基于粒子滤波的混沌时间序列局域多步预测

对混沌时间序列进行预测研究具有重要的价值和实用性,例如,进行股票预测,降雨量预测,温度预测。混沌时间序列预测的难点在于其不确定性和多步预测的困难性。一般利用最小二乘法求解模型参数,从而对混沌时间序列进行局域预测,但是预测精度不是很高。为了提高局域线性预测的精度,提出基于粒子滤波(PF)的混沌时间序列局域多步预测法,利用粒子滤波进行参数优化得到更准确的优化模型进行多步预测。仿真实验结果表明,该方法的单步和多步预测效果明显得到了提升。     

基于偏最小二乘回归的与头相关传递函数的个人化

该文提出了一种基于偏最小二乘回归(Partial Least Squares Regression, PLSR)的与头相关传递函数(Head Related Transfer Function, HRTF)的个人化方法。通过对HRTF进行预处理和主元分析,并对人体参数进行筛选,只要相对简单的人体参数测量,就可利用PLSR得到特定人的HRTF。客观误差分析和主观声音定位测试结果表明估计的HRTF与实际测量的HRTF之间不仅均方误差较小,而且感知区别不大;同时由PLSR估计的个人化HRTF在水平面上的主观测试定位准确率明显优于非个人化HRTF,也优于由最小二乘回归(Least Squares Regression, LSR)估计的个人化HRTF。     

混沌时间序列的一种多步预测滤波器

采用后向重构状态失量的方式，利用某点与邻近点具有相关性，提出了一种多步预测算法。仿真结果说明，利用这种方法能够对某些混沌时间序列进行多步预测，具有较好的预测效果。     

基于偏最小二乘回归多CCD拼接相机模型研究

为了建立多CCD拼接相机光学系统的数学模型,文章根据偏最小二乘回归理论,首先分析了CCD拼接原理,建立了光学畸变的单元相机数学模型和分析了拼接相机物空间坐标系和像空间坐标系的对应关系,最后由偏最小二乘计算方法解算出相机的内方位元素,建立了完整的数学模型.     

基于最小二乘支持向量机对称性的混沌时间序列预测

利用最小二乘支持向量机的对称性约束条件挖掘混沌时间序列的对称性,分析混沌系统固有的对称特性,提出一种对称性最小二乘支持向量机的混沌时间序列预测方法。该方法将混沌系统的对称性作为先验知识嵌入预测模型,Lorenz系统的仿真结果表明该方法不仅能够精确地预测混沌时间序列,而且扩展了混沌系统的预测空间,这一结论预示着最小二乘支持向量机是一种研究混沌时间序列的有效方法。     

基于偏最小二乘回归分析的混色数据学习算法研究

考虑到仅从单色色块中发现知识的片面性和不准确性,在对400组单色色块进行测试学习的基础上,本文提出用偏最小二乘回归分析从1331组混色数据空间中进一步发现知识,使得从RGB到CMYK转换时误差变小,从而提高色彩匹配的精度,进一步解决色彩匹配的自动化和通用性问题.     

基于区间选择偏最小二乘法回归分析的煎炸老油鉴别模型

煎炸老油属于地沟油之一,长时间食用会对身体健康造成严重危害。本文首先对食用金龙鱼菜籽油过度煎炸10次,分别提取光谱信息中特征吸收峰（323、391、443nm）处的光谱吸收值。然后建立区间选择偏最小二乘法模型,提取最佳区间为5,最佳因子为7的波长区间,验证区间预测相关系数达到0．998。最后建立PKS回归方程Y1,Y2,Y3,通过交叉有效性验证Q22=-0．3461〈0．0975。提取成分t1、t2。分别得到回归方程的实际值与预测值相关系数为：323nm处,r=0．8478;391nm处,r=0．9754;443nm处,r=0．9285。     

部附件送修费用的偏最小二乘回归模型及敏感性分析

为了克服部附件送修费用的一般模型不能方便进行敏感性分析的缺点,考虑设计阶段下输入数据采集的可行性,应用偏最小二乘回归理论,通过变量投影重要度分析,筛选出重量、价格、平均非计划拆卸时间、平均车间修理时间、SRU的个数5个参数。采用对数线性关系式,构建了部附件送修费用的参数模型,并通过实际值与回归值的误差分析验证了该模型的可靠度。根据得到的参数模型和工程经验,确定了各参数的单一函数表达式及其取值范围;结合切线斜率即敏感度的事实,仿真计算了各个参数变化的显著敏感区间。结果表明,该模型精度较高,能方便进行敏感性分析,可作为飞机设计阶段工程人员选择合适部附件的实用工具。     

数据挖掘中应用偏最小二乘法发现异常值

本文介绍了偏最小二乘法在挖掘统计数据中的异常值上的应用.对统计数据使用偏最小二乘法回归,可以较快速地建立相对准确的回归方程,并且结合变量投影重要性指标等相关分析工具可以对数据进行消元,降低数据的维数,从而减轻运算的强度;通过预测值和实际发生值的比较,根据法则判定数据是否异常,从而达到对数据风险的控制,在经济、金融等领域中有着重要的实际意义.     

基于联合区间偏最小二乘判别分析的猪肉近红外光谱定性建模分析

为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题,提出一种基于联合区间偏最小二乘判别分析(Si PLSDA)算法,并将该算法应用于猪肉近红外光谱的定性建模分析。Si PLSDA利用联合区间偏最小二乘回归(Si PLS)进行光谱特征区域筛选,在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱,采用标准正态变量变换(SNV)进行近红外光谱的预处理,用Si PLSDA建立猪肉近红外光谱的定性模型。实验结果表明,Si PLSDA建立的预测模型对猪肉储藏时间的识别率达到93.94%,高于基于全光谱区域建立的PLSDA预测模型的识别率。     

针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.     

