基于时空图卷积网络的多变量时间序列预测方法

为了扩大时空图卷积网络的预测范围,将它应用在关联关系未知场景下的多变量时间序列预测问题,提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵,通过图卷积网络捕捉多变量之间的相互影响,最后通过多核时间卷积网络捕捉时间序列的周期性特征,实现对多变量的精准预测。为验证GLB-STGCN的有效性,使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验,结果表明GLB-STGCN优于对比方法,在天文数据集上的表现尤为出色,预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广,预测效果更好,尤其适合自然周期明显的时间序列预测问题。     

基于证据理论的迭代多步预测方法研究

为了有效利用复杂非线性工程系统中各种不确定信息和主观知识,本文结合相空间重构理论和证据推理理论,建立时序证据的多步预测模型.本文先对时序证据进行相空间重构;针对时序证据预测中信息量大且存在误差累积的不足,采用时序证据滑动窗口处理方法,以降低累积误差;窗口内运用迭代融合规则,以降低信息量的存储.将该模型应用于某型陀螺仪漂移预测,试验结果证明,本文方法能够有效降低迭代时产生的累积误差和信息量,结论更接近实际情况.     

模糊时间序列建模及股票市场多步预测

首先应用模糊聚类方法将数据分类,以相邻两个聚类中心的中点作为子区间的分界点来划分论域,并以此将时间序列模糊化为模糊时间序列;其次根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系;最后将该模型用于上证股票综合指数和深证股票成分指数的多步预测和涨跌趋势预测。与典型模糊时间序列模型比较,涨跌趋势预测准确率有较大提高,多步预测结果表明模型具有较好的泛化能力。     

基于并行神经网络集成的多步预测方法

神经网络集成通过训练多个神经网络并将其结论进行合成,可以显著地提高学习系统的泛化能力。该文提出了一种基于特征提取的并行神经网络集成多步预测模型ECPNN(ExtractionofCharacteristicsParallelNeuralNetwork)。从单因素时间序列中提取出代表内在机制的特征,采取并行TDNN(Time-delayNeuralNetwork)集成的方式实现时间序列多步预测。实验结果表明了该模型在多步预测方面的可行性和有效性。     

基于多步控制集的鲁棒预测控制器设计

针对有约束多胞不确定系统, 本文提出多步控制集的概念, 并将其作为终端集进而设计鲁棒预测控制器. 由于设计了一系列可变的反馈律, 鲁棒预测控制器可以得到更好的控制性能和更大的初始可行域. 另外, 利用多步控制集的特性, 本文提出了一种将预测控制器的在线计算量转移到离线完成的算法. 通过该算法, 可以有效地平衡鲁棒预测控制器的控制性能、在线计算量和初始可行域. 仿真算例验证了这些算法的有效性.     

基于贝叶斯网络的跳频序列多步预测*

根据跳频频率序列具有混沌特性,在相空间重构理论基础上提出一种用于跳频频率序列预测的贝叶斯网络模型。该模型将重构后的整个相空间作为先验数据信息,进而通过学习贝叶斯网络并利用贝叶斯网络推理算法达到对跳频频率多步预测的目的。仿真结果表明该方法具有良好的多步预测能力,并能有效地克服过拟合现象。     

基于残差U型卷积网络的海面风速多步时空预测

准确的海面风速预测是保证远洋船舶航行安全和节能减排的重要条件.针对远洋航行领域的海面风速预测存在空间特征难以解析和多步预测精度偏低两个问题,设计一种改进的多步时空预测方法.在多步预测方面,使用超前时刻策略使单个模型学习并区分不同的预测时刻,并将海面风向作为外生变量,将月份、日期和时刻作为协变量,与历史风速数据结合以扩展样本空间.在空间特征方面,利用编码器-解码器结构的残差U型卷积神经网络,对多层级空间信息进行提取和解析,并将超前时刻特征同时输入编码器和解码器,强化深层特征解析为对应预测时刻的效果.在全球原油运输路线上进行的12小时预测实验表明,所提出方法较其他6种预测方法具有更低的预测误差.     

基于强化学习的网络流量非线性多步预测方法

网络流量具有分形特性,用线性方法来预测非线性的网络流量,预测精度不高.为了提高测性能,提出了网络流量的非线性多步预测同题,利用一种结合分形神经网络、强化学习的非线性多步预测方法,用多重分形性质将网络流量序列分解为短相关序列,设计了一种强化学习神经网络(MRLA)流量预测模型,利用强化学习的Q算法训练BP神经网络,预测尺度系数、计算权值,最后构建MRLA网络进行仿真,预测网络流量.实验分析显示,相对MMLP网络,新预测方法具较好的多步预测性能.     

