ARMA建模在神经网络卡钻预测方法中的应用研究

为准确预测卡钻事故的发生,利用一种基于时间序列的神经网络卡钻预测方法,将时间序列ARMA建模与神经网络非线性建模相结合。选取与卡钻事故相关性较大的参数作为神经网络的输入项,运用现场数据对神经网络进行训练,再利用神经网路的强非线性和自适应学习能力来建立卡钻事故预测模型;通过时间序列对历史数据的挖掘功能,揭示实际钻井过程中对卡钻事故影响较大的各参数的隐含规律,建立时序ARMA模型,求出卡钻时刻钻井相关参数的预测值;将预测值放入神经网络模型进行测试训练,从而达到预测卡钻事故的效果。运用延安地区实际现场数据证实该方法具有精确的卡钻预测能力及较好的泛化能力。     

基于奇异谱分解和双重注意力机制的超短期光伏功率预测方法

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题，提出一种结合奇异谱分解（SSD）、双重注意力机制和双向门控逻辑单元（BiGRU）时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性；然后利用BiGRU网络对分解后的信号进行时序建模，并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块，对BiGRU网络提取的特征进行权重加权；最后经过决策层获得最终的光伏功率预测结果。实验结果表明，SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度，在不同季节和不同天气情况下均优于其他几种经典方法，具有较高的实用价值。     

基于小波神经网络和ARMA模型的CPI波动区间预测

目前对于消费者价格指数(CPI)的预测研究基本集中于点预测。为预测本期较上期的CPI数据波动区间,提出一种基于小波神经网络和ARMA组合模型预测的方法。该模型首先利用小波神经网络对CPI数据进行拟合测试,对测试序列实际输出和期望输出的残差序列{et}进行ARMA建模预测,然后基于方差最小原则得到预测残差序列{e!t}95%的置信区间。通过实验表明预测残差序列95%置信区间可以很好的反应未来CPI数据的波动情况,具有较高的参考价值。     

基于高斯过程混合模型的瓦斯安全状态分类研究

针对目前瓦斯浓度预测与瓦斯安全状态分类方法中主观性较强、超参数难以选取、解释性差、无法有效地利用样本之间时序信息等问题,本文提出了基于高斯过程混合模型的瓦斯浓度预测与安全状态分类方法。高斯过程是机器学习领域中解决非线性回归问题的典型方法,能够有效地利用数据之间的相关性,常用于时间序列的建模与预测。然而,单个高斯过程存在着一定的局限性,难于对非平稳、多模态的数据进行有效地建模和回归分析。在高斯过程的基础上引入其混合模型,则可增强模型的表达能力,能够对有复杂结构的数据进行建模。我们将瓦斯安全状态根据风险由高至低分成红橙黄蓝四个等级,在每个风险等级上瓦斯浓度数据采用单个高斯过程进行建模。由于一般瓦斯浓度数据包含着各个风险等级的数据,高斯过程混合模型则可用于对整体数据进行建模和回归分析。根据对数据的参数学习结果,高斯过程混合模型便可自适应地得到每个时刻对应的风险等级,并在预测瓦斯浓度时对各个高斯过程分量的预测进行加权,得到更为鲁棒的预测结果。实验结果表明,基于高斯过程混合模型的方法可有效地预测瓦斯浓度、评估安全状态。      

基于PSO-BP的神经网络卡钻事故预测研究

随着科技的快速发展,对能源的需求日益提高。石油作为基础的传统能源在其中扮演了重要地位。在勘探石油的钻井过程中,由于不确定的地质等客观因素,钻井事故常有发生。井下事故从发生到处理会占据石油生产单位大量的非生产时间,严重损害经济效益,危害工作人员人身安全。在钻井事故中以卡钻事故尤为常见,其中因卡钻事故引发的次生灾害不在少数。文章文参考近年钻井历史数据,分析导致卡钻事故发生的因素,建立经由PSO粒子群算法优化的BP神经网络模型,通过对相关样本的训练和验证,实现基于PSO-BP的神经网络预测模型。经实验,文章中PSO-BP神经网络预测模型相较优化前有更高的精确性。研究结果对钻井事故研究具有重要参考意义,对相关从业人员有重要启发意义。     

