基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．     

水平门限同积模型参数的拟极大似然估计

提出了用于非平稳非线性时间序列建模的水平门限同积模型,给出了模型参数的拟极大似然估计,由于对门限参数和同积向量似然函数既不可微也不光滑,不能直接运用传统的极大似然估计．因此首先利用遗传模拟退火算法估计门限参数和同积向量,然后用极大似然估计计算其余的参数,仿真结果表明,拟极大似然估计不受模型维数限制具有有效性和可行性,此外,数值计算结果的比较分析表明遗传模拟退火优于传统的遗传算法、模拟退火和随机搜索等优化算法．     

基于自适应变异PSO的ARMA模型参数寻优及预测应用

为提高ARMA模型在时间序列预测中的精度,提出一种基于改进粒子群算法(AMPSO)的模型参数智能寻优估计方法.AMPSO算法以粒子熵的判别为依据,在寻优过程中对算法的关键参数进行多次自适应变异,以提高其跳出局部、面向全局寻优的能力.模型参数寻优过程基于ARMA(2n,2n-1)模型架构依次跳阶,每阶的参数初估后运用AMPSO算法展开寻优,适应度判定标准为当前模型残差方差最小.针对齿轮箱轴承的输出扭矩进行预测,结果表明,AMPSO算法在收敛性和寻优速度方面效果良好;参数寻优方法可显著提高参数预测精度,具有良好的工程应用价值.     

动态纹理背景的建模

针对室外条件下动态纹理背景,采用自回归运动平均(ARMA)模型建立背景模型,并引入快速增量主元分析(IPCA)算法对模型进行降维,并辨识其中参数,实现最大似然估计.运用增量主元分析算法,不需要估算协方差矩阵,直接可以递增地得到特征向量和奇异值,计算出样本序列的主要元素.完成参数辨识后,ARMA模型可以合成无限长度的预测图像序列.最后,仿真实验证明了算法的有效性.     

非线性时间序列建模的混合自回归滑动平均模型

提出了一类用于非线性时间序列建模的混合自回归滑动平均模型(MARMA).该模型是由K个平稳或非平稳的ARMA分量经过混合得到的.讨论了MARMA模型的平稳性条件和自相关函数.给出了MARMA模型参数估计的期望极大化(expectation maximization)算法.运用贝叶斯信息准则(Bayes information criterion)来选择该模型.MARMA模型分布形式富于变化的特征使得它能够对具有多峰分布以及条件异方差的序列进行建模.通过两个实例验证了该模型,并和其他模型进行比较,结果表明MARMA模型能够更好地描述这些数据的特征.     

估计ARMA过程功率谱的一个方法

对于时间序列分析,常会遇到功率谱(简称作谱)的估计问题.在和中给出了估计ARMA过程谱的一些方法,但涉及解非线性方程组.本文给出一个估计ARMA谱的方法,它不涉及解非线性方程,只需估计出ARMA模型中的自回归参数并用序列的自相关就可得到混合模型的谱估计.我们对此方法作了详细推导并给出了数值实例.     

城域网应用层流量预测模型

Internet流量是具有复杂非线性组合特征的季节性时间序列.目前国内外的网络流量预测研究主要集中在网络层和传输层,仅采用单一的ARMA(n,n-1)模型来描述网络的整体流量趋势,但该模型无法描述应用层流量的季节特性.因此提出基于应用层的流量预测分析模型,对国内某城域网出口链路上的应用层流量序列采用ARIMA季节乘积混合模型(P,d,q)(P,D,Q)s建模并预测.实验结果表明,在同一个城域网中不同的应用层流量表现出不同的行为特征,经ARIMA季节乘积混合模型(p,d,q)(P,D,Q)s预测的应用层流量趋势与实际曲线基本相似,平均绝对百分比误差在10%左右.     

一类非线性系统的自适应通用模型控制策略

通用模型控制(CMC)算法的参考轨迹是一条标准的二阶曲线,该控制器的参数具有明显的物理意义,控制器参数整定方便.将通用模型控制算法与非线性观测器结合,在线估计控制器的参数,从而构成自适应控制系统.该自适应控制策略的参数也具有明显的物理意义,控制器和非线性观测器参数整定方便.在压力槽的控制中表明了该控制策略的良好性能.     

一种新的统计预测模型——多项式系数自回归模型

传统的自回归滑动平均模型(ARMA)和新近出现的函数系数自回归模型(FAR)不能满足非线性时间序列预测分析的准确度与运算速度要求,为了改进预测性能,研究提出了一种新的统计预测模型——多项式系数自回归模型(PCAR)。给出了PCAR模型的表示形式,详细探讨了PCAR模型的参数估计和阶次选择方法,在此基础上又提出了基于BIC准则的建模算法。同AR-MA模型相比,PCAR模型扩大了适用对象范围,有效降低了模型选择误差;同FAR模型相比,它具有参数模型的特点,避免了系数函数局部线性回归估计所存在的不足;分析了PCAR模型与ARMA、FAR模型的等价条件。通过实验分析得出了PCAR模型较ARMA、FAR模型的单步预测准确度分别提高了99.65%和18.7%的结论,而且PCAR建模运算所需时间仅为FAR模型的0.2%。     

Fully coupled algorithm for heat and water transport – Estimation of non-linear parameters based on the experimental data

We solve the problem of coupled heat conduction and water transport in bentonite with water present in vapour and adsorbed form in a non-equilibrium state. The problem is governed by a system of two parabolic PDE and one ODE. Most of the coefficients are non-linear functions, defined either by underlying physical phenomena or empirically. We present a numerical scheme using FEM with linear base functions, implicit time discretization, and simple iterations for the non-linear terms. The model is verified against experiments (one 1D and one 3D) and we demonstrate the use of optimization algorithm for parameter calibration. Some of the parameters could be estimated successfully while others with limited confidence, which is explained by the particular character of the non-linear parameter dependence and resulting small sensitivity of the model on some parameters.     

