基于SAS的火控精度时间序列分析

为分析火控精度时间序列,采用SAS语言模块,分别从时间序列数据的预处理、时间序列建模、时间序列的预报方面,讨论了时间序列分析问题,并结合火控精度实验中的数据实例探讨了SAS的优越性和实用性。结果表明,利用SAS分析火控系统模型,可大大提高效率,能实时解决工程中发生的一些问题。     

时间序列预测的发展与应用

为了给运载火箭测试数据预测问题的研究打下基础,开辟研究思路,对时间序列预测方法进行研究。介绍了传统时间序列预测方法中的指数平滑法、季节模型和求和回归滑动平均模型的发展,重点阐述了时间序列预测的3类热门研究领域：多变量时间序列模型、模糊时间序列模型和组合预测模型,并通过文献介绍,分析了时间序列预测技术的应用与改进方向。     

非线性时间序列的信息流研究

基于Takens定理的相空间重构为利用时间序列分析研究非线性动力系统提供了理论基础。相空间重构不仅给出了用于分析的动态模型，而且揭示了存在于状态变量之间的信息流。本文以Lorenz模型为例，通过相空间重构，验证了存在于Lorenz模型各状态变量之间的信息流。提出了利用信息流概念进行虚拟测量的方法。     

基于ARMA时间序列模型的国防费预测

国防费预测是指对未来国防费的客观支出过程及其变动趋势的分析和测算。在判别国防费时间序列平稳 性的基础上,利用ADF 单位根方法检验时间序列的单整阶数,借助Eviews 统计软件构建我国国防费自回归AR 模 型和移动平均MA 模型,对我军未来5 a 的国防费进行预测分析。结果表明：该方法是可行的,能准确预测中短期 我军国防费水平,客观正确反映我国国防费增长规律。     

基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论,建立了完整的时序预测模型,运用于陀螺漂移平稳时间序列的预测.通过仿真实验结果,证明了该方法的有效性和可行性.     

基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论，建立了完整的时序预测模型，运用于陀螺漂移平稳时间序列的预测。通过仿真实验结果，证明了该方法的有效性和可行性。     

SA信号时间序列分析

分析了进行GPS SA研究的必要性,选择Trimble公司的Model 4000RL GPS接收机于定点采集数据,通过定位计算和时钟偏移滤波相结合的方法分离SA信号,经检验指出SA信号基本是零均值的平稳随机过程,并具有ARMA(3,2)的结构,对200个模型参数的频域和时域的分析,认为所有模型都是稳定的,进行预测和滤波将是收敛的。     

基于时间序列方法的自校正滤波器设计

文中设计了一种新的基于ARMA模型自校正卡尔曼滤波器，从而避免了经典卡尔曼滤波器需要精确知道系统的模型参数和噪声统计特性的缺点。仿真结果表明，在未知部分模型参数和噪声统计特性的情况下，自校正卡尔曼滤波器的滤波性能．非常接近稳态最优卡尔曼滤波器。且计算过程简单．并可以在线建模．适用于部分慢时变系统。     

基于LS-SVM的装备需求时间序列预测

支持向量机 (SVM)是一种基于结构风险最小化原理的学习技术,是一种新的具有很好泛化性能的数据挖掘工具.文中在最小二乘支持向量机(LS-SVM)回归算法的基础上,引入了混沌理论时间序列理论的相空间和嵌入维数概念,建立了LS-SVM时间序列预测模型,并应用于武器装备需求预测,预测结果证实了该模型和方法的有效性.     

基于小波分解与重构的混沌时间序列预测

提出一种通用的混沌时间序列预测方法.算法首先通过小波分解与重构将具有混沌特征的时间序列分解为一个低频信号和多个高频信号;对不再具有混沌特征的信号分支采用神经网络模型预测;对具有混沌特征的信号分支采用基于非线性混沌动力学的预测模型;最后将各分支的预测值组合获得最终预测值.通过月平均太阳黑子数这一典型混沌时间序列的预测实验表明该方法比传统的神经网络预测方法和混沌预测方法的预测精度高,可以较好地应用于混沌时间序列的预测中.     