我国工伤事故死亡率预测及研究

本文针对1963年至2012年全国工业事故死亡率,用ARMA模型进行时间序列分析,结合SAS软件检验模型的可行性,并进行预测应用。结果表明,基于ARMA模型的中国工伤事故死亡率的模拟值和真实值较吻合。     

系统设计中有色噪声的研究

针对近些年系统设计以计算机仿真为基础这一特点,着重研究了有色噪声的仿真方法。利用ARMA模型完成了对已知功率谱密度图形的各种有色噪声的仿真,并对原始的建模方法进行了修正,使得仿真后的结果更加理想。     

网络流量预测中的时间序列模型比较研究

网络流量预测在新一代网络协议设计、网络管理与诊断、设计高性能路由器等方面都具有重要意义.目前通常采用ARMA和FARIMA时序模型对网络流量序列进行拟合与预测,但没有对时间尺度的大小与模型选择的关系进行研究.本文对实际网络流量在不同时间尺度(毫秒、秒、分)下进行了流量预测建模并对预测性能进行比较,分析表明使用时序模型进行流量预测时,大时间尺度(分)流量预测较小时间尺度(毫秒、秒)具有更小的预测误差.并且,对于小时间尺度上的自相似流量序列,自相似模型FARIMA并没有较其他时序模型有更好的预测性能.     

PCBA结构参数与振动谱型对BGA焊点疲劳寿命的影响

为获得印制电路板组件(PCBA)的板厚、芯片布局等结构参数和随机振动谱型(功率谱密度,PSD)变化对球栅阵列(BGA)封装芯片焊点振动疲劳寿命的影响,利用HYPERMESH软件建立了带BGA封装芯片的PCBA三维有限元网格模型,并采用ANSYS软件对PCBA有限元模型进行了随机振动响应分析。结果表明,随着PCB厚度增加,BGA焊点振动疲劳寿命呈现明显提升的趋势,当PCB厚度由1.2 mm增加到2.2 mm时,BGA焊点振动疲劳寿命N由45363大幅增加到557386;合理的芯片安装间距能够明显增加焊点振动疲劳寿命,特别是当芯片安装在靠近固定约束并处于两个约束对称中间位置时;当PCBA的第一阶固有频率位于随机振动谱最大幅值对应的频率区间时,BGA焊点的振动疲劳寿命会明显降低。     

基于微多普勒特征的目标微动参数估计

本文首先建立了锥体目标微动模型,分析了其微多普勒特征,从理论上预测了多普勒谱宽与微动参数和目标几何参数的线性关系,然后由目标雷达回波模型,利用数值解的方法验证了多普勒谱宽与微动参数的线性关系,由此提出了一种新的锥体目标雷达特征提取和参数估计的方法.最后使用软件对目标进行电磁散射建模,并利用静态建模数据完成准动态的建模,使用仿真数据估计微动和目标几何参数,最后通过仿真结果证明本文提出的方法的效果.     

基于KULLBACK-LEIBLER信息距离的接收机稳定性检测

为准确反映雷达接收机工作状态的变化情况,提出了一种基于KULLBACK—LEIBLER信息距离的接收机稳定性检测方法。该方法通过ARMA模型和KULLBACK—LEIBLER信息距离的建立,能够有效克服检测过程中的杂波干扰对检测结果的影响,得到较为精确的功率谱偏离量估计,且便于用DSP芯片进行实时计算,判断接收机工作状态的变化情况。最后通过对模型的仿真,证实了上述方法的可行性。     

改进果蝇算法优化广义回归神经网络的双陷波超宽带天线建模

为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。这样可以避免果蝇算法陷入局部最优,提高模型预测精度。将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。     

功率变流器传导干扰多通路频域模型研究

针对功率变流器传导电磁干扰建模与预测方法展开研究,提出了多通路并联的"干扰源-耦合通路"频域模型,研究了干扰源频谱及干扰耦合通路传递函数的建模提取方法.通过提取干扰源的端口频谱特性及干扰耦合通路的传递函数,直接在频域计算干扰噪声,具有建模方法简单,通用性强,不受具体电路结构限制的特点,可作为通用的频域建模方法应用于功率变流器传导电磁干扰建模与预测研究.通过具体实例,阐述了所提出的多通路频域模型的建模流程,验证了模型的准确性及其在变流器传导干扰建模、预测与噪声抑制过程中的指导意义.     

