基于小波-强跟踪滤波的陀螺漂移在线预测

为进一步提高陀螺漂移预测精度,根据陀螺一次项漂移系数非平稳时间序列的特点,针对其数据的突变和趋势相较强的问题,提出一种基于小波和多重次优渐消因子强跟踪滤波相结合的非平稳时间序列在线预测方法,并将其应用于陀螺一次项漂移系数预测。实验结果表明,该方法能有效改善数据突变和较强趋势项所带来的状态估计不准、进而造成预测不准的问题,提高了预测精度。     

基于小波-强跟踪滤波的陀螺漂移在线预测

为进一步提高陀螺漂移预测精度,根据陀螺一次项漂移系数非平稳时间序列的特点,针对其数据的突变和趋势相较强的问题,提出一种基于小波和多重次优渐消因子强跟踪滤波相结合的非平稳时间序列在线预测方法,并将其应用于陀螺一次项漂移系数预测。实验结果表明,该方法能有效改善数据突变和较强趋势项所带来的状态估计不准、进而造成预测不准的问题,提高了预测精度。     

基于小波理论改进的灰色预测方法

提出一种基于小波分析理论的灰色预测方法，以此方法将非平稳时间序列分解到不同尺度上以减少原始序列的随机性，然后用传统的灰色预测模型对重构后的时间序列分别进行预测，最终得到预测值。利用该方法对旋转机械零件的裂纹扩展进行了动态预测，取得了良好的效果。     

基于LMS的三阶Volterra自适应滤波器的时间序列数据预测算法的研究

为了确保工业复杂系统运行过程中的安全性和可靠性，对生产过程中的非线性数据进行预测分析成为一种有效手段。为了提高时间序列数据预测准确性，提出基于非线性归一化最小均方算法(LMS)的三阶Volterra自适应滤波器预测算法。首先针对时间序列数据的预测问题，利用有限项记忆单元的三阶Volterra级数对复杂系统运行数据进行预测。针对权重初始值会严重影响预测效果的问题，采用LMS自适应滤波算法对滤波器系数进行在线更新，对未来时刻的数据进行预测。最后利用联合循环发电厂数据对该预测算法进行实验，火电厂运行数据的预测值和实际观测值之间的误差很小，说明基于LMS的三阶Volterra自适应预测算法具有较好的预测效果，能够为实际的预测及控制提供有利的依据。     

基于小波-神经网络的井眼轨迹预测数学模型研究

以复杂钻井系统动力学为基础,从所建立的钻头位移模型仿真实验中提取数据,把所得的井眼轨迹时间序列进行小波分析重构,分别得到平稳的随机序列、周期序列和非平稳趋势序列;并把所得平稳随机序列、周期序列、非平稳趋势序列作为输入层,构造小波一神经网络井眼轨迹预测模型,充分发挥小波分析的多分辨率功能和人工神经网络的非线性逼近能力.通过实验验证,此模型能有效提高预测精度、延长预见时间,这将为复杂钻井系统井眼轨迹预测研究提供新的理论依据及方法.     

相关系数平稳序列滤波、预测和平滑

相关系数平稳序列是从非平稳序列中分离出来的一类工程实际中常见且便于研究的随机序列，文中首先给出相关系数AR(p)、MA(g)和ARMA(p，g)序列可直接测得情况下的预测公式，然后在测量噪声独立和相关两种情况下分别讨论相关系数平稳序列不可直接测得时的滤波、预测和平滑问题。文中方法能够对均值和方差都随时间变化的相关系数平稳序列或信号进行高精度的分析和处理，可广泛应用于通信、自动控制、结构响应分析和故障诊断等领域。     