混沌时间序列的Volterra级数多步预测研究

针对混沌时间序列在多步预测中自适应预测方法的预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,并基于混沌序列产生的确定性和非线性机制、混沌动力系统相空间延迟坐标的重构及二阶Volterra自适应滤波模型,给出了一种混沌时间序列的Volterra级数多步预测方法.在多步预测中,根据已知的样本得到对将来值的预测.仿真结果表明,能够对混沌时间序列进行多步预测,具有较好的预测效果.     

设备状态的多项式神经网络迭代多步预测法

设备状态趋势预测技术是实现设备预知维护的重要手段。为了实现设备的预知维护,在BP算法和一般多步预测法的基础上,提出设备状态的多项式神经网络迭代多步预测法。方法具有较强泛化能力和较快收敛速度的多项式神经网络,采用迭代法更新样本中的历史数据,逐次训练预测模型进行时间序列预测。将方法应用于某石化企业压缩机振动峰峰值的时间序列预测上,并与一般多步预测法相比,多项式神经网络迭代多步预测法在短期预测中改进效果不大明显,但在中长期预测中则具有更高的预测精度。测试结果证明,多项式神经网络迭代多步预测法能更好地满足工程实际应用需要,为设备预知维护提供了一个新思路。     

Multi-step prediction method for robust object tracking

In this paper, multi-step ahead prediction method for object tracking based on chaos theory is introduced. The chaos theory is used to preserve the information of object's movement and to model uncertainty and nonlinearity of movement in video sequences. The methodology of the algorithm includes three steps. First, adaptive pseudo-orbit data assimilation is applied to estimate the next state by using the previous states of object. Second, the ensemble members of the state are generated to predict multi-step prediction. Then, the likelihood function of members selects candidate patch for target detection using color information. The algorithm significantly reduces the prediction error because of high-order dynamical information of motion and chaotic prediction. To verify the efficiency of the tracker, the tracking algorithm is compared with the stochastic and deterministic methods under two datasets. The results demonstrate that the chaotic-based tracker outperforms other state-of-the-art methods on the abrupt motion, occlusion, and out of view. The algorithm is about two times faster than the particle filter method while the error of particle filter is about two times more than the error of the chaotic-based tracking method.     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．     

基于半马尔柯夫过程的流量预测方法

提出了一种基于半马尔柯夫过程的流量预测方法。通过半马尔柯夫过程描述网络流量特性,将网络流量划分为四种状态：忙、空闲、上升和下降。通过各状态下的网络流量特性及各状态间的相互转换关系,推导了对忙状态下网络流速率上界的预测方法。对广域网和局域网的实际流量数据的分析和检验表明,95%的数据均服从半马尔柯夫过程相应状态下的随机分布;90%的流量预测以0.8或0.9的概率低于我们所预计的流量上界,且主干网流量预测的流量上界与实际流量之间的相对误差低于15%。     

A weighted-coupled network-based quality control method for improving key features in product manufacturing process

There are some complicated coupling relations among quality features (QFs) in manufacturing process. Generally, the machining errors of one key feature may cause some errors of other features which are coupled with the key one. Considering the roles of key QFs, the weighted-coupled network-based quality control method for improving key features is proposed in this paper. Firstly, the W-CN model is established by defining the mapping rules of network elements (i.e. node, edge, weight). Secondly, some performance indices are introduced to evaluate the properties of W-CN. The influence index of node is calculated to identify the key nodes representing key features. Thirdly, three coupling modes of nodes are discussed and coupling degrees of key nodes are calculated to describe the coupling strengthen. Then, the decoupling method based on small world optimization algorithm is discussed to analyze the status changes of key nodes accurately. Finally, a case of engine cylinder body is presented to illustrate and verify the proposed method. The results show that the method is able to provide guidance for improving product quality in manufacturing process     

流程制造系统辨识的自动结构性建模方法

模型能够解决系统工程中的许多问题,为此,提出了一种新的流程制造系统辨识的自动结构性建模方法。通过对系统的结构组成和单元关系进行辨识,提炼出模型的结构性数据,并以此自动地形成系统仿真模型。建模采用了图论作为工业系统的数学表达形式。研究对系统单元进行规则性编码,并根据系统结构所具有的特性定义了建模的辨识函数。实例证明了提出的方法是可行的,并能够满足系统建模的有用性、高效性、准确性的要求。     

An adaptive task-oriented RBF network for key water quality parameters prediction in wastewater treatment process

Neural Computing and Applications - The real-time availability of key water quality parameters is of great importance for an advanced and optimized process control in wastewater treatment plants...     

基于工况识别的辊式淬火过程板形预报方法

板形是衡量淬火后钢板质量的重要指标之一,板形的预报对高质量钢板的持续稳定生产具有重要的指导意义.本文提出一种基于工况识别的辊式淬火过程板形预报方法,为淬火生产控制决策提供参考依据.首先对淬火过程进行特性分析;然后采用模糊C均值聚类算法对淬火过程进行工况识别,使用支持向量机建立各工况的板形预报模型,并运用改进的粒子群优化...