WSNs基于信誉机制的恶意节点识别模型

为了抵御无线传感器网络内部节点的拜占庭行为以及自私行为,针对现有恶意节点识别系统检测功能单一、不可抵御高信誉节点的恶意诽谤行为等问题.提出了一种无线传感器网络下的恶意节点识别模型,该模型采用Beta分布描述信誉分布,引入了第三方节点的间接可信度,并将多种攻击类型相对应的节点信任值进行整合.仿真实验表明,该模型能够更快更准确地识别出发起多种攻击的恶意节点,并在一定程度上抵御了高信誉节点的恶意诽谤行为.     

基于优化参数的LS-SVM模型的股票价格时间序列预测

为有效预测股票数据,提高投资者的股市投资能力,降低投资风险,提出一种基于优化机器学习方法的股价时间序列预测方法。对股票序列进行了主成分分析,提取累积贡献率大于95%的主成分作为输入变量,并对比了优化核函数宽度g和正则化参数γ后的LS-SVM和SVM模型的预测效果。运用的支持向量机技术经遗传算法优化参数后,降低了预测的均方误差,提高了预测效果和效率,较其他非线性预测方法,具有泛化能力好、鲁棒性强、预测精度高等优点。最后给出了实证结果分析和研究结论,对有效预测股票数据有一定现实指导意义。     

非线性时间序列ARMA模型的优化估计法

提供了一种ARMA模型参数的优化估计法一阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度。当初值的精度较差时,更宜采用阻尼最小二乘法,而且本文给出实例的MATLAB程序,并利用t统计量检验出：阻尼最小二乘法要比最小二乘法的参数估计值更为显著,拟合模型更优。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

基于混沌时间序列模型的用水量预测

城市用水量预测在供水系统的调度决策管理中具有重要作用。通过对用水量的分析,发现了城市用水量具有混沌特性,并提出一种基于混沌时间序列模型的用水量预测方法。实验表明,预测误差率小于1.31%,能对供水调度决策提供有力支持。     

基于LSTM和灰色模型的股价时间序列预测研究

影响股价的因素错综复杂,因此在考虑多变量情形下,对时间序列中常用的长短期记忆网络（LSTM）进行修正,并选取股票价格进行预测.首先,采用方差膨胀因子（VIF）进行变量的筛选,再结合自适应提升法（Adaboost）模型查看特征变量的重要程度.其次,用爬虫对投资者情绪进行文本分析,计算情绪指数等指标并揭示其与股价的关系.然后,对格力电器、飞科电器、美的集团3支股票进行股价预测,对比多层感知器（MLP）模型、LSTM模型,并选择适当的模型作为基准模型,在基准模型的基础上加上情绪指数、投资者关注度等指标构建了LSTM-EM模型.进一步,在考虑了投资者情绪后对残差项使用GM （1,1）模型进行修正.实证结果表明,该模型能对股价进行较为精确的预测.     

基于自动聚类和自回归模型的时间序列预测

针对股指时间序列,本文提出基于自动聚类和自回归的时间序列预测模型,将自动聚类算法与经典的时间序列模型合并.利用自动聚类算法将论域进行划分,得到相应的划分区间;再利用自回归模型确定预测数据的波动量;最后结合趋势和波动量得到最后的预测值.实验结果表明,提出的模型具有较好预测效果,在预测1992年台湾股指时间序列上,优于同类预测模型.     

基于时间序列的蜂窝网络能量优化方法

针对移动终端在蜂窝网络中的能耗过高问题,提出了一种基于时间序列的能量优化算法--平衡优化算法（BOA）.该算法对移动终端在蜂窝网络中传输的数据块建立自回归滑动平均模型,通过预测下一个数据块的到达时间来动态调整尾巴时间,达到降低能耗的目的.实验结果及分析表明,BOA能达到93.86%的模型匹配率;相比于原标准下的Fixed-tail算法,能达到42.25%的能量优化效果,且用户使用移动终端时间越长,能量优化效果越好.     

一种基于神经网络的非线性时间序列模型

非线性时间序列分析是目前迅速发展的一个课题，这是因为在现实世界中许多现象都不能很好地用线性模型解决。文章首先分析了时间序列模型的建立机制，然后利用神经网络进行非线性信号处理，从而构造了一种新的神经网络非线性时间序列模型。该文将此方法与ＡＲ模型和ＳＥＴＡＲ模型进行了数值结果对比，结果表明该文提出的方法优于这两种方法。     

基于模糊C-均值的模糊时间序列模型

将模糊C-均值聚类算法引入到模糊时间序列模型,提出了一个新的模糊预测模型.该模型首先将观察的时间序列转化为w维的时间序列数据集,然后利用FCM算法对构造的时间序列数据集进行聚类,最后根据聚类结果进行预测,并将其应用到中国的能源预测中,实验结果表明了该模型的可行性和有效性.     

