多层递阶模型在地下水位预测中的探讨

多层递阶预报的基本思想,是把具有时变参数的动态系统的状态预报,分离成对时变参数的预报和对系统状态的预报两部分。不再象通常的回归分析那样,参数一旦确定就为定值。它能通过参数的变化反映系统的动态特性。本文将其用于地下水位预测,结果表明,效果较好。     

工业产值预报的多层递阶方法

以往的一步预报模型存在由于固定参数造成的较大预报误差和不能用于多步预报的局限性。阐述用多层递阶方法进行工业产值预报的原理和方法,建立对工业月产值多步预报的非线性时变参数模型。应用实例证明是有效的,多步预报精度较高。     

一种改进的多层递阶预报方法研究

为解决多层递阶方法的预报效果不稳定，特别是预报因子之间存在较大量级差异时预报不稳定的问题，给出了一种改进的多层递阶预报方法-多层递阶回归分析方法，该方法将原模型中的各项看作回归变量作线性回归，再以回归系数与预报因子的乘积作为对原预报因子的修正变量，然后进行多层递阶预报，该方法集多层递阶和回归分析两者的优点，既能较好地体现高相关因子在预报模型中的重要作用，同时对时变系统又具有较强的适应性。     

时间序列在建筑物沉降监测数据分析中的应用研究

在建筑物的沉降监测中,采用时间序列方法对观测数据进行分析处理,建立建筑物的动态沉降预测模型,并对其沉降趋势进行预测．从而选择合适的解决方案和采取相应的地基处理措施．把沉降量限定在允许范围内是极为重要的．介绍了时间序列分析方法中的AR模型,AR模型阶数的确定、参数估计、模型检验以及预报分析的方法,并结合某建筑物沉降观测的数据为例进行说明．     

船摇数据的时间序列模型处理

采用时间序列法可以弥补最小二乘法难以判别连续多个异常点的缺陷。首先,利用递推的方法得到模型的阶数和系数,然后分别使用最小二乘法、时间序列法处理船姿的纵摇数据,最后分析判断两种方法在探测出异常点的可行性和预测的精确性。     

基于AR模型的建筑物沉降预测

针对传统回归模型在高层建筑物沉降预测中,出现的由于自变量的选择而造成的多重共线等问题,本文提出了一种以FPE准则定阶的时间序列(AR)模型。以桂林市临桂县某农贸市场周边建筑物的沉降变形为例,在分析利用自相关函数和偏相关函数来对模型进行判定和识别且用FPE定阶准则确定模型的阶数的基础上,对建筑物的沉降观测数据进行建模分析,得到了均方误差为0.055 6的预测精度,很好地克服了传统回归模型中存在的问题,结论具有一定的实用价值。     

我国股价指数的时间序列模型研究

基于收盘上证指数和深证成指的实际数据资料，利用SAS／ETS软件，采用赫斯特（H.E.Hurst）提出的R／S分析方法，在论证了我国证券市场为持久性随机过程的基础上，建立了沪深两市的AR－EGARCH模型。指出，就目前我国证券市场而言，AR－EGARCH模型要比ARIMA模型更适合于描述沪、深两个证券市场的股价指数序列变动的非线性规律。     

关于时间序列AR模型定阶问题的一些研究

本文对AR模型的差比定阶方法进行了修正;并从工程应用角度,在机械故障诊断的领域里,提出分低阶AR模型和高阶AR模型的观点以及根据FFT-AR谱相似系数取最大值的定阶方法。     

动态非线性模型参数多层递阶估计法

针对目前通用的动态系统状态预报方法的不足,提出关于动态非线性模型参数估计的多层递阶估计法,并对预报误差的原因进行了分析,使预报精度得到提高。     

不可分多目标大系统的递阶算法

本文考虑一类大规模递阶控制系统，其全局目标函数是多个二次性能指标的非线性和不可分函数，应用多目标最优化技术的可分策略及大规模系统的三层目标协调方法，得到了一个四层递阶最优控制算法．     