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。     

Pseudolinear estimation of fractionally integrated ARMA (ARFIMA)models with automotive application

A novel pseudolinear method for the estimation of fractionally integrated ARMA (ARFIMA) models that are capable of representing combined long- and short-term dependency, is introduced. The method is based on the relationship of the AR/MA parameters and the coefficients of the fractional power operator binomial series expansion with the model's inverse function. These lead to the formulation of a special-form regression problem that can be decomposed into a univariate nonlinear and a multivariate linear regression and may be thus tackled via a special pseudolinear procedure. This decomposition in turn leads to the elimination of the need for initial guess parameter values, drastic simplification in the detection and handling of potential local extrema problems, as well as computational simplicity. The method's strong consistency is established, whereas its performance characteristics are assessed via Monte Carlo experiments and comparisons with the maximum likelihood method. The pseudolinear method is also used for the ARFIMA modeling and prediction of power consumption in an experimental automobile fully active suspension system, the consumption of which is shown to exhibit long-term dependency. A comparison with ARMA/ARIMA type modeling is also made, and the obtained ARFIMA models are shown to achieve improved predictive performance at a drastically reduced parametric complexity     

ARMA-based time-signature estimator for analyzing resonantstructures by the FDTD method

We propose an algorithm for estimation of the optimal “system” parameters of time sequences (TSs) computed by the finite-difference time-domain (FDTD) method, with the goal of accurate representation of the time-signature using low-order models. The FDTD method requires computation of very long time sequences to accurately characterize the slowly decaying transient behavior of resonant structures. Therefore, it becomes critical to investigate methods of reducing the computational time for such objects. Several researchers have argued that the FDTD-TS can be modeled as the impulse response (IR) of an autoregressive moving average (ARMA) transfer function. However, it is known that determination of ARMA parameters by IR matching is a complex nonlinear optimization problem. Hence, many existing methods in EM literature tend to use Prony-based, linear predictor-type spectrum estimation algorithms, which minimize a linearized “equation error” criterion that approximates the true nonlinear model-fitting error criterion. As a result, significantly high model orders are needed by these methods to achieve good corroboration in the frequency domain, especially when a magnitude spectrum has deep nulls or notches. We propose to use a deterministic ARMA approach, which minimizes the true nonlinear criterion iteratively, and attains significantly improved IR fit over Prony's (1795) method using fewer ARMA model parameters. For a given time-sequence of an analyzed circuit, the issues of model order selection and choice of decimation factor are also addressed systematically. The improved performance of the proposed algorithm is demonstrated with transient simulation and signal analysis of microstrip structures which manifest deep nulls in the frequency domain     

ARMA Synthesis of Fading Channels

Computationally scalable and accurate estimation, prediction, and simulation of wireless communication channels is critical to the development of more adaptive transceiver algorithms. Previously, the application of autoregressive moving average (ARMA) modeling to fading processes has been complicated by ill-conditioning and nonlinear parameter estimation. This correspondence presents a numerically stable and accurate method to synthesize ARMA rational approximations of correlated Rayleigh fading processes from more complex higher order representations. Here, the problem is decomposed into autoregressive (AR) model matching followed by linear system identification. Performance is compared to that of AR, inverse discrete Fourier transform, and sum of sinusoids techniques. Also, for the first time, the finite-precision performance of different methods is compared.     

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。     

Jitter-based delay-boundary prediction of wide-area networks

The delay-boundary prediction algorithms currently implemented by transport protocols are lowpass filters based on autoregressive and moving average (ARMA) models. However, previous studies have revealed a fractal-like structure of delay sequences, which may not be well suited to ARMA models. We propose a novel delay-boundary prediction algorithm based on a deviation-lag function (DLF) to characterize the end-to-end delay variations. Compared to conventional algorithms derived from ARMA models, the new algorithm can adapt to delay variations more rapidly and share the delay's robust high-order statistical information (jitter deviation) among competing connections along a common network path. Preliminary experiments show that it outperforms Jacobson's (1988) algorithm, which is based on an ARMA model, by significantly reducing the prediction error rate. To show the practical feasibility of the DLF algorithm, we also propose a skeleton implementation model