论文部分内容阅读
文章主要结合非平稳性度量理论(NS),研究利用经验模态分解(Empirical Mode Decomposition, EMD)算法进行趋势噪声分解。首先针对EMD端点效应的问题,考虑到对于去噪的需要,提出了单个极值的镜像延拓的新方法。此方法改进了镜像延拓方法,相比二次多项式拟合,一次线性拟合,镜像延拓等消除飞翼的方法,更为有效的消除了端点飞翼效应,且更适合于趋势噪声分解。在分析研究了现有EMD去噪方法的弊端后,针对EMD去噪中舍弃本性模态函数(Intrinsic Mode Function, IMF)数量判别问题,从噪声的平稳性质出发,提出一个全新的基于非平稳性度量的准则,该准则是以噪声的平稳性及高频特性作为依托,依次将EMD分解的本性模态函数从高频到低频加入预设噪声集,形成新的噪声集,同时计算其非平稳度量值NS,当其NS>0.1时,终止算法。我们认为加入到预设噪声集当中的IMF组合起来形成了影响系统的噪声,而未加入到预设噪声集当中的IMF组合起来形成了系统主趋势曲线。接着通过实验证明了,该准则在较强的正态独立及H=0.3的分数布朗运动增量的噪声下,对各种复杂趋势都得到了很好的去噪效果；但在较强的H=0.7的分数布朗运动增量噪声下,表现一般。进一步,还定性的分析了噪声强度及趋势复杂程度对去噪效果的影响。在与经典的连续均方误差准则(Consecutive Mean Square Error, CMSE)比较中,通过模拟数据实验证明了非平稳性度量准则克服了连续均方误差准则的缺陷。此外,考虑在去除噪声的过程中,EMD产生的第一个IMF是至关重要的,为得到较为精准的首个IMF,避免误差的传递及产生虚假趋势,在EMD算法产生第一个IMF时引入平稳性作为辅助停止条件,实验证明,加入该条件比不加入该条件的算法具有更优良的效果。最后利用美元兑口元汇率从1994年到2012年的数据进行实证去噪分析,选取具有代表性的四个时间段进行实验,在去除噪声影响后,很好的把握了汇率的趋势,并且分离出来的汇率趋势对经济事件和现象能够进行很好的反映。