基于FLOC的ARMA SαS模型α谱估计方法

分析了基于分数低阶矩（FLOM）估计ARMA SαS模型参数的不足,根据分数低阶协方差（FLOC）的概念,提出了一种基于分数低阶协方差系数估计ARMA SαS模型参数的方法。在此基础上,给出了ARMA SαS模型的α谱估计。通过对给定ARMA SαS模型的α谱估计、α稳定分布噪声中正弦信号的估计与分辨进行仿真,详细比较了基于FLOM的ARMA SαS模型α谱估计和基于FLOC的ARMA SαS模型α谱估计的性能。结果表明,α值较小时,基于FLOC的ARMA SαS模型α谱估计的性能明显优于基于FLOM的ARMA SαS模型α谱估计。     

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ARMA模型的电力系统负荷预测方法研究

采用加权最小二乘法参数估计方法，得到应用于电力系统日负荷预测和月负荷预测的ARMA模型，实验预测结果表明，用ARMA模型进行电力负荷预测是非常有铲的。尤其是采用加权最小二乘估计的ARMA模型，预测精度更高。     

一种ARMA模型的格型迭代递推辨识法

本文针对ARMA模型的格型迭代法,推出了它的递推算法,并针对本算法提出了相应的判价方法.运用它对ARMA模型和时变ARMR模型进行了汁算机模拟瓣识,结果良好.     

基于ARMA-AKF的HRG随机误差建模分析

针对半球谐振陀螺(HRG)随机误差影响惯性测量单元测量精度的问题,提出了一种改进的基于自回归滑动平均(ARMA)模型和自适应滤波(AKF)的随机误差处理方法。该文对预处理的数据进行了自相关和偏相关特性分析,判断随机误差的适用模型,以及利用贝叶斯信息准则(BIC)准则估计ARMA模型的阶数,通过长自回归模型计算残差法获取模型参数,引入加权自适应因子在线调整一步预测误差阵和量测噪声矩阵用于改进滤波方程,并比较了5项主要误差系数值。结果表明,改进的算法能够有效抑制随机误差,为HRG的随机误差建模补偿提供了新方法。     

基于三种模型的昆士兰州短期电力负荷预测对比探究

为提高电力负荷预测模型的预测精度本文将基本ARMA模型与Kalman滤波结合建立ARMA-Kalman滤波模型,将ARMA模型与SVM模型以及SVM的优化方法结合,建立ARMA-SVM模型,以试图提高模型的预测精度。同时将前两个模型以及基本ARMA模型应用于澳大利亚昆士兰州短期电力负荷预测中。实例研究表明,ARMA-Kalman模型未能如期较大提高对澳大利亚昆士兰州的电力负荷预测精度,ARMA-SVM模型在一定程度上提高了预测精度。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

基于ARMA模型的CFAR网络入侵检测方法研究

提出了一种基于ARMA网络流量模型的CFAR入侵检测系统。采用ARMA模型对网络流量进行预测,并运用雷达信号处理中的恒误警CFAR技术,选取检测阀值以判定是否存在入侵信号。利用林肯实验室DARPA数据对系统进行试验,结果表明,此方法与AR预测模型相比,具有更高的检测率和更低的误警率。     

非平稳信号的一种ARMA模型分析方法

该文提出了一种新的非平稳信号的时变参数ARMA模型分析方法,用它分析数据需两个基本步骤:首先,用一种信号分解方法把信号分解成一些基本模式分量。接着,对分解得到的基本模式分量建立时变参数ARMA模型,从而得出时颇平面上的时变参数ARMA模型谱。该方法可用于复杂的非线性、非平稳信号的处理。     

基于灰色预测模型的我国心脑血管疾病死亡率预测

运用灰色预测模型GM(1,1)对我国心脑血管病的死亡率进行建模拟合和预测分析,为心脑血管病防控工作重点的有效确定及防控措施的合理制定提供科学依据。以全国2003—2012年10年间的心脑血管病死亡率为研究对象,采用灰色预测模型GM(1,1)对2013—2020年的全国心脑血管病死亡率进行预测,利用后验差检验,通过小误差概率p值,方差比c值,误差q值,综合评价模型的预测精度。建模分析的结果表明,全国心脑血管病死亡率呈逐年上升的趋势,其中,心脏病死亡率上升速度较快,而脑血管病的死亡率上升速度相对平缓。灰色系统理论可以很好地运用到死亡率预测分析方面,未来几年我国心脑血管病死亡率仍居高不下,疾病预防与监控部门应做好防治工作,进一步提升我国的医疗卫生水准。     

OSHIARMA预测模型在WSN入侵检测系统中的应用

针对WSN对安全的特殊要求,提出一种基于流量序列的ARMA(2,1)估计方法.新方法通过确定ARMA模型的AR参数可以获得ARMA的流量谱,再与预测值相比较,通过计算机仿真达到对WSN的入侵检测.     

