现代社会新能源汽车的利用率越来越高，很多城市都开始推广新能源汽车，政府也开始重视新能源汽车的发展。对于整个配电网来说，对短期新能源汽车充电站的负荷的预测是很有必要的。文中提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN) 与量子遗传算法(QGA) -Elman 组合的模型对相似日新能源汽车充电站进行负荷预测。利用新能源汽车充电站所给的相似日的历史数据作为输入参数训练所建立的模型来预测次日的发电量。该组合模型在减小预测误差方面有所改进，研究的问题有一定应用价值。

基于交替三线性分解(ATLD)研究了芳烃类化合物的荧光光谱。通过完整集成经验模态分解(CEEMDAN)及小波软阈值算法对荧光光谱进行了去噪处理, 处理后信噪比为28.51, 均方根误差为3.52×103。ATLD算法能成功分辨出1-萘酚、2-萘酚和萘, 三种物质的回收率分别为96%~103.3%, 97.24%~103.9%和97.2%~103.6%。结果表明, ATLD算法对芳烃类化合物具有良好的预测性能。

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响, 提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪; 同时, 根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先, 将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程, 介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后, 应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪, 并将其标准差和信噪比作为评价指标。实验结果表明: 应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4, 信噪比为19.117 5 dB, 实现了信号与噪声的分离, 改善了重构信号质量, 具有良好的自适应性, 可以有效识别并提取有用信息。

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)拉曼光谱去噪方法。利用排列熵(PE)作为代表噪声的内在模式分量(IMF)的判据，并对其进行阈值滤波以消除噪声，得到消除噪声的拉曼光谱重构信号。采用该方法对乙醇水溶液的拉曼光谱数据进行去噪研究。结果表明，该方法有效地消除了拉曼光谱中的噪声；与经验模态分解法(EMD)和总体平均经验模态分解法(EEMD)的对比表明，CEEMDAN 去噪法不但在高信噪比的拉曼光谱信号去噪中取得良好的去噪效果，而且在低信噪比的拉曼光谱信号去噪中依然优势明显。