一种改进的时间序列建模方法

使用动态数据建模(DDS)法与Box-Jenkins建模法相结合的方法建立时间序列模型,使两种方法的优点互相结合起来,简化了现有的建模过程.在使用MATLAB进行仿真后,快速、方便地得到了相应的模型.该方法能较快地完成建模,较适用于对模型精度要求不太高的地方.     

基于时间序列的火控系统精度分析

对于火控系统动态精度试验所获得的数据.以往的精度检测方法只是说明火控系统在整体误差上是满足射击精度要求的,不能说明火控系统一直工作在很"稳定"的状态,本文在时间序列的基础上对数据进行动态数据建模,运用matlab建立模型进行系统辨识与残差分析后,对火控系统精度进行了鉴定,实验证明这种方法有效可行.     

Matlab的动态数据交换及其应用研究

为了充分利用Matlab强大的矩阵运算能力及其丰富的工具箱,对Matlab的动态数据交换进行了研究,通过动态数据交换完成Matlab与其他应用程序间的通信,从而为Matlab在实时控制中的应用奠定了基础。将Matlab模糊控制工具箱开发出来的模糊控制算法用于电气加热炉的控制,控制效果非常好。     

经济时间序列的非线性建模和计算机仿真计算

研究了经济类数据的非线性特征,提出利用Logistic类混沌时间序列通过一个线性滤波器来实现对该种时间序列的建模。指出经济类时间序列的功率谱具有1／f特性,其分形维数较高,而经过一个特殊的线性滤波器后,可以用一个低维的非线性系统建模。     

多变量时间序列的建模预报及其应用

本文针对推广的Box-Jenkins型多变量传递函数模型,提出了实用的建模预报新算法.算法中包括本文提出的噪声统计特性指数加权有限记忆自适应估计器(EWLMAE)和双置信区间的不良数据检测方法,以及估计预报算式.相对于其他算法,因算法全部采用线性算式,系统部分和噪声部分参数同时估计,故计算较简单,收敛速度较快.仿真和应用结果验证了所提算法的有效性.     

基于动态数据交换的组态软件与Matlab应用程序间的通信

在很多组态软件中 ,实现复杂的控制算法很困难 ,鉴此提出了基于动态数据交换技术实现组态软件与Matlab互联以及数据实时交换的新方法。应用表明 ,该方式的数据交换具有快速、稳定的优点。     

高阶常微分方程的演化建模用于时间序列的分析

本文提出采用高阶常微分方程模型代替传统的时序分析中所用的ＡＲＭＡ模型来实现一维动态系统的建模,并针对传统方法建模过程中所遇到的困难,设计了将遗传程序设计与遗传算法个嵌套的混合演化建模算法,以遗传程序设计优化模型结构,以遗传算法优化模型参数,首次成功地实现了动态系统的高阶微分方程建模过程自动化,对三个典型时间序列实例的实验结果表明：采用此算法可由计算机自动发现适合描述该动态系统的高阶常微分方程模型,     

GPS误差的时间序列分析建模研究

定位精度是影响全球定位系统(GPS)应用的重要因素之一,目前采用的差分GPS虽然能够有效地提高定位精度,但属于非自主式定位方法,易被发现和攻击,限制了系统的应用范围;而组合导航定位系统结构复杂,实现成本较高。利用时间序列分析方法,分析GPS误差序列的统计特性,建立误差模型,可有效地改善GPS预报结果,提高定位精度。结合实际采样数据,给出了具体实现方法,实验结果表明了利用时间序列分析方法进行GPS数据建模分析的有效性及可行性。     

一类随机连续信号的时间序列分析与建模

讨论由随机微分方程描述的随机连续信号的辨识建模问题,提出并证明了非平稳的连续Ｗｉｅｎｅｒ过程通过稳定的连续线性系统后为平稳随机过程,且均值和自相关函数阵为时间遍历的,基于状态空间分析,给出了连续随机信号建模的时间序列分析方法,并证明了参数估计的一致性收敛性,仿真结果显示了所提出方法的有效性,     

模糊RBF神经网络在时间序列建模中的应用

本文针对时间序列传统ＡＲ建模精度及算法的局限性,提出使用模糊ＲＢＦ神经网络对信号进行建模的方法,仿真结果表明,该方法具有良好的预测效果。     

基于MATLAB的时间序列建模与预测

该文介绍了MATLAB系统辨识工具箱在时间序列方面的应用。首先叙述了动态数据的分析与处理方法,时间序列模型阶次的判定及建模过程,然后给出了利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,以及预报的方法和步骤,最后使用该方法对某水厂日供水量进行预测,结果说明该方法具有极强的实践意义。     