汽轮机组非平衡运行过程振动数据的时间序列分析

时间序列的分析方法已经在许多工程领域得到广泛而成功的应用。文中通过对实际电厂运行汽轮机组非平稳过程中轴系振动数据的相关分析，对汽轮机组振动数据非平衡时间序列的MA(q）模型的识别和建模进行初步的探讨。为验证MA(q）模型对于汽轮机组非平稳过程中的振动数据分析的有效性，分别采用MA(2）、AR（20）和3阶多项式回归分析的方法，利用现场实测数据进行对比预测实验。实验结果表明利用MA（2）模型的预测效果明显优于采用AR(p）模型预测方法和传统的多项式回归预测方法的预测结果，从而验证采用MA（q）模型对于汽轮机非平稳运行过程中振动信号分析研究的有效性。     

相关系数平稳序列自适应算法

相关系数平稳序列的均值和方差都随时间变化，是一类工程中常见的随机序列，传统的平稳序列只是它的一个特例。文中在已建立的相关系数平稳序列分析方法的基础上．进一步提出相关系数平稳序列自适应算法。该方法属于一种快速算法，它通过将非线性方程组转化为线性方程组进行求解．实现了对相关系数平稳序列数据的实时处理，对其模型参数的实时修正，并且具有相当高的精度。     

被动检测系统中自适应算法收敛的动态判断

被动检测应用中，实际环境条件往往比较恶劣而且不可预测，非平稳干扰随时可能发生，如不能准确判断自适应系统实际收敛状况，检测结果将受到严重影响。在实际复杂噪声环境影响下，时间常数已不能代表系统的实际收敛特性，因此提出一种动态判断自适应检测系统迭代算法收敛的方法。基于自适应滤波器工作在理想最优条件时的正交原理，推导出考虑梯度噪声影响时误差与输出信号实际近似正交的约束条件，根据每次迭代不断更新的期望、输出及误差信号的均方估计，在线实时判断收敛并评估自适应解的质量，及时准确停止迭代以得到最佳检测结果，从而避免复杂背景干扰的影响。此动态判断条件对平稳与非平稳环境中的自适应检测均适用，不同条件下的处理结果验证了该方法的有效性。     

运用小波分析对非平稳时间序列的灰色预测

作者提出一种基于小波分析理论的灰色预测方法,以此方法将非平稳时间序列分解到不同尺度上以减少原始序列的随机性,然后用传统的灰色预测模型对重构后的时间序列分别进行预测,最终得到预测值.利用该方法对旋转机械零件的裂纹扩展进行了动态预测,取得了良好的效果.     

汽轮机组非平稳运行过程振动数据的时间序列分析

时间序列的分析方法已经在许多工程领域得到广泛而成功的应用。文中通过对实际电厂运行汽轮机组非平稳过程中轴系振动数据的相关分析 ,对汽轮机组振动数据非平稳时间序列的MA(q)模型的识别和建模进行初步的探讨。为验证MA(q)模型对于汽轮机组非平稳过程中的振动数据分析的有效性 ,分别采用MA(2 )、AR(2 0 )和 3阶多项式回归分析的方法 ,利用现场实测数据进行对比预测实验。实验结果表明利用MA(2 )模型的预测效果明显优于采用AR(p)模型预测方法和传统的多项式回归预测方法的预测结果 ,从而验证采用MA(q)模型对于汽轮机组非平稳运行过程中振动信号分析研究的有效性。     

递进自回归预测方法

提出递进自回归预测方法,其中包括递进自回归模型、递进自回归滑动平均模型、递进时变自回归模型、递进时变自回归滑动平均模型、递进回归一自回归模型。建立时间序列的递进预测公式,给出其最佳无偏预测,并推导出递进均方误差计算公式和高置信水平的递进预测区间估计。该方法是以逐步线性形式表示的一种非线性预测,既具有线性预测的简单性,又具有非线性预测精度高的特点。它不但可用于平稳时间序列预测,而且还可用于非平稳时间序列预测、确定性时间序列预测和小样本预测。此外,文中还给出时问序列线性组合及乘积的预测方法。并通过加权累加、倒数变换等方法,对观测值进行映射变换,使其呈现出更强的规律性,以进一步提高预测精度。     

