Moving Media Wavelet

Analizzando i dati precipitazioni utilizzando modello a media mobile MA e multi-risoluzione modello intelligente Wavelet per la valutazione del rumore per migliorare la previsione accuracy. Cite questo articolo come Akrami, SA El-Shafie, A Naseri, M et al Neural Comput Applic 2014 25 1853 doi 10 1007 previsione s00521-014-1675-0.Rainfall e ravvicinamento della sua grandezza hanno un ruolo enorme e fondamentale nella gestione delle acque e il deflusso previsione l'obiettivo principale di questo lavoro è quello di ottenere la relazione tra serie temporali pioggia raggiunto dalla trasformata wavelet WT e media mobile MA in Klang bacino del fiume, Malaysia a tale scopo, la Haar e Dmey WT sono stati applicati per decomporre la serie temporale precipitazioni in 7, 10 diversi livelli di risoluzione, rispettivamente diversi casi preelaborazione studi basato su 2-, 3-, 5-, 10- , 15-, 20-, 25-, e 30 mesi AdG sono state effettuate alla scoperta di una tendenza a lungo termine rispetto ad un MA-breve termine Le informazioni ei dati sono stati raccolti da Klang Gates Dam, Malesia, 1997-2008 per quanto riguarda il comportamento, le serie storiche di 10-, 15-, 20-, e 30 giorni di pioggia sono scomposto in approssimazione e dettagli coefficiente con diversi tipi di criteri di errore WT coefficiente di correlazione r 2 e root-mean-square vengono applicate per esaminare la le prestazioni dei modelli i risultati mostrano che ci sono alcune somiglianze tra i filtri MA e filtri wavelet approssimazione sotto-serie a causa di eliminazione del rumore, inoltre, i risultati ottenuti che l'alta correlazione con MAS può essere raggiunto tramite Dmey WT rispetto a Haar wavelet per i dati di pioggia Inoltre, i segnali puliti possono essere utilizzati come input del modello per migliorare le prestazioni del modello Pertanto, segnalare le tecniche di decomposizione al fine di pre-elaborazione dei dati potrebbe essere favorevole e potrebbe essere adatto per l'eliminazione dei coefficienti errors. Decomposition Dmey wavelet wavelet Haar Moving accuratezza media Previsione. Akrami SA, Nourani V, Hakim SJS 2014 sviluppo del modello non lineare basata su wavelet-ANFIS per la previsione delle precipitazioni a Klang Gates diga acqua Resour Manag 28 10 2999 3018 CrossRef Google Scholar. Cannas B, Fanni a, vedere L, Sias G 2006 pre-elaborazione dei dati per la previsione del flusso del fiume utilizzando neurali trasforma reti wavelet e dei dati partizionamento Phys Chem Terra 31 1164 1171 CrossRef Google Scholar. Chang FJ, Chen L 1998 reale codificati algoritmo genetico per la gestione dei serbatoi controllo delle inondazioni regola a base d'acqua Resour Manag 12 3 185 198 CrossRef Google Scholar. Chen GY, Bui TD, Krzyżak a 2009 pattern recognition Invariant utilizzando il radon, doppio albero complesso wavelet e trasformate di Fourier modello ti riconosciuti 42 2013 2019 CrossRef MATEMATICA Google Scholar. Chen RJC, Bloomfield P, Fu JS 2003, una valutazione dei metodi di previsione alternativi ricreazione visita J ILO Res 35 4 441 454 Google Scholar. Earth Observation Center, Universiti Malaysia Kebangsaan UKM, Malesia 2013.Fonseca ES, Guido RC, Scalassara PR 2007 analisi Wavelet frequenza tempo e minimi quadrati Support Vector Machines per l'identificazione dei disturbi vocali Comput Biol Med 37 571 578 CrossRef Google Scholar. Fu Y, Serrai H 2011 veloce risonanza magnetica spettroscopica RMsp utilizzando la codifica wavelet e imaging parallelo in vitro risulta J Magn Reson 211 45 51 CrossRef Google Scholar. Genovese L, Videaud B, Ospici M, Deutschd T, Goedeckere S, Mhaut JF 2011 piccole onde Daubechies per alte prestazioni calcoli di struttura elettronica CR Mec 339 149 164 CrossRef MATEMATICA Google Scholar. Lisi F, Nicolis O, Sandri M 1995 combinando l'analisi singolare spettro e le reti neurali per le serie temporali di previsione neurale processo Lett 2 4 6 10 CrossRef Google Scholar. Maier HR, GC Dandy 2000 le reti neurali per la previsione e la previsione di variabili risorse idriche una revisione dei problemi di modellazione e applicazioni Environ Modello softw 15 101 123 CrossRef Google Scholar. Mallat SG 1998 un giro wavelet di segnale elaborazione Academic Press, San Diego MATEMATICA Google Scholar. Masset P 2008 Analysis di serie temporali finanziaria utilizzando Fourier e metodi Wavelet, Università di Friburgo in Svizzera Facoltà di Economia e