Fribo presse Sveits Fakultet for økonomi og samfunnsvitenskap. Newbold P, Carlson WL, Thorne BM 2003 Statistikk for næringsliv og økonomi Femte versjonen Prentice Hall, Upper Saddle River Google Scholar. Nourani V, Komasi M, Mano A 2009 En multivariativ ANN-wavelet tilnærming til nedbørsmodellering Water Resour Manag 23 2877 2894 CrossRef Google Scholar. Partal T, Kisi O 2007 Wavelet og nevro-fuzzy conjunction modell for nedbør prognoser J Hydrol 342 199 212 CrossRef Google Scholar. Rioul O, Vetterli M 1991 Wavelets and signal processing IEEE SP Magazine s. 14 38.Serrai H, Senhadji L 2005 Oppkjøpstid reduksjon i magnetisk resonansspektroskopisk avbildning ved bruk av diskret wavelet-koding J Magn Reson 177 22 30 CrossRef Google Scholar. Shafiekhah M, Moghaddam MP, Sheikh El Eslami MK 2011 Prisoversikt av dag - fremtidige elektrisitetsmarkeder ved hjelp av en hybridprognosemetode Energy Convers Manag 52 2165 2169 CrossRef Google Scholar. Sifuzzaman M, Islamand MR, Ali MZ 2009 Anvendelse av wavelet transformere og dens fordeler sammenlignet med fireier transformasjon J Phys Sci 13 121 134 Google Scholar. Syed AR, Aqil B, Badar S 2010 Forecasting nettverkstrafikkbelastning med waveletfiltre og sesongbasert autoregressiv glidende gjennomsnittlig modell Int J Comput Electr Eng 2 6 1793 8163 Google Scholar. Wu CL, Chau KW, Li YS 2009 Metoder for å forbedre nevrale nettverksytelse i daglig strømsprognose J Hydrol 372 80 93 CrossRef Google Scholar. Yang X, Ren H, Li B 2008 Embedded zero tree wavelets-koding basert på adaptiv fuzzy clustering for bilde komprimering Image Vis Comput 26 812 819 CrossRef Google Scholar. Zhao X, Ye B 2010 Konvolusjon wavelet pakke transformere og dets applikasjoner til signalbehandling Digitalsignalprosess 20 1352 1364 CrossRef Google Scholar. Copyright informasjon. The Natural Computing Applications Forum 2014.Authors and Affiliations. Seyed Ahmad Akrami. Email author. Ahmed El-Shafie. Mahdi Naseri. Celso AG Santos.1 Sivilingeniør og Strukturell Avdeling Universiti Kebangsaan Malaysia UKM Bangi Malaysia.2 Institutt for ingeniørfag University of Birjand Birjand Iran.3 Institutt for sivil og miljøteknikk Føderasjonsuniversitetet i Paraba Joo Pessoa Brazil. Om denne artikkelen. Fusing glidende gjennomsnittsmodell og stasjonær wavelet-dekomponering for automatisk hendelsesdeteksjonssakstudie av Tokyo Expressway. Qinghua Liu 1 2.Edward Chung 3. Liujia Zhai 1.1 Skole for datavitenskap og teknologi, Jiangsu universitet for vitenskap og teknologi, Zhenjiang, Jiangsu, China.2 Skole for transportteknologi, Tongji University, Shanghai, China.3 Smart Transport Research Center, Queensland University of Technology, Brisbane, Queensland , Australia. Tilgjengelig online 24. februar 2015. Trafikkoverbelastning er et voksende problem i byområder overalt verden Transportsektoren har vært i full gang hendelsesstudie på intelligent transportsystem for automatisk gjenkjenning Funksjonaliteten til automatisk hendelsesdeteksjon på motorveier er et hovedmål for avansert trafikkstyringssystem For å redde liv og forhindre sekundære hendelser, nøyaktig og rask hendelse deteksjon er nødvendig Dette papiret presenterer en metodikk som integrerer glidende gjennomsnittlig MA-modell med stasjonær wavelet-dekomponering for automatisk hendelsesdeteksjon, der parametere av lagkoeffisient blir hentet fra forskjellen mellom oppstrøms og nedstrøms belegget I motsetning til annen waveletbasert metode presentert før, for det første det jevner de rå dataene med MA-modellen Deretter bruker den stasjonær wavelet til å dekomponere, som kan oppnå nøyaktig rekonstruksjon av signalet og ikke skifter signaloverføringskoeffisientene. Det kan derfor gjenkjenne hendelsene mer nøyaktig. Terskelen for å utløse hendelsesalarm er også justert etter t o normal trafikktilstand med overbelastning Metoden er validert med ekte data fra ultralydssensorer fra Tokyo Expressway. Eksperimentelle resultater viser at det er nøyaktig og effektivt, og at det kan skille trafikkulykke