基于EGARCH过程的电磁频谱占用状态波动特性分析

针对传统频谱占用度自回归移动平均(ARMA)模型由于未考虑序列的条件二阶矩,导致无法准确描述频谱占用状态的非线性时变特性问题,该文提出一种基于指数广义自回归条件异方差(EGARCH)过程的频谱占用状态时间序列建模方法。首先通过对ARMA模型的剩余残差进行条件异方差性检验,表明频谱占用时间序列存在明显的时域波动集聚性;其次基于EGARCH过程构建频谱占用度时间序列模型以及对实测数据的分析,表明该模型相较ARMA模型对频谱占用度的拟合与预测精度更高;最后由EGARCH模型参数存在杠杆效应系数,表明频谱占用状态变化对电磁环境波动的影响具有非对称性。研究结果表明EGARCH模型能够量化反映频谱占用状态的复杂非线性时变过程。     

ARMA建模在神经网络卡钻预测方法中的应用研究

为准确预测卡钻事故的发生,利用一种基于时间序列的神经网络卡钻预测方法,将时间序列ARMA建模与神经网络非线性建模相结合。选取与卡钻事故相关性较大的参数作为神经网络的输入项,运用现场数据对神经网络进行训练,再利用神经网路的强非线性和自适应学习能力来建立卡钻事故预测模型;通过时间序列对历史数据的挖掘功能,揭示实际钻井过程中对卡钻事故影响较大的各参数的隐含规律,建立时序ARMA模型,求出卡钻时刻钻井相关参数的预测值;将预测值放入神经网络模型进行测试训练,从而达到预测卡钻事故的效果。运用延安地区实际现场数据证实该方法具有精确的卡钻预测能力及较好的泛化能力。     

基于神经网络的无线网络故障节点定位技术

传统无线网络故障节点定位方法无法有效处理节点功率波动以及模糊环境对故障节点定位精度的干扰。提出基于小波神经网络的无线网络故障节点定位方法,分析了小波神经网络在节点故障定位的三种作用形式,融合形式1和3对冗余节点故障进行定位,将小波神经网络当成预测器,将前一采样时刻的正常输出交叉输入n个小波神经网络,获取节点当前时刻的预测输出值,取节点预测输出值和真实输出值的残差,若该残差值高于阈值,则说明该节点是故障节点。实验结果表明,所提故障节点定位方法能够对节点的附加、倍数以及短路故障进行准确定位。     

小波分析与神经网络的网络流量预测模型

网络流量具有长相关、非平稳性与多时间尺度特性。提出了一种基于小波分析与AR(p)人工神经网络相结合的网络流量预测模型,即WPBP算法。该算法采用小波分析得到网络流量在不同尺度下的近似信号和细节信号,并运用AR(p)的相关性理论确定近似信号序列和细节信号序列的相关程度(p值),与神经网络进行耦合,以p+1划分数据,前p项作为输入,后一项作为输出对网络进行训练,从而使得神经网络的输入与输出的选择更加合理,预测的结果也更加准确。用小波重构得到最终的流量预测值,用实际网络流量对该模型进行验证。仿真结果表明,该模型的预测效果较好。     

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据，提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度，首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量，将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测；然后通过ARMA模型对第三本征模态分量数据（IMF3）进行建模预测，再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量，将该低频分量输入设计好的LSTM网络中进行建模预测；最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性，实证结果对比了单一LSTM和ARMA模型的预测性能，并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68，单一LSTM的RMSE值为58.74，单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。     

基于NARX神经网络的组合导航系统设计

针对捷联组合导航系统在定位信号无法获取的情况下定位误差大和BP神经网络定位的波动问题提出了基于NARX神经网络的导航算法。该方法在输入端加入输出输入量的时间序列,在定位信号可以获取时间段内对神经网络进行训练,不可获取时使用NARX预测的数据对系统进行补偿,提高定位精度。实验结果表明在30s的失锁时间内NARX神经网络定位精度在3m以内,迭代次数小于15次且数据波动较小,可以准确的预测导航位置。     

基于GM(1，1)模型和NAR神经网络的城市热水供热能力预测

基于我国2001—2019年城市热水供热能力,使用灰色预测系统中的原始差分GM(1,1)模型(ODGM)对未来4年的城市热水供热能力进行预测,为了判断预测效果的好坏,同时又使用了NAR神经网络预测模型对数据进行预测,最终得出,使用灰色预测模型的平均相对残差为6.00%,NAR神经网络预测模型的平均相对残差为6.89%,通过对比发现,灰色预测模型能更好地拟合城市热水供热能力数据,预测精度更高。     

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。     

基于时间序列分析的网络流量预测模型研究

通过对网络流量数据作为时间序列进行小波变换建模,应用于未来时间的网络流量数据预测.首先对流量数据序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时间序列模型进行分析,然后进行预测数据的折衷处理,得到网络流量多尺度预测模型.仿真结果表明与单一应用RBF神经网络的时间序列预测模型相比,该模型预测效果良好,具有较高的预测精度和很好的模型适应性.     

基于小波分解和SVM的城市大气污染浓度预测

使用一种结合小波分解和支持向量机的方法建立城市大气污染物浓度预测模型。首先将大气污染物浓度数据序列小波分解和重构为不同频段的分解序列,然后对各分解序列使用不同的模型进行预测,最后将各分解序列的预测结果合成为浓度的最终预测结果。实验结果表明,该模型的预测精度优于RBF神经网络模型及一般支持向量机模型。