sociale Science. Newbold P, Carlson WL, Thorne BM 2003 Statistica per le imprese e l'economia quinta versione Prentice Hall, Upper Saddle River Google Scholar. Nourani V, Komasi M, Mano Un approccio 2009 Una multivariata Ann-wavelet per afflussi-deflussi modellazione acqua Resour Manag 23 2877 2894 CrossRef Google Scholar. Partal T, Kisi O 2007 wavelet e neuro modello di collaborazione - fuzzy per la previsione delle precipitazioni J Hydrol 342 199 212 CrossRef Google Scholar. Rioul O, Vetterli M 1991 Wavelets ed elaborazione dei segnali IEEE SP Magazine pp 14 38.Serrai H, L Senhadji 2005 riduzione dei tempi di acquisizione nell'imaging a risonanza magnetica spettroscopica utilizzando wavelet discreta codifica J Magn Reson 177 22 30 CrossRef Google Scholar. Shafiekhah M, Moghaddam MP, lo sceicco El Eslami MK 2011 la previsione prezzo dei mercati dell'energia elettrica del giorno prima con un metodo ibrido di previsione energetica Convers Manag 52 2165 2169 CrossRef Google Scholar. Sifuzzaman M, Islamand MR , Ali MZ 2009 Applicazione della trasformata wavelet e dei suoi vantaggi rispetto a trasformata di Fourier J Phys Sci 13 121 134 Google Scholar. Syed AR, Aqil B, Badar S carico di traffico di rete 2010 Previsione utilizzando filtri wavelet e autoregressivo stagionale modello a media mobile Int J Comput elettr Eng 2 6 1793 8163 Google Scholar. Wu CL, Chau KW, Li YS 2009 Modalità per migliorare le prestazioni della rete neurale nel quotidiano flussi previsione J Hydrol 372 80 93 CrossRef Google Scholar. Yang X, Ren H, Li B 2008 embedded piccole onde albero a zero codifica sulla base di adaptive fuzzy clustering per la compressione delle immagini immagine Vis Comput 26 812 819 CrossRef Google Scholar. Zhao X, Ye B 2010 convoluzione wavelet packet trasformano e le sue applicazioni di elaborazione del segnale Digit segnale di processo 20 informazioni 1352 1364 CrossRef Google Scholar. Copyright. Le applicazioni Natural Computing Forum 2014.Authors e Affiliations. Seyed Ahmad Akrami. Email author. Ahmed El-Shafie. Mahdi Naseri. Celso AG Santos.1 Civile e Dipartimento di Ingegneria Strutturale Universiti Malaysia Kebangsaan UKM Bangi Dipartimento Malaysia.2 dell'Università di Ingegneria Civile Birjand Birjand Iran.3 Dipartimento di Ingegneria civile e ambientale dell'Università federale di Paraba Joo Pessoa Brazil. About questo article. Fusing media mobile modello e la decomposizione wavelet stazionario per rilevamento automatico degli incidenti caso di studio di Tokyo Expressway. Qinghua Liu 1 2.Edward Chung 3. Liujia Zhai 1.1 School of Computer Science and Engineering, Jiangsu, Università di Scienza e Tecnologia, Zhenjiang, Jiangsu, China.2 Facoltà di Ingegneria dei Trasporti, Tongji University, Shanghai, China.3 intelligente Transport Research Centre, Queensland University of Technology, Brisbane, Queensland , Australia. Available linea 24 febbraio 2015.Traffic congestione è un problema crescente in aree urbane in tutto il mondo il settore dei trasporti è stato in studio caso in pieno svolgimento sul sistema di trasporto intelligente per il rilevamento automatico la funzionalità di rilevamento automatico degli incidenti in autostrada è una primaria obiettivo del sistema di gestione avanzata del traffico al fine di salvare vite e prevenire incidenti secondari, rilevamento degli incidenti accurata e tempestiva è necessario Questo articolo presenta una metodologia che integra modello a media mobile MA con decomposizione wavelet stazionario per rilevamento automatico degli incidenti, in cui i parametri di coefficiente di livello sono estratta dalla differenza tra l'occupazione monte ea valle differenza di altri wavelet-basato metodo presentato prima, innanzitutto leviga i dati grezzi con il modello mA Poi utilizza wavelet stazionaria a decomporsi, che può realizzare accurata ricostruzione del segnale, e non si sposta il trasferimento del segnale coefficienti Così, si può rilevare gli incidenti in modo più accurato la soglia per far scattare l'allarme incidente viene anche regolata in base alle normali condizioni di traffico con la congestione La metodologia è convalidato con dati reali provenienti da sensori a ultrasuoni Tokyo Expressway i risultati sperimentali mostrano che è preciso ed efficace, e che è in grado di differenziare incidente stradale da altra condizione, come ricorrenti traffico incidente congestion. automatic detection. moving