基于 CSA-NARX 模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络( NARX )进行研究,利用变色龙优化算法( CSA )对其关键参数进行优化,提出了 CSA-NARX 神经网络模型。该模型在计算速度以及预测精度方面皆优于 NARX 基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了 97% 。以传统的非平稳时间序列分析模型 ARMA 和 LSTM 为对比,所提出模型的精度更高,验证了所提出模型的有效性。     

基于Chirplet变换的水轮机非平稳振动信号分析

首先应用调制移频和多采样率转换技术对水轮机过渡过程中的非平稳振动信号进行预处理,然后应用基于Chirplet的自适应信号分解方法和自适应Gauss Chirplet谱图对其进行时频分析。针对旋转机械的振动特点,改进了自适应Chirplet信号分解过程中Chirplet参数优化计算方法。分析结果与其他时频分析方法的对比表明：自适应Gauss Chirplet谱图时频分辨率高,而且没有交叉项干扰,适合于分析非平稳机械振动信号。     

基于组合核函数OSVR算法的起重机减速齿轮箱磨损趋势预测

针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归（online support vector regression,OSVR）预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。     

Analysis of Linear Prediction for Soil Characterization in GPR Data for Countermine Applications

Ground-penetrating radar (GPR) is a versatile technology for subsurface sensing, and has shown promise in countermine applications when a target detection algorithm is employed. Because the soil environment is naturally heterogeneous and nonstationary, many detection algorithms have taken the form of adaptive filters operating on the real-aperture radar data. In particular, linear prediction techniques have received much attention for their ability to screen for anomalous signals that differ from the background. In this work, we demonstrate that linear prediction may provide a low-dimensional feature set that is indicative of various soil properties. Experiments were performed with simulated and field-collected GPR data, and results provide greater understanding of how linear predictors might be useful in landmine detection over varying terrain.     

基于Adaline的数控系统位置控制器研究

针对机床数控系统进给位置控制的性能要求,必须根据其工作方式和误差情况实行变增益控制策略,才能较好地兼顾动态和静态指标,为此,选用自适应线性神经元(Adaline)代替原有的比例环节,可以获得相应的控制性能。经数字仿真和实际使用表明,在数控系统中引入人工神经网络控制思想是合理可行和有效的,并且还可以进一步通过硬化实现,达到实时在线控制的目的。     

Adaptive modelling of transient vibration signals

Conventional vibration signal processing techniques are most suitable for stationary processes. However, most mechanical faults in machinery reveal themselves through transient events in vibration signals. Time-series modelling, including autoregressive moving average (ARMA) modelling and autoregressive (AR) modelling, is an efficient approach for transient signal analysis. Based on the adaptive prediction technique, this paper applies the principle of the adaptive line enhancer (ALE) to the modelling of transient vibration signals. The time-series models, adaptive algorithms and the rational time–frequency transfer function are investigated in the paper. Simulation and experimental studies with different time–frequency–amplitude distributions and transient vibration responses are described. The results show that the adaptive modelling method can trace the time–frequency signal and extract dynamic features such as time–frequency distributions and time–amplitude distributions from sample signals. Given the simple programming and potentially easy implementation in on-line applications, this method should have application in machine monitoring and fault diagnosis.     

基于神经网络的电火花线切割机床可靠性预计

针对电火花线切割机床可靠性数据较少、传统可靠性预计方法无法进行可靠性预计或预计误差较大的问题,提出了基于神经网络进行电火花线切割机床可靠性预计的方法。将可靠度与对应的时间序列相结合,采用时间序列法对其进行统计分析,然后应用神经网络向外推测,从而得出电火花线切割机床可靠度的预计结果。通过实例证明,应用该方法对电火花线切割机床可靠度预计结果的最大误差为0．0082,远远高于其它方法的预计精度。