混沌序列优化预测模型研究

混沌是一种普遍的非线性动力学行为,大多数情况下是有害的。针对混沌时间序列的难以预测和控制的问题,提出了基于趋势的混沌预测模型,用改进的最优化方法来估计模型的参数,在其相空间中对时序的未来值进行预测。算例表明,选取最佳的模型阶数能增加预测的准确程度,预测效果比统计方法好。     

模糊时间序列模型在短期气候预测中的应用

将模糊时间序列模型引入短期气候预报,利用重庆34个地面气象观测站的逐日观测资料(1971—2007年)和重庆市旱涝灾害监测预警决策服务系统计算的干旱指数和洪涝指数等资料,运用模糊时间序列模型分别对2001—2007年重庆市城口县1月降水、1月平均气温的预报结果(年度预测)和重庆市春旱指数的预报结果(年度预测)进行了模糊时间序列分析,预测了2004—2007年的发展趋势,用2004—2007年实测值与预测结果进行了比较,并与加权集成、人工神经网络集成、数据挖掘集成等模型进行了精度比较和分析.结果表明:模糊时间序列模型各项精度评定指标优良,并且计算简单,具有一定的实用价值.     

大型旋转机械非平稳时间序列预测模型的研究

目的 许多大型旋转机械运行工况恶劣,非平衡,非线性特征明显,以及各种突发性,偶然性因素的影响,给其于振动信号处理的状态预测和状态维护分析带来困难,为此研究了非平衡时间序列预测模型。方法 在分析传统时序模型振动烈度趋势预测适用性的基础上,提了适合于变工况非平稳状态的非平稳时序模型。结果和结论 该方法有效地剔除了用于预测的历史数据中的野值及奇异点,修正了预测结果。     

Application of wavelet transform to recursive prediction of vibration signals

Much attention has been given to time series pre-diction in many fields, such as fault diagnosis[1],weather forecast, oil exploration, electric power distri-bution, satellite communication etc. However, mostprediction methods use a linear model to represent thepredicted object in a stationary time series, such as theAR and ARMA model prediction. Because the sam-pling data can be affected by many practical measure-ment factors, the sampling data rarely meets the hypot-heses of stationarity an…     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

多因素时间序列的灰色预测模型

对于传统的单因素时间序列预测法在实际应用中的不足之处,提出采用灰色DGM(1,1)模型和多元线性回归原理相结合的方法,综合各种因素建立多因素时间序列的灰色预测模型。它首先利用DGM(1,1)模型对影响事物发展趋势的各项因素进行预测;然后利用多元线性回归法将各种因素综合起来,以预测事物的发展趋势。最后将该模型应用于预测分析陕西省的就业状况,取得了较好的预测效果,同时也验证了此模型的可行性。     

基于暂态混沌神经网络的低阶混沌时间序列预测

暂态混沌神经网络是一种基于Hopfield网络提出的混沌神经网络,具有收敛速度快、不易陷入局部极小等优点．许多低阶的混沌系统都可以展成二阶volterra级数,因此提出一种基于暂态混沌神经网络和volterra级数的低阶混沌时间序列预测方法．该方法利用暂态混沌神经网络计算系统的volterra级数系数,确定系统的动力学模型,从而实现混沌时间序列预测．利用Logistic模型对该方法进行测试,结果表明,预测相对误差小于0．5％,预测可达到较高的速度和精度．     

基于混沌时间序列的旋转机械状态趋势预测研究

针对旋转机械设备的非平稳运行状态,以混沌理论为基础,将最大Lyapunov指数的预测模型引入旋转机械故障趋势预示,阐述了构造预报函数f ^或F ^的两种方法,提供了混沌时间序列的最大可预测时间的计算方法,通过对大型机组实验数据的分析,证明了在最大预测时间内,该预测方法是较理想的.     

一种水文时间序列预报的新方法

介绍了混沌和人工神经网络的理论及其在水文中的应用 ,在此基础上分析了水文时间序列中嵌入维数和BP神经网络的输入节点数的内在联系 ,提出用嵌入维数作为BP神经网络输入节点数的新方法 .计算了宜昌日径流时间序列的李氏指数和嵌入维数 ,确定其具有混沌特性 ,并用新的方法做了预测 ,同混沌中局域预测法的预测结果做了比较 ,结果显示新的方法效果明显较好 .