media model. stationary wavelet decomposition. Tokyo Expressway.1 Introduction. Traffic congestione è un problema crescente in aree urbane in tutto il mondo Han et al 2007 analizzato che gran parte di congestione è causata da incidenti, che si riferiscono ad eventi non ricorrenti quali incidenti, guasti, detriti, versato carichi, tempo inclemente, mantenimento temporaneo e attività di costruzione, così come altri eventi insoliti o speciali che interrompono il normale flusso di traffico durante un incidente, la normale capacità della strada è limitato e le code e ritardi spesso si verificano ogni anno superstrade incidenti e ostruzioni determinano la congestione del traffico, l'inquinamento ambientale e danni materiali, lesioni personali e incidenti mortali accurata e tempestiva rilevamento degli incidenti è fondamentale per la risposta a tali situazioni di emergenza al fine di salvare vite umane, prevenire incidenti secondari, e ripristinare il normale funzionamento in modo tempestivo uno studio Charles 2007 ha rivelato il crescente contributo degli incidenti alla congestione superstrada e altri problemi ha generato forte interesse per il sviluppo di metodi automatici SOCCORSO rilevamento degli incidenti efficienti ed efficaci negli ultimi decenni al giorno d'oggi la funzionalità di aiuto sulla autostrade è un obiettivo primario di avanzate ATMS sistema di gestione del traffico, che è parte integrante di un paese s sistema di trasporto intelligente obiettivo ITS. The di questo lavoro è quello di proporre e validare una metodologia per rilevare incidente sulla superstrada fusione media mobile modello e la decomposizione wavelet stazionaria i dati viene acquisita da sensori a ultrasuoni Tokyo Expressway Nei dati del campo ci sono alcuni dati mancanti causati dal ritardo di comunicazione così come onda d'urto, che possono causare falsi allarmi Quindi la metodologia sviluppata dovrebbe essere robusta con questi rumori che consistono in dati reali per risolvere questo problema, un modello MA viene applicato per lisciare i dati grezzi prima poi decomposizione wavelet viene applicato sul flusso di traffico velocità e occupazione Strada dei dati sotto circostanze normali ha certa inerzia, ma quando si verifica un evento, il traffico cambiamenti di stato di flusso e riflette nello svolgimento del traffico parametri di analisi wavelet ha buone prestazioni, frequenza ideale e le caratteristiche locali nell'analisi dei dati transitori a differenza di altri metodi wavelet-based presentato prima, in questo documento si applica stazionario decomposizione wavelet, in cui il coefficiente di trasferimento del segnale non si sposta e quindi in grado di rilevare il tempo di incidente più accurato la metodologia proposta viene testato con Tokyo Metropolitan Expressway sensori di traffico data. This carta è organizzato come segue Sezione 2 prevede la revisione della letteratura per gli algoritmi di rilevamento degli incidenti Sezione 3 fornisce un'introduzione wavelet trasformata discreta e wavelet stazionaria trasformare i sensori ad ultrasuoni dati di Tokyo Metropolitan Expressway utilizzati in questo studio è introdotta nella sezione 4 Poi la metodologia aiuto proposto per la superstrada è descritto nella sezione 5, seguito dai suoi test e validazione dei risultati con i dati del campo nella Sezione 6, infine, la conclusione e la discussione sono presentati nella sezione 7.2 Letteratura review. Since 1970, un certo numero di sistemi di rilevazione automatica degli incidenti sono stati sviluppati Cook e Cleveland 1974 Bowers et al 1995 Dia e Rose 1997 Cheu et al 2004 Crabtree e Stamatiadis 2007 Jeong et al 2011 e Kadali et al 2014 sistemi beneficiano anche due componenti principali, la tecnologia di rilevamento e l'algoritmo della tecnologia di rilevamento del traffico rilevamento degli incidenti fornisce le informazioni sul traffico necessarie per rilevamento di un incidente, mentre l'algoritmo di rilevamento degli incidenti interpreta queste informazioni e accerta la presenza o l'assenza di incidenti le prestazioni del sistema degli aiuti viene valutata da tre criteri principali Chung e Rosalion 1999 e Jiang et al 2001.2 1 Performance parametri di valutazione sono criteria. The tasso di rilevamento DR, tasso di falsi allarmi FAR, e il tempo medio per rilevare MTTD. The DR è il rapporto tra numero di incidenti rilevati al numero di incidenti registrati nel set