估计MA参数的多维强Gevers-Wouters算法及其在构造ARMA新息模型中的应用

提出了用多维Gevers-Wouters（G－W）算法得到稳定的滑动平均（MA）过程的一个频域充分条件,并给出了在构造ARMA新息模型中的应用,给出了保证ARMA新息模型的MA多项式矩阵稳定的一个时域充分条件,仿真结果表明,多维G－V算法具有快速收敛的性质。     

ARMA模型法生成粉红噪声的研究

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

生成粉红噪声的ARMA模型

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(Auto-regressive moving average,ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

基于选择性集成ARMA组合模型的零售业销量预测

准确预测商品销量的走向对零售企业具有重要意义,构建自回归移动平均模型(ARMA模型,Auto-Regressive and Moving Average Model)对零售商品时序销量数据进行预测分析。传统ARMA模型无法准确描述商品销量中同时存在的非平稳非线性特征。论文分别采用支持向量回归(SVR,Support Vector Regression)方法和极限学习机(ELM,Extreme Learning Machine)方法,对时序模型中非线性误差进行预测并进行误差补偿,提高了商品销量的预测精度。提出了遗传优化的选择性集成定阶方法,用以简化ARMA模型的复杂定阶过程,降低了对数据平稳性程度要求。论文收集了某电商平台商品销量数据,对ARMA、选择性集成ARMA、ARMA-SVR、ARMA-ELM四种预测模型的性能进行了对比分析,结果表明,选择性集成ARMA模型预测精度在平稳和非平稳时序数据下分别提高23.58%和41.28%。组合模型相比仅采用线性平稳时序模型的预测结果更符合实际,其中,ARMA-SVR模型在小样本、非平稳时序下预测精度比ARMA-ELM模型高出约三分之一。     

基于视频序列的双背景建模算法

在研究传统码本和滑动平均背景建模算法的基础上提出了一种基于视频序列的双背景建模算法, 并利用统计的方法提出了一种基于HSV特征的背景更新方法, 有效滤除了噪声点, 解决了光线突变下背景更新的问题。实验表明该算法对光照突变鲁棒性强, 响应速度快, 适合实时图像处理。     

读请求的空间与时间特征建模

为了改善并行应用程序和并行文件系统的I/O性能,对读请求的空间与时间特征进行建模。使用自相关函数分析和Haar小波变换来自动识别自回归、集成的移动平均的模型结构,通过该模型来预测读请求的时间特征;使用马尔可夫模型对读请求的空间特征进行建模、预测。该模型可以将自回归、集成的移动平均时间预测模型与马尔可夫空间预测模型结合,并自适应地预测什么时间、取哪些数据块、取多少数据块。     

小波与时间序列在数字信号质量监测中的应用

描述了小波和时间序列分析在数字信号质量监测中的应用。与传统监测信号方法不同,这种方法从被测信号的组成成分入手,通过小波变换对原始信号依尺度分解成不同层次,并从其中提取特征信号,同时对其建立自回归滑动平均(ARMA)模型,通过分析ARMA模型的参数得出信号的质量状况。另外还描述了如何根据被分析信号的特征、小波重构信号的能力及计算速度选择合理的小波基的方法。     

On time series model selection involving many candidate ARMA models

We study how to perform model selection for time series data where millions of candidate ARMA models may be eligible for selection. We propose a feasible computing method based on the Gibbs sampler. By this method model selection is performed through a random sample generation algorithm, and given a model of fixed dimension the parameter estimation is done through the maximum likelihood method. Our method takes into account several computing difficulties encountered in estimating ARMA models. The method is found to have probability of 1 in the limit in selecting the best candidate model under some regularity conditions. We then propose several empirical rules to implement our computing method for applications. Finally, a simulation study and an example on modelling China's Consumer Price Index (CPI) data are presented for purpose of illustration and verification.     

基于分层匹配五元组Codebook的运动目标检测算法

运动目标检测是智能视频分析的第一步,Codebook算法是该领域中广泛应用的算法之一。分层匹配五元组Codebook算法是在经典Codebook算法基础上的一种改进算法。该改进算法在码字模型中引入平均亮度代替最大亮度和最小亮度,并且依据平均亮度对高亮度和低亮度区域采用不同的匹配计算方法。实验表明,改进后的Codebook算法成功利用五元组代替六元组实现处理速度的提高,利用高低亮度区域分层匹配实现检测精度的提高。     

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法 (MSBM). 该方法以熵图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换. 对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度, 反之采用简单的模型以降低计算量. 通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价. 基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多.     