fra andre tilstander som for eksempel trafikkbelastning. model. stationary wavelet decomposition. Tokyo Expressway.1 Introduksjon. Trafikkoverbelastning er et voksende problem i urbane områder over hele verden Han og al 2007 analyserte at mye av trengsel er forårsaket av hendelser som refererer til engangssykdommer som ulykker, nedbrudd, rusk, spildbelastning, dårlig vær, midlertidig vedlikeholds - og byggevirksomhet, samt andre uvanlige eller spesielle hendelser som forstyrrer den normale trafikkstrømmen. Under en hendelse er den normale kapasiteten til veien begrenset, og køer og forsinkelser ofte forekommer Hvert år fører ekspedisjonsulykker og hindringer i trafikkbelastning, miljøforurensning på og skader i eiendom, personskade og dødsfall Nøyaktig og rask innretting av hendelser er avgjørende for svaret på slike nødsituasjoner for å redde liv, forhindre sekundære hendelser og gjenopprette normal drift i tide. En studie Charles 2007 avslørte den økende bidrag av hendelser til trafikkveier og andre problemer har generert stor interesse for utvikling av effektive og effektive automatiske hendelsesdeteksjons AID-metoder i de siste tiårene. I dag er funksjonaliteten til AID på motorveiene et hovedmål for avanserte trafikkstyringssystem ATMS, som er en integrert del av et lands intelligente transportsystem ITS. Målet med dette papiret er å foreslå og validere en metode for å oppdage hendelsen på motorveisfusing, flytende gjennomsnittlig modell og stasjonær wavelet-dekomponering. Dataene er anskaffet fra Tokyo Expressway-ultralydssensorer. I feltet data er det noen manglende data forårsaket av comm uniformeringsforsinkelse samt shockwave som kan forårsake falsk alarm. Den utviklede metodikken bør derfor være robust med disse lydene som består av reelle data. For å løse dette problemet, brukes en MA-modell for å glatte de rå dataene først. Deretter blir wavelet-dekomponering påført hastigheten og belegningsdata Veitrafikkstrømmen under normale omstendigheter har viss treghet, men når en hendelse oppstår, endrer trafikkstrømstilstanden og reflekterer i trafikkparametrene. Wavelet-analysen har god ytelse, ideell frekvens og lokale egenskaper ved analyse av forbigående data I motsetning til annen waveletbasert metode som er presentert tidligere, brukes i dette papiret stasjonær wavelet-dekomponering, hvor signalets overføringskoeffisient ikke skifter og dermed kan oppdage tidspunktet for hendelsen mer nøyaktig. Den foreslåtte metoden blir testet med Tokyo Metropolitan Expressway trafikk sensorer data. This paper er organisert som følger Seksjon 2 gir litteratur gjennomgang for i ncident deteksjon algoritmer Seksjon 3 gir en introduksjon til diskret wavelet transformasjon og stasjonær wavelet transformasjon. Ultralyd sensor data fra Tokyo Metropolitan Expressway brukt i denne studien er introdusert i Seksjon 4 Da er den foreslåtte AID-metoden for motorvei beskrevet i avsnitt 5 etterfulgt av dens testing og Valideringsresultater med feltdataene i seksjon 6 Til slutt er konklusjonen og diskusjonen presentert i Seksjon 7.2 Litteratur gjennomgang. Siden 1970-tallet har en rekke automatiske hendelsesdeteksjonssystemer blitt utviklet Cook and Cleveland, 1974 Bowers et al 1995 Dia and Rose, 1997 Cheu et al 2004 Crabtree and Stamatiadis, 2007 Jeong et al 2011 og Kadali et al. 2014 AID-systemer involverer to hovedkomponenter, detekteringsteknologi og hendelsesdeteksjonsalgoritme. Trafikkdetekteringsteknologien gir trafikkinformasjonen som er nødvendig for å oppdage en hendelse mens hendelsesdetekteringsalgoritmen tolker denne informasjonen og fastslår tilstedeværelsen eller mangel på hendelser Utførelsen av AID-systemet er vurdert av tre hovedkriterier Chung and Rosalion, 1999 og Jiang et al 2001.2 1 Prestasjonsevalueringskriterier. Parametrene er detekteringsfrekvens DR, falsk alarmfrekvens FAR og gjennomsnittlig tid for å oppdage MTTD. DR er forholdet mellom antall detekterte hendelser til det registrerte antall hendelser i datasettet. Det er oppgitt