混沌时间序列局域偏最小二乘回归多步预测模型

针对混沌序列局域一阶多步预测问题,提出了基于偏最小二乘回归的混沌时间序列局域直接多步预测模型,偏最小二乘用于混沌时序重构相空间中演化轨迹前后相点信息间的建模。该模型克服了以往一阶局域单步预测模型进行多步预测时存在的误差累积,而且能抑制重构相空间中多重共线性的影响,提高了预测精度。试验中使用交叉验证方法将偏最小二乘的提取成分数。通过对Chen’s混沌序列和Mackey-Glass混沌序列的多步预测试验,验证了该模型在混沌时序预测方面具有很好的效果。     

基于粒子滤波的混沌时间序列局域多步预测

对混沌时间序列进行预测研究具有重要的价值和实用性,例如,进行股票预测,降雨量预测,温度预测。混沌时间序列预测的难点在于其不确定性和多步预测的困难性。一般利用最小二乘法求解模型参数,从而对混沌时间序列进行局域预测,但是预测精度不是很高。为了提高局域线性预测的精度,提出基于粒子滤波(PF)的混沌时间序列局域多步预测法,利用粒子滤波进行参数优化得到更准确的优化模型进行多步预测。仿真实验结果表明,该方法的单步和多步预测效果明显得到了提升。     

一种非平稳非线性频谱占用度时间序列分析方法

针对传统频谱占用度分析模型由于未考虑序列的非线性非平稳特性,导致无法准确描述频谱占用度特性的问题,该文提出将集合经验模式分解(EEMD)方法与人工神经网络(ANN)的方法结合应用于频谱占用度时间序列建模方法中,采用EEMD+ANN的频谱占用度序列建模和预测方法.首先应用EEMD分解算法把原始频谱占用度时间序列分解成不同尺度的基本模态分量,再根据不同尺度的基本模态分量分别构建ANN模型,提高了模型针对复杂频谱占用度时间序列的学习能力.结合实测数据分析,表明该模型相对传统频谱占用度模型具有更高的拟合和预测精度,验证了该方法的正确性与有效性.     

针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.     

一种准确预测船舶交通流的自适应遗传算法优化的BP神经网络模型研究

为了实现船舶交通流量的精确预测,对某大桥在2010年始~2016年终之间通过的船舶数量进行实测,并将实测数据作为时间序列,对其进行NP单根检验,得到的该时间序列具有非平稳性,进而建立EEMD-IAGA-BP神经网络预测模型,将实测船舶交通流量分解,得到多个平稳的分解信号,采用EEMD模型对其进行优化计算,研究结果表明:EEMD-IAGA-BP神经网络预测模型精度高于传统IAGA-BP模型,能够较为精确的预测船舶交通流量。     

混沌信号的相空间重构和预测方法研究

基于复杂非线性系统的相空间重构理论和神经网络本质为非线性映射关系的特点,提出利用混沌时间序列重构相空间和BP神经网络构建其预测模型的方法。利用该方法对典型的Lorenz混沌时间序列进行了空间重构,研究了预测模型的预测效果,结果表明单步预测效果理想,多步预测在50步以内也能取得较小的预测误差,证明了混沌信号不同于随机噪声,具有短期可预测、长期不可预测的特征。该方法为具有混沌特性的时间序列如心电信号、电力负荷等预测模型的建立提供了理论基础。     

一种基于双向GRU的UAV飞行轨迹预测方法

由于三维轨迹是一个具有连续性和交互性的复杂时间序列,因此,针对无人机飞行轨迹预测问题,结合深度学习理论特点,提出了一种基于双向门控循环单元的无人机飞行轨迹预测方法,进一步提高了轨迹信息的利用率.首先,建立无人机飞行动力模型,仿真获得不同状态的飞行轨迹样本;其次,利用均方误差作为损失函数,确定了双向门控循环单元轨迹预测模...     

机载雷达信号连续稳定跟踪定位算法研究

针对时差定位系统对机载雷达信号多站同时截获概率低、时差定位轨迹不连续的问题,研究了利用多种目标运动轨迹特征,结合时差定位和交互式多模型滤波算法预测时间差变化趋势,反推时间差再对原时间序列进行插值.通过典型运动场景模拟仿真验证,该算法具有较理想的跟踪定位性能.     

基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

一种用于卫星网络的业务预测方法

针对卫星网络业务具有自相似的特点,介绍了一种基于集合经验模式分解的业务组合预测方法(EEMD)。该方法利用EEMD的分解特性,将具有自相似的网络流量分解成多个只具备短相关性的本征模态函数(IMF),这样便可使用传统的流量预测算法进行预测。文中使用人工神经网络与自回归滑动平均模型(ARMA)这两种方法进行预测。最后将多个本征模态函数(IMF)预测的结果相加作为原始信号的预测结果,实验证明此方法有更高的精度。为了迎合卫星实时性的需求,给出了硬件的框架,该框架采用DSP与FPGA相结合的构架实现连续数据的EEMD实时处理。