基于使用寿命的备件需求预测模型

为实现备件数量科学确定与合理优化,建立基于使用寿命的备件需求预测模型。从收集数据、确定分布、分布假设检验和确定需求方面对模型进行介绍,并基于模型装备故障数据,通过实例对模型进行验证分析。结果表明:该模型是有效、可行的,可为相关研究提供参考。     

基于改进Grey-Markov模型的导弹备件需求预测

导弹备件需求系统是复杂的系统,根据灰色预测和Markov的特点,给出Grey-Markov模型,用无偏GM（1,1）模型拟合备件需求的变化趋势,而进行Markov预测,在预测过程中,不断更新原始数据;通过对导弹备件需求预测表明,相比一般的灰色预测模型,该模型预测准确度（尤其是中长期预测中）得到了较大提高。     

基于平稳时间序列分析的陀螺漂移性能预测的研究及实现

提出了基于平稳时间序列分析的陀螺漂移性能预测方法,设计了融数据测试和性能预测为一体的硬件电路,采用可视化编程语言编制了相应的性能预测程序.实验结果表明,该方法能够很好地预测陀螺漂移性能变化趋势,并且能够比较精确地给出性能预测值.     

模糊时间序列的最优预测方法

以模糊时间序列的 Ｆ Ａ Ｒ（ｐ ）为基础,建立了模糊时间序列的最优预测原则、计算原理及计算方法,探讨了实时预测途径,并通过仿真验证了所建立的最优预测方法的有效性。     

基于IOWA 算子的装备备件需求量组合预测模型

针对传统预测模型在预测过程中信息利用不充分和预测对象复杂多变的问题,建立一种基于IOWA算子的最优组合预测模型。该模型利用IOWA算子集合灰色系统建模和小波神经网络处理非线性复杂系统的优点,以误差平方和为准则对数据进行分析,并利用Matlab工具箱对其进行优化计算,从而得出最优组合预测结果。实例分析结果验证了该组合预测模型的科学性和优越性。     

基于模糊推理的战时备件需求预测

针对战时多阶段备件需求的不确定性及阶段相关性特点,提出了基于模糊推理的战时备件需求预测方法。把体现作战意图的专家预测值与体现需求量阶段相关性的Markov 预测值结合起来,通过Mamdani 模糊推理规则及反模糊化给出最终备件需求预测值。采用语言变量描述备件需求量,定义了需求量模糊集合,并在Markov 预测需求量时直接采用该模糊集描述系统状态。实例表明该预测方法能有效用于缺乏历史需求记录的战时备件需求预测问题中。     

基于相似时段和PCA-ELM 的超短期风电功率预测

为提高风电场输出功率的预测精度, 提出一种采用相似时段选取原则和基于主成分分析(principal component analysis,PCA)与多层自编码极限学习机(multi-layer auto encoder extreme learning machine,ML-AE-ELM) 组合算法(PCA-ELM)的预测模型。通过关联度分析明确待测时段的相似时段范围,结合天气数据、机组状态和历史 功率构建训练和测试样本,利用预测算法完成样本的训练和测试,得到输出功率预测结果并验证。实验结果表明： 与常见的算法模型相比,该预测模型在不同装机容量和不同工作状态的风电场中均具有较高的预测精度,表现出良 好的预测稳定性和泛化能力。     

基于SES 的不常用备件需求预测模型

在目前引进装备的需求预测中,针对历史数据较少和样本值具有大量零值的问题,采用一次指数平滑法（Single Exponential Smoothing,SES）进行不常用备件需求预测。分析指数平滑法初始值和加权系数对模型预测准确性的影响,建立舰艇间断性需求备件的预测模型,并对某型舰艇备件进行预测和分析,较好地实现了间断性需求备件的预测。仿真结果证明了该方法的可行性和有效性。     

基于ANFIS的长期电力负荷预测模型

某电力公司的长期负荷预测模型,利用自适应神经网络模糊推理系统(ANFIS)建立.其结构分为计算输入的模糊隶属度、每条规则适用度、适用度归一化、每条规则输出及模糊系统输出5层.系统网络中含14个待定的前件和后件参数.采用Matlab编程,通过Sugeno和evalfis函数训练ANFIS,按指定指标得到这些参数,实现模糊预测.