催化裂化过程稳态优化控制研究

催化裂化装置是一个高度非线性、时变、长时延、强耦合、分布参数和不确定性的复杂 系统.在研究其过程机理的基础上,定义了一种模糊神经网络用以建模,用自相关函数检验法检 验模型的正确性,再用改进的Frank-Wolfe算法进行稳态优化计算,并以一炼油厂催化裂化装 置为对象进行试验,研究其辨识、建模和稳态优化控制.这种模糊神经网络具有隐层数多、隐层 结点数多、泛化能力和逼近能力强、收敛速度快的优点,更突出的特点还在于可由输出端对输入 求导,为稳态优化计算提供了极大方便,它与改进的Frank-Wolfe算法相结合用于解决非线性 复杂生产过程的建模和稳态优化控制问题是可行的.     

混合GP-GA用于信息系统建模预测的研究

该文克服了传统建模方法在模型选取及参数估计方面的困难与不足,提出了利用改进的遗传程序设计和改进的遗传算法相结合的混合GP-GA算法。一方面,遗传程序设计中加入了简约压力项,控制了代码过度增长,实现了不加先验知识的简洁非线性模型的自动获取。另一方面,遗传算法采用Gray编码,随机整群抽样选择,以优化模型中的参数,这在一定程度上补偿了遗传程序设计在演化过程中具有较好结构的模型可能因为其中的参数未能达到最优而被淘汰的损失。仿真实例和实际应用均表明混合GP-GA算法优于普通的回归分析及单纯的遗传程序设计方法,提高了拟合和预测精度,并且更适合反映问题的实际情况。     

基于模糊模型的结构和参数的一体化辨识

基于模糊集合的模糊建模捕述复杂、病态、非线性系统的特性是一种有效方法．文中讨论了从样本数据中通过正交变换和模糊聚类获取模糊规则的方法．利用正交最小二乘对模糊聚类的结果进行变换，采用CGS（Classical Gram—Schmidt）方法确定对建模贡献大的规则，删除对建模贡献小的规则，并对模型中的参数进行估计，能够同时模对糊模型的结构和参数进行辨识．仿真结果表明，提出的方法能够对非线性系统进行模糊建模．     

Interactive 3D reconstruction from multiple images: A primitive-based approach

This paper proposes a fast and stable image-based modeling method which generates 3D models with high-quality face textures in a semi-automatic way. The modeler guides untrained users to quickly obtain 3D model data via several steps of simple user interface operations using predefined 3D primitives. The proposed method contains an iterative non-linear error minimization technique in the model estimation step with an error function based on finite line segments instead of infinite lines. The error corresponds to the difference between the observed structure and the predicted structure from current model parameters. Experimental results on real images validate the robustness and the accuracy of the algorithm.     

基于改进粒子群算法的动态3D实时建模技术

针对传统3D建模技术无法满足在脱离专业测量工具的情况下，实时创建出与用户所处房间等比例尺寸的3D模型的需求。提出一种基于陀螺仪传感器结合改进粒子群算法计算房间3D模型尺寸与镜头位置的动态3D建模技术，该技术可以实现实时房间等比例建模，使用者可以预览到整个房间所有方位的装修效果，让用户对房间整体装修效果有直观的印象，操作方便且实时性强。实验结果表明，改进粒子群算法的动态3D实时建模技术解决了国内传统3D建模技术测量不精确的缺陷，具有一定的理论和实际意义。     

Implementing a Method for Stochastization of One-Step Processes in a Computer Algebra System

When modeling such phenomena as population dynamics, controllable flows, etc., a problem arises of adapting the existing models to a phenomenon under study. For this purpose, we propose to derive new models from the first principles by stochastization of one-step processes. Research can be represented as an iterative process that consists in obtaining a model and its further refinement. The number of such iterations can be extremely large. This work is aimed at software implementation (by means of computer algebra) of a method for stochastization of one-step processes. As a basis of the software implementation, we use the SymPy computer algebra system. Based on a developed algorithm, we derive stochastic differential equations and their interaction schemes. The operation of the program is demonstrated on the Verhulst and Lotka–Volterra models.     

面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.     

视点相关且拓扑可变的多分辨网格动态构造算法

随着近几年3维扫描和图形建模技术的快速发展,3维模型的数据量不断增大,其在存储、显示及传输上都面临巨大的挑战,因此,必须构造模型的简化表示。通过对当前网格模型动态简化算法的分析,提出了一种网格简化算法来构造拓扑可变的网格模型累进表示,在此基础上,通过对简化后的模型数据进行再组织,为简化模型建立了一种紧凑、灵活的动态多分辨率结构,并相应地给出了基于视点的动态简化算法。理论分析和实验结果表明,新方法能够随着视点参数的变化动态生成适当细节的简化模型,简化结果好,简化后的模型不仅能够较好地保留原模型的基本几何形状,而且能够较好地保留原始模型的颜色等属性特征,具有存储量小、适用范围广和自适应性强等特点。