基于灰色模型和混沌时间序列的卫星钟差预测算法

为了提高非线性卫星钟差预测的精度,降低单一钟差预测模型对钟差预测的风险,提出了一种组合模型的卫星钟差预测算法.该算法首先采用db1小波对卫星钟差序列进行3层多分辨率分解和单支重构,得到一个趋势分量和三个细节分量,然后运用灰色预测模型对重构后的趋势分量和混沌一阶加权局域预测法对重构后的细节分量分别进行预测,最后将各分量预测结果相加后得到总的钟差预测值.以GPS卫星钟差数据做算例分析,在6小时的钟差预测中,算法绝对误差最大值比单一的灰色预测模型误差小1.3ns以上.将该组合预测模型用于非线性卫星钟差预测中,可以提高钟差预测的精度和可靠性.     

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

基于偏最小二乘的低复杂度数字预失真

在宽带场景下,传统的数字预失真(DPD)模型需要更高的阶次和更多的系数来校正功率放大器(PA)强非线性和记忆效应,这就会导致极高的计算复杂度和解算系数时的病态问题.文章围绕复杂DPD模型参数辨识和低复杂度DPD算法实现展开深入研究,提出了一种新的基于偏最小二乘(PLS)的低复杂度DPD方法.所提方法根据PA的前逆输入输...     

基于神经网络的联合混沌时间序列的预测研究

提出了利用前馈神经网络预测联合混沌序列,通过引用著名的Henon和Lozi混沌系统作为仿真实验产生联合混沌信号序列。预测结果证明,用改进的BP算法训练的NN可以完全预测联合混沌信号序列。     

基于DFP的二阶Volterra模型及其对Rössler混沌序列的预测

为克服最小二乘法或归一化最小二乘法在二阶Volterra建模时参数选择不当引起的问题,在最小二乘法基础上,应用一种基于后验误差假设的可变收敛因子技术,构建了一种基于Davidon-Fletcher-Powell算法的二阶Volterra模型（DFPSOVF）.给出参数估计中自相关逆矩阵估计的递归更新公式,并对其正定性、有界性和τ（n）的作用进行了研究.将DFPSOVF模型应用于Rössler混沌序列的单步预测,仿真结果表明其能够保证算法的稳定性和收敛性,不存在最小二乘法和归一化最小二乘法的发散问题.     

基于偏最小二乘法的多光谱降维算法

在光谱色彩管理色域映射中,针对查找表建立过程中高维光谱数据计算的一系列问题,提出了一种非线性的高维光谱降维方法。对同色异谱黑进行偏最小二乘分析,提取潜在成分,获得了KMN向量,将其与Lab向量组合成6维向量,并作为中间转换空间LabKMN,实现高维光谱数据与低维基向量组合之间的相互转换。LabPQR空间的前3个维度是在特定光照条件下的CIELAB值,后3个维度(PQR)用于描述同色异谱黑的光谱重建维度。对两种方法在光谱精度和色度精度两方面进行比较,基于1600个孟塞尔样本数据的实验计算表明,与LabPQR方法相比,LabKMN的方均根误差均值由0.0164降低到0.0139,光谱精度提高了15.24%,色度重建误差由2.8706降低到1.8138,平均色差降低了36.81%。LabKMN方法降维后的重建精度大幅提高,能够较好地实现更高精度的原始色彩光谱空间的描述。     

具有改进反馈环的NF-GMDH网络及其在混沌预测中的应用

具有反馈环的GMDH(Group Method of Data Handling with a feedback loop简称为GMDH—FL)网络只有三层，结构简单；而模糊GMDH神经(Neurofuzzy GMDH简称为NF—GMDH)网络可以同时利用系统的数据信息和语言信息。本文结合这两种网络的优点，利用改进自组织策略，提出了具有反馈环的NF—GMDH网络(简称NF—GMDH—FL)。针对该网络的第二次及其以后循环训练中有大量冗余组合和计算的缺点，本文进一步研究了具有改进反馈环的NF—GMDH(NF-GMDH with improved feedback loop简称为NF—GMDH—IFL)网络，并将其应用于混沌时间序列预测。通过仿真研究，证明其网络训练速度快，建模精度高，有比NF—GMDH模型和NF—GMDH—FL模型更优良的性能。     

混沌时间序列信号的降噪

混响背景下目标信号的检测、降噪方法与实现,一直以来都是一个难题。建立了非线性降噪模型,并且应用此模型进行混沌时间序列信号检测。以典型的Henon混沌系统所产生的时问序列作为样本和水下目标信号噪声序列为例,进行了降噪和预测,结果表明该方法是有效的,可行的。     

一种面向混沌时间序列预测的虚拟特征提取算法

针对混沌时间序列预测问题,该文提出一种虚拟特征提取算法,以提高其预测精度。首先,采用平移不变小波变换,提取出混沌时间序列的细节和光滑子层信息。然后,将混沌序列线性与非线性特征从加和关系推广到函数关系。最后,利用小波子层信息给出一种新颖的虚拟特征表达,以用于预测实验。采用经典的Mackey-Glass仿真数据,以及美国密西西比河实测径流流量数据实验表明,该文方法提高了预测精度,从而也验证了该文提出的虚拟特征提取算法在混沌时间序列预测上的有效性。同时,也可为控制、水文、气象等领域的混沌现象决策提供参考。