基于增量动态时间弯曲的时间序列相似性度量方法

针对动态时间弯曲方法计算时间过长的问题,提出增量动态时间弯曲来度量较长时间序列之间的相似性。首先利用动态时间弯曲方法对历史时间序列数据进行相似性度量,得到相应的历史最优弯曲路径和路径中各元素的累积距离代价。其次,通过逆向弯曲度量方法完成当前序列数据 的相似性度量,结合历史数据信息找到与历史弯曲路径相交且度量时间序列距离为当前最小值的新路径,进而实现增量动态时间弯曲的相似性度量。该方法不仅具有良好的度量质量,还具有较高的时间效率。数值实验表明,对于大部分时间序列数据集,新方法的分类准确率和计算性能要优于经典动态时间弯曲。     

进化回归神经网络对时序数据和关联数据的建模能力研究

重点研究进化回归神经网络对时序数据和关联数据的建模能力。针对两个标准问题,采用不同形式的建模数据,比较了前向网络和回归神经网络的建模及预测效果,进一步将进化算法用于不同结构回归神经网络的训练并比较了它们的建模能力。仿真结果表明回归神经网络对时序关联数据有很好的建模和预测能力,相比于前向网络,无需过程时序特点的先验知识,可以采用最简单的建模数据形式。而进化算法相比于常规的梯度下降算法,用于训练不同的回归网络结构通用性好,且训练过程不受局部极小问题的困扰,适当规模的训练过程可以获得性能良好的神经网络模型。     

基于周期性建模的时间序列预测方法及电价预测研究

时间序列数据广泛存在于人类的生产生活中, 通常具有复杂的非线性动态和一定的周期性. 与传统的时间序列分析方法相比, 基于深度学习的方法更能捕捉数据的深层特性, 对具有复杂非线性的时间序列有较好的建模效果. 为了在神经网络中显式地建模时间序列数据的周期性和趋势性, 本文在循环神经网络的基础上引入了周期损失和趋势损失, 建立了基于周期性建模和多任务学习的时间序列预测模型. 将模型应用到欧洲能源交易所法国市场的能源市场价格预测中, 结果表明周期损失和趋势损失能够提高神经网络的泛化能力, 并提高预测时间序列趋势的精度.     

基于动态时间弯曲的时序数据聚类算法的研究

时间序列是一类重要的复杂类型数据,时间序列知识发现正成为知识发现的研究热点之一。欧几里的距离及其扩展作为相似测度被广泛应用于时间序列的比较中,但是这种距离测度对数据没有好的鲁棒性。动态时间弯曲技术是基于非线性动态编程的一种模式匹配算法。该文提出了基于动态时间弯曲技术的相似搜索算法,通过计算时序数据之间的最短弯曲路径来获得序列的匹配。对综合控制时序数据进行基于不同距离测度的聚类分析对比结果表明该文提出的算法有很高的精度和对振幅差异、噪声和线性漂移有强的鲁棒性,具有良好的应用价值。     

基于滑动平均与分段线性回归的时间序列相似性

针对时间序列相似性度量中欧氏距离对异常数据敏感以及DTW距离算法效率低的问题,提出基于滑动平均与分段线性回归的时间序列相似性方法。首先,使用初始可变滑动平均算法以及分段线性回归对原始时间序列进行数据变换,并将分段线性回归的参数(截距与距离)集作为时间序列的特征,以实现时间序列的特征提取和数据降维;然后,利用动态时间弯曲距离进行距离计算。该方法在时间序列相似性上与DTW算法的性能相近,但是在算法效率上几乎提高了96%。实验结果验证了该方法的有效性与准确性。     

时间序列的表示与分类算法综述

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内,依照给定的采样率,对某种潜在过程进行观测的结果。时间序列数据广泛地存在于商业、农业、气象、生物科学以及生态学等诸多领域,从时间序列中发现有用的知识已成为数据挖掘领域的研究热点之一。在时间序列表示方面,主要介绍了非数据适应性表示方法、数据适应性表示方法和基于模型的表示方法;针对时间序列的分类方法,着重介绍了基于时域相似性、形状相似性和变化相似性的分类算法,并对未来的研究方向进行了进一步的展望。     

时间序列周期模式挖掘的周期检测方法

周期是时间序列的重要特征之一,用于精确描述时间序列并预测其发展趋势。在现有周期模式挖掘算法中,周期长度由用户事先定义,忽略了噪声的存在。在ERP度量和时间弯曲算法的基础上,提出一种新的周期长度检测方法。该方法可以在时间轴上实现弯曲,包括延伸和平移。它受噪声干扰的影响较小,实验结果表明其性能优于原有周期检测算法。     

基于shapelet的时间序列分类研究

时间序列是随时间次序变化的高维实值数据,广泛存在于医学、金融、监控等领域。因为传统的分类算法在时间序列上的分类效果不佳且不具备可解释性,而shapelet为时间序列中最具辨别性的连续子序列,具有可解释性,所以基于shapelet的时间序列分类已成为时间序列分类研究的热点之一。首先,通过归纳总结,将现有的时间序列shapelet发现算法分为空间搜索发现shapelet和目标函数优化学习shapelet两类,并介绍了shapelet的相关应用;然后,从分类的对象出发,重点阐述了基于shapelet的一元时间序列和多元时间序列的分类算法;最后,指出了基于shapelet的时间序列分类在未来的研究方向。