为了解决脑电信号的非平稳特性难以分析，以及分类识别率低等问题，研究设计了基于自适应噪声完备经验模态分解（CEEMDAN）与多特征融合方......

针对心音信号非平稳性、非线性的特征，为了更直观地把心音信号的特征显示出来，提高分类识别的高效性，提出了一种自适应噪声完备经验模......

为了提高风速预测的准确性，提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该......

由于股指序列的预测难度大，为了改善预测精度，我们提出了一种基于复合降噪分解、优化预测和集成的综合研究方法来分析预测股票指数。......

光伏逆变器开路故障种类较多且特征相似，因此故障诊断准确率不高。文章将自适应噪声完备经验模态分解和改进深度置信网络相结合，提出......

聚焦于具有极度非线性、非平稳性等特征的比特币价格预测问题,在长短时记忆网络（Long Short-Term Memory, LSTM）基础上构建了4个混合......

检测人体生理参数可以帮助人们了解自身的健康状况,及时发现疾病并治疗,在医学体系中具有重要意义。基于成像式光电容积描记（Imagin......

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要.针对传统确定性预测不能......

针对轮齿振动信号识别诊断困难的问题,提出以自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with ......

针对脑电(EEG)信号容易被眼电(EOG)伪迹污染,而常规伪迹去除算法会导致EEG有用信息大量丢失的问题,提出一种采用样本熵完备经验模......

微地震资料信噪比过低,传统方法的初至拾取精度与稳定性大多不理想。将基于自适应噪声完备经验模态分解(CEEMDAN)与主成分分析(PCA......