基于时间序列趋势模型的研究与应用

该文针对呼叫中心话务量预测的问题,分析比较了目前常用的预测技术和方法,根据对实际话务量数据信息的分析研究,利用基于季节变动模型的时间序列分析方法,建立了原点相乘式直线型拟合季节变动趋势预测模型DART,对某呼叫中心话务量的时间序列进行了分析处理和预测,预测的结果表明该趋势模型能较全面地达到所要求的拟合效果和精度,从而较好地解决呼叫中心的呼入话务量的实际预测问题。     

基于改进时间序列统计模型的空气质量预报

针对复杂时序数据的预报,提出了自回归的一般近似方式以及动态最小二乘的预报方法.利用带约束的最优化思想,在这种动态时间序列预报方式的基础上建立了能够综合统计时间序列模型与机理决定模型预报模型,和动态的参数估计方式.模型对采自玉溪市大营街大气质量监测数据进行了预报,预报结果与实测吻合较好.模型的参数估计方式简单,能够综合机理模型和统计模型.其在对含有不确定性因素影响的复杂问题的预报具有推广意义.     

基于时间序列模型的福建省高考录取率预测

高中毕业生数和普通高等教育招生数是影响高考录取率的2个重要因素。分析福建省小学、初中、高中各阶段的毕业率和升学率以及普通高等教育招生数,用时间序列方法分别建立合适的数学模型,进而预测高中毕业生人数和普通高等教育招生人数,推测出高考录取率的短期发展趋势。预测结果表明,2014—2015年福建省高考录取率可能逼近100%。     

基于词典特征优化和依存关系的中文时间表达式识别

提出一种基于词典特征优化和依存关系的时间表达式识别方法。首先针对中文文本时间表达式边界定位不准确及长距离依赖的问题,优化了传统时间词典特征,将时间词典分为时间词词典和时间单位词典;其次针对传统基于机器学习的时间表达式识别方法忽视时间表达式本身结构特点的问题,在优化后的词典特征的基础上提取依存特征,挖掘时间表达式的结构信息;最后综合时间表达式的基本特征、词典特征和依存特征,在条件随机场模型上完成时间表达式识别。在中文语料上进行实验,时间表达式识别达到较好效果。     

基于自适应代理模型的序列迭代优化

针对现有较为成熟的代理模型通用性差的问题,提出自适应代理模型方法,该方法能够根据优化问题自适应地选择出性能最优的代理模型.对某一优化问题分别构建不同类型的代理模型,然后对其进行性能测试,挑选性能较好的模型并进一步组合,从而提高模型性能.在此基础上进行序列迭代优化,很好地解决了传统的序列迭代优化方法无法在优化过程中实时更...     

时间序列模型的遍历性分析

提出了一个带随机延滞的非线性时间序列模型,应用马氏链的随机稳定性理论,研究了由其决定的迭代序列的几何遍历性,给出了其以几何速率收敛的充分条件.     

时间序列ARMA模型的应用

对时间序列分析方法进行了介绍,对时间序列模型进行了研究。分析了时间序列模型的建立过程,并利用其中的ARMA模型对一个实例进行预测。结果表明,ARMA时间序列模型的预测结果是合理的。     

基于组件依赖的测试序列优化模型

针对大型复杂软件集成测试中耗时太多、分析复杂等不足，提出了一种基于组件依赖的测试序列优化模型。该模型首先分析和描述了组件间复杂的依赖关系；然后借助组件间的依赖关系对组件进行分组，并对每组组件赋予不同的测试优先级，通过有级别地选择测试组件集，达到合理分配测试资源的目的；最后给出了模型的实验结果和性能分析。     

用时间序列分析方法识别废弃河道

时间序列分析方法是随机数学的一个重要分支,应用到识别废弃河道沉积微相中,将地层垂向测井序列看做是沉积事件在测井相上的反映,每一个测井点都是沉积历史中相应沉积事件的反应,提出用时间序列分析方法中的自回归模型对垂向测井序列进行描述.利用最小二乘的辨识方法对模型进行辨识,用辨识的模型对相邻井相同层段的测井曲线进行预测.将这种方法运用到大庆油田的三次加密井的废弃河道沉积微相的识别中,结果表明:对于位于同一河道砂体的测井曲线,其预测结果和实际值的误差较小;对于废弃河道上的砂体的测井曲线,其砂体上部的预测结果和实际值的误差较大,由此可以识别废弃河道砂体实现.实验结果显示出这种方法能很好地区分废弃河道砂体和河道砂体.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。