基于长相关的网络节点有效性研究

针对因节点失效而产生的网络拥塞现象,提出了一种度量节点有效性的评价指标.该指标针对实际流量的长相关特性,分别利用自回归滑动平均(auto-regressive and moving average,ARMA)模型和线性分形稳定噪声(linear fractional stable noise,LFSN)模型建立到达流量的预测方法.深入研究了该指标与平均到达速率之间的关系,仿真实验结果表明,当平均到达速率较小时ARMA模型性能较好,反之则LFSN模型性能较好.     

一种基于CPU负载平均的负载均衡算法

与传统分布式集群环境迁移进程不同,虚拟计算环境下的迁移实体是虚拟机,文章针对虚拟机粒度较大的特性,提出了一种基于虚拟机迁移的负载均衡算法。该方法用CPU预测技术避免呈下降趋势时发生不必要迁移。文章的算法采用全局平均的负载均衡策略,只有当负载差值大于一定值才触发迁移。     

基于视觉记忆模型聚类的运动目标检测

传统的混合高斯背景建模可对存在渐变及重复性运动的场景进行建模,但其运算过程需要足够的计算量和存储空间,不适应在复杂背景下的背景建模,也不能解决场景中存在的突变。针对这些问题,提出了一种基于记忆模型的聚类算法,算法为每个像素点设置一个聚类模型,每个聚类可根据背景的变化结合人类记忆模型自适应的创建、更新和删除。该算法通过人类瞬时记忆、短时记忆和长时记忆做出准确判断,运动目标检测结果更能符合人类感觉器官的判断。     

均值滤波和形态学在振荡脉搏波提取中应用

目前,市场上85%以上的电子血压计均采用振荡法进行血压测量,振荡法血压测量的关键步骤就是从原始的采集信号中提取出纯净振荡脉搏波用于血压计算.本文将采用自己研制的基于上气式的血压数据采集装置进行数据采集,针对采集过程中由于电机振荡、呼吸以及身体移动和电子元器件温度变化等因素所引起的高频噪声和基线漂移,提出了滑动均值滤波和数学形态学结合的去噪方法.经过实验验证表明,该方法有效地去除了振荡脉搏波中的高频噪声和基漂信号;通过信号频谱分析表明,明显降低了信号高频段的幅值,信噪比得到了良好的改善,提高了血压测量的精度.     

基于ARMA的混合卷烟销售预测模型

为了提高卷烟销售预测准确性,平衡生产与需求,协同工商业,建立切实合理的月供应计划,提出了一个基于ARMA(autoregressive moving average model,自回归滑动平均模型)的混合卷烟销售预测模型,实现卷烟月总量的预测。该模型首先基于ARMA建立月预测模型;再用计划评审技术PERT得到月预测经验期望值;最后通过设定加权系数,综合两个预测值得到月预测销售总量。实验结果证明该模型能够较好地预测出规格卷烟月销售总量值变化。     

一种基于ARIMA和LSTM的民航旅客订座组合预测模型

针对民航旅客订座预测问题,提出一种组合预测模型。首先,根据订座特性,设计缺失值、噪声数据预处理方法,使得历史订座数据得到有效校正。然后,为了提高预测准确性,建立自回归求积移动平均模型（ARIMA）以及基于特征选取长短时记忆网络（LSTM）的组合预测模型,并利用某航空公司实际订座数据,将该组合模型应用于旅客订座预测场景中,实验结果表明,本文提出的组合模型的MAE值、RMSE值均小于2个单项模型,预测结果更准确。     

Autoregressive forecast of monthly total ozone concentration: A neurocomputing approach

The present study endeavors to generate autoregressive neural network (AR-NN) models to forecast the monthly total ozone concentration over Kolkata (22°34′, 88°22′), India. The issues associated with the applicability of neural network to geophysical processes are discussed. The autocorrelation structure of the monthly total ozone time series is investigated, and stationarity of the time series is established through the periodogram. From various autoregressive moving average (ARMA) and autoregressive models fit to the time series, the autoregressive model of order 10 is identified as the best. Subsequently, 10 autoregressive neural network (AR-NN) models are generated; the 10th order autoregressive neural network model with extensive input variable selection performs the best among all the competitive models in forecasting the monthly total ozone concentration over the study zone.     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

针对通信社会网络的时间序列链接预测算法

已有静态链接预测主要采用覆盖图表示社会网络,利用链接之间的结构信息来预测链接的发生。然而,这些方法仅能预测新链接的发生,而对旧链接的重复发生没有做预测,因此不适合预测重复发生的链接是主要兴趣的应用领域。针对静态链接预测算法的不足,引入时间序列链接预测算法,并且组合静态和时间序列链接预测算法为混合时间序列链接预测算法。在Enron电子邮件数据集上的实验结果表明,时间序列链接预测算法性能优于静态链接预测,混合时间序列链接预测算法的预测性能比单独使用静态或时间序列链接预测算法都要优越。