som en prosentandel. Algoritmene undersøker hendelser ved hvert diskret tidsintervall som 20 s, 30 s og 1 min. FAR er forholdet av feil registreringsintervall til totalt antall intervaller som algoritmen ble brukt på. Det uttrykkes vanligvis som prosent per snitt mellom oppstrøms og nedstrøms detektorstasjon. FARNfNt 100. hvor Nf er antall feil registreringsintervall N t er det totale antall intervaller som algoritmen ble brukt på. Tidspunktet for deteksjon er tidsforskjellen mellom tidspunktet hendelsen ble detektert av algoritmen og den faktiske tiden hendelsen okkuperte rred MTTD er den gjennomsnittlige tiden for deteksjon over n hendelser.2 2 Deteksjonsteknologi. En rekke teknologier er tilgjengelige for trafikkstyring som også brukes til å oppdage hendelser. Disse teknologiene inkluderer induktive sløyfedetektorer bruker magnetiske eller induktive sløyfer innebygd i fortauet til detektere nærvær av et kjøretøy, de vanligste detektorer mikrobølgeradar, infrarød, ultralyd deteksjon, ikke-påtrengende detektorer, montert på en struktur over veibanen Mikrobølgeovn virker godt i alle vær, mens andre er følsomme for miljøeffekter fra kameraet er følsomt for lys og har vært dyrt, men kostnadene slipper kjøretøyprober, Li og McDonald 2005 beskrev at installasjonen av elektroniske bompenker i en økende andel av bilparken ga mulighet til å bruke sondebiler som sensorer for å måle hastigheter og kjøretid Automatisk nummerplate anerkjennelse teknologi kan brukes alternativt mobi le telefonplassering er lik i konsept til bilprober, men bruker triangulering for å overvåke kjøretøyets kjørehastigheter, og dermed er det i stand til å oppdage hendelser Cheu et al 2002. Som tidligere rapportert, er induktive sløyfedetektorer som er innebygd i fortauet vanligvis brukt til å skaffe trafikkdata The data omfatter hastighet, flyt og belegget og er vanligvis gitt i 20 s sykluser. Data av denne typen ville danne inngangen til en hendelsesdetekteringsalgoritme som ville øke et flagg for å indikere tilstedeværelsen av en hendelse.2 3 Hendelsedeteksjonsalgoritmer. En masse av forsknings - og utviklingsarbeid har fokusert på automatiske hendelsesdeteksjonsalgoritmer. Disse AID-algoritmene kan klassifiseres i følgende kategorier. 1 Sammenligningsalgoritmsparisonalgoritmer sammenligner de nåværende trafikkforholdene som volum og belegget til forhåndsdefinerte terskler og bestemmer om en hendelse har oppstått eller ikke. Eksempler på sammenligningsalgoritmene inkluderer California-algoritmen, California 7-algoritmen, California 8-algoritmen og annet modifisert eller forbedret mønster anerkjennelsesalgoritmer. En sanntids-QRS-deteksjonsmetode basert på bevegelsesverdi som inkorporerer med wavelet denoising. Szi-Wen Chen a. Hsiao-Chen Chen a. Hsiao-Lung Chan ba Institutt for elektronisk ingeniørfag, Chang Gung University, Kwei-Shan, Tao-Yuan 333, Taiwan. b Institutt for elektroteknikk, Chang Gung Universitet, Kwei-Shan, Tao-Yuan 333, Taiwan. Mottatt 23. august 2005 Revidert 21. november 2005 Godkjent 26. november 2005 Tilgjengelig på nettet 22. mai 2006. I dette papiret, en enkel, flytende, gjennomsnittlig databehandlingsmetode for sanntids-QRS-deteksjon er foreslått I tillegg innbefatter vår detekteringsalgoritme også en wavelet-bas for signalbehandling ed denoising prosedyre for å effektivt redusere støynivået for EKG-elektrokardiogramdata Den overordnede beregningsstrukturen til den foreslåtte algoritmen tillater QRS-deteksjonen å bli utført og implementert i sanntid med høytids - og minneeffektivitet Algoritmytelsen ble evaluert mot MIT - BIH-arrytmiabase De numeriske resultatene indikerte at den nye algoritmen til slutt oppnådde ca. 99 5 av deteksjonsraten for standarddatabasen, og den kunne også fungere pålitelig, selv under betingelse av dårlig signalkvalitet i de målte EKG-data. Elektrokardiogram EKG. Moving gjennomsnittlig. QRS-deteksjon. Wavelet denoising. Fig 1 Fig 2 Fig 3 Fig 4 Fig 5.Korresponderende forfatter Tel 886 3 2118800x5792 faks 886 3 2118507.