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。     

一维平稳随机过程的递推最佳滤波

本文提出了利用定常卡尔曼滤波来实现任意一维平稳随机过程递推最佳滤波的方法。该法首先对已知非有理功率谱进行有理谱逼近,并将有理谱进行乘性谱分解,得到相应的ARMA模型,然后将ARMA模型转化为扩充维数形式的马尔可夫状态空间模型,再利用定常卡尔曼滤波递推公式进行递推滤波。文中给出了模拟计算结果,并与维纳滤波法给出的结果进行了比较,数值计算结果表明,两种方法的结果完全一致。     

四频差动激光陀螺随机误差建模与滤波研究

根据四频差动激光陀螺随机误差的特性,对实验采集的某型四频差动激光陀螺的静态输出数据,使用p阶自回归q阶滑动平均模型(ARMA(p,q))进行分析,并采用BIC准则确定模型的阶数。基于建立的ARMA(p,q)模型,使用卡尔曼滤波对四频差动激光陀螺的静态输出数据进行滤波处理,检验结果表明,该方法能明显减小四频差动激光陀螺的随机误差。     

线性流量预测模型

详细分析了线性流量预测的4种短相关模型：AR模型、MA模型、ARMA模型以及ARIMA模型,对其实现思想、建模过程和核心算法进行了具体的研究和比较,并使用SPSS进行建模分析。     

基于EMD及ARMA的自相似网络流量预测

提出了一种基于ARMA(自回归滑动平均)模型的经验模式分解预测自相似网络流量的方法,进行了理论证明和仿真验证.结果表明,经验模式分解对长相关流量有去相关的作用,采用ARMA模型即可对自相似网络流量准确刻画,不但降低了算法的复杂度,而且预测精度高于径向基函数神经网络的预测精度.     

基于输出累积量的 ARMA(AR)系统的一致性阶次递推辩识(英文)

本文提出了一种根据系统输出的观测数据对ARMA（AR）系统进行盲识别的新算法。该模型由独立同分布非高斯随机序列驱动，其输出序列中含方差未知的加性高斯噪声。通过求解基于三阶累积量谱的代价函数，该算法以模型阶次递推形式同时辩识ARMA的系统阶次和估计出系统参数。文章给出了该算法一致收敛性的证明，并对两类不同阶次的最小及非最小相位ARMA系统的AR参数及阶次辩识进行了数字仿真，结果令人满意。     

时间序列建模在卡钻类别判断中的应用研究

为了提高卡钻预测中卡钻类别判断的准确度,以青海地区地热勘探井实钻数据为基础,结合时间序列分析建模方法,提出了一种适合卡钻类别判断的方法。通过时序模型对未来钻井数据进行预测处理,运用Matlab软件对各个ARMA模型做功率谱估计,比较相邻两个ARMA模型的功率谱密度,计算各个参数的功率谱偏差值,进行数值仿真,当某一参数其功率谱偏差值出现明显异常时,则预判断这一时刻可能发生此参数对应类别的卡钻事故。引入多因素时序建模方法,运用SPSS软件做多因素模型,计算主要参数的预测区间,当预测值超出预测区间时,则可以判断发生对应类别的卡钻事故。最终证实,采用此方法能够实现对钻井过程中未来卡钻事故的类别判断,在实际钻井中有较高的可扩展性及应用价值。     

最大熵方法和参数谱估计(续)

四、ARMA参数谱估计 1.概述用比AR更复杂的ARMA模型表示一个随机过程出于以下的几个原因。首先,它只需要较少的参数。其次,在某些情况下,ARMA模型具有特殊的物理意义,例如在地震探测中,它表示完全弹性的水平分层介质的冲激响应。第三,如前所述,白噪声中的AR过程符合一个ARMA(M,M)模     

随机信号离散模型与连续模型等效转换的研究

本文提出一种应用E变换法对平稳随机信号的ARMA离散模型与AM连续模型等效转换的新方法；给出它与已有基于格林函数等效转换法的关系；对此种新方法应用于非平衡随机信号的ARMA时变参数离散模型与AM时变参数连续模型的等效转换做了初步探讨。