di dati è dato come algoritmi percentage. The esaminano incidenti in ogni intervallo di tempo discreto quali 20 s, 30 s e 1 min la FAR è il rapporto di intervallo di rilevamento errato al numero totale di intervalli a cui è stata applicata è generalmente espresso in percentuale per ogni sezione tra il rivelatore monte ea valle station. FAR N f dell'algoritmo N t 100.where N f è il numero di corretto intervallo di rilevamento N t è il numero totale di intervalli in cui l'algoritmo è stato applied. The tempo di rilevamento è la differenza di tempo tra il momento l'incidente è stato rilevato dall'algoritmo e l'effettivo tempo l'incidente si è verificato il MTTD è il tempo medio di rilevamento su n incidents.2 2 rilevamento technology. A serie di tecnologie sono disponibili per la gestione del traffico che vengono utilizzati anche per rilevare incidenti Queste tecnologie comprendono spire induttive utilizzano spire magnetiche o induttivi incorporati in la pavimentazione di rilevare la presenza di un veicolo, il più comune rivelatori radar a microonde, infrarossi, rilevamento ultrasonico, rivelatori non intrusivi, montato su una struttura sopra la microonde carreggiata esegui bene in qualsiasi tempo, mentre altri sono sensibili immagine video effetti ambientale elaborazione delle immagini rilevamento dalla fotocamera è sensibile alla luce ed è stato costoso, ma i costi sono in calo sonde di veicoli, Li e McDonald 2005 descritte che l'installazione di tag di telepedaggio in una quota crescente del parco veicoli ha fornito l'opportunità di utilizzare veicoli sonda come sensori per misurare la velocità e la tecnologia di riconoscimento automatico numero targa tempo di viaggio possono essere utilizzati in alternativa posizione del telefono cellulare è simile nel concetto a sonde veicolo ma utilizzando la triangolazione per monitorare velocità di marcia del veicolo, quindi è in grado di rilevare gli incidenti Cheu et al 2002.As segnalato in precedenza, spire induttive incorporati nella pavimentazione sono tipicamente utilizzati per ottenere i dati sul traffico I dati comprende velocità, portata e di occupazione e è tipicamente fornita in 20 s cicli di dati di questo tipo formerebbe l'ingresso di un algoritmo di rilevamento degli incidenti, che solleverebbe una bandiera per indicare la presenza di un incident.2 3 incidente rilevamento algorithms. A sacco di ricerca e sviluppo si è concentrato sul rilevamento automatico degli incidenti algoritmi Questi algoritmi di aiuto possono essere classificati nelle seguenti categorie. 1 Confronto algorithmsparison algoritmi di confrontare le condizioni di traffico attuali, come il volume e di occupazione per preimpostare le soglie e decidere o meno di un incidente si è verificato Esempi di algoritmi di confronto includono l'algoritmo California, California 7 algoritmo, California 8 algoritmo, e altro modello modificato o migliorato in tempo reale metodo di rilevazione QRS riconoscimento algorithms. A sulla base di movimento-media che incorpora con wavelet denoising. Szi-Wen Chen a. Hsiao-Chen Chen a. Hsiao-Lung Chan ba Dipartimento di Ingegneria elettronica, Chang Gung University, Kwei-Shan, Tao Yuan-333, Taiwan. b Dipartimento di Ingegneria elettrica, Chang Gung University, Kwei-Shan, Tao-Yuan 333, Taiwan. Received 23 ago 2005 Rivisto 21 novembre 2005 Accepted 26 nov 2005 Disponibile on-line 22 maggio 2006.In questo documento, un semplice metodo di calcolo media-based movimento per il rilevamento QRS in tempo reale, si propone, inoltre, per il segnale di pre-elaborazione il nostro algoritmo di rilevamento incorpora anche una procedura di denoising wavelet-based per ridurre efficacemente il livello di rumore per i dati elettrocardiogramma la struttura computazionale complessiva della proposta algoritmo consente il rilevamento QRS da eseguire e implementato in tempo reale ad alta tempo e la memoria-efficienza delle prestazioni algoritmo è stato valutato in base al database MIT-BIH Arrhythmia I risultati numerici hanno indicato che il nuovo algoritmo finalmente raggiunto circa il 99 5 del tasso di rilevamento per il database standard e anche, potrebbe funzionare in modo affidabile anche in condizioni di scarsa qualità del segnale nel misurato ECG data. Electrocardiogram ECG. Moving average. QRS detection. Wavelet denoising. Fig 1 Fig 2 Fig 3 Fig 4 Fig 5.Corresponding autore Tel 886 3 2118800x5792 fax 886 3 2.118.507.