软件可靠性预测的小波分析方法

软件可靠性预测对于软件可靠性评估以及软件工程项目的过程控制具有重要作用。本文提出的软件可靠性预测模型,通过小波分解将非平稳的软件可靠性随机序列分解成趋势项、周期项和一系列时间调制平稳随机序列,对趋势项和周期项按常规的预测方法进行预测,而时间调制平稳随机序列再用小波方法预测,最后合成得到软件可靠性预测。实例分析表明,本方法是可行的。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

小波变换在径流序列中应用

小波变换被应用到径流分析中,以获得径流序列的组成,并预测未来的径流.用几个小波函数对观测的径流序列进行了分解和重构,并展示了其发展趋势;用BP神经网络、小波变换结合BP神经网络,对引用的径流序列进行了预测.最后,对影响计算结果的因素进行了分析,并对小波函数在径流分析中的应用提出了建议.     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

混沌预测技术在径流预报中的应用

以多条河流的径流时间序列为例详细分析了基于混沌力学的局部预测方法，并与全局方法和基于随机理论的ＡＲ模型等预测方法进行了对比。结果表明，局部预测方法往往优于其他预测方法。     

基于混沌动力学的日径流时间序列预测

介绍了探求时间序列中的混沌特征数的常规方法,给出一种基于混沌理论的预测算法,并以葛洲坝隔河岩水库的入库日径流序列为例检验了这一方法,其预测效果令人满意。     

基于小波分析的黄河河川径流变化规律研究

采用Morlet小波函数,分别对黄河上、中、下游河川径流序列进行小波分析,揭示了黄河上、中、下游河川径流变化多时间尺度的复杂结构,分析了不同时间尺度下的径流序列变化周期和丰枯突变点.通过小波方差检验,得出黄河上、中、下游径流变化第一主周期均为22年.经径流变化趋势分析,预测黄河上、中、下游大约在2003～2012年均将处于偏丰期,结果表明上、中、下游河川径流变化具有同步性.     

一种基于小波变换的自适应播放算法

针对网络传输中延时的非平稳特性,提出了一种基于小波变换的自适应播放算法. 通过小波变换将非平稳的延时序列变为多个平稳的分量,再对各平稳分量采用不同自适应速率的自回归(AR) 模型进行预测,将各个预测分量利用小波重构得到最终的端到端延时. 仿真结果表明,该算法的预测精度比传统的AR算法提高了5～14dB,比新提出的差分自回归 (DIAR) 算法提高了1.5～5.0dB.     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络，通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序，进行多变量混沌时序的相空间重构，并采用改进的小波神经网络进行预测，证明其短期预测效果优于其他方法，说明该方法可以应用到经济增长混沌系统的预测中．     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。论文提出采用时间序列ＡＲ模型进行趋势预测。将现场测得的非平稳振动序列通过ＡＲＩＭＡ模型和标准化处理,转化成标准正态平稳时间序列。模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法。通过现场实测数据进行验证,计算结果表明ＡＲ模型能够很好地拟合振动信号时间序列并取得了一定的预测精度,可以达到预测要求。     

金沙江流域月径流时间序列的混沌分析

在介绍重构相空间技术的主要定量指标(关联维数D2和柯尔莫奇诺夫熵)的基础上,以长江上游金沙江流域小黄瓜园站和蔡家村站的月径流时间序列为例详细说明了求取时间序列中的混沌特征数的方法;并且采用主分量分析(PCA分布)方法进一步验证了两个站的径流序列具有混沌特性.得到金沙江流域径流序列的预测年限不应超过7～9个月,为金沙江流域径流预测提供了科学的依据.     

小波包与神经网络相结合的股票价格预测模型

小波包较之于小波可以更为灵活地提取分散在不同尺度上的信号特征,结合神经网络也就可获得更好的预测精度,本文按此方式建立了一种混合杂交模型用于股票市场价格波动预测,并为获得最优预测精度,本文利用遗传算法进行小波包最优分解选择和神经网络参数选择。通过对上证综指的实证研究,表明这种混合杂交模型的性能优于同类神经网络模型和基于小波分解的神经网络模型。     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

Bayesian-combined wavelet regressive modeling for hydrologic time series forecasting

Wavelet regression (WR) models are used commonly for hydrologic time series forecasting, but they could not consider uncertainty evaluation. In this paper the AM-MCMC (adaptive Metropolis-Markov chain Monte Carlo) algorithm was employed to wavelet regressive modeling processes, and a model called AM-MCMC-WR was proposed for hydrologic time series forecasting. The AM-MCMC algorithm is used to estimate parameters’ uncertainty in WR model, based on which probabilistic forecasting of hydrologic time series can be done. Results of two runoff data at the Huaihe River watershed indicate the identical performances of AM-MCMC-WR and WR models in gaining optimal forecasting result, but they perform better than linear regression models. Differing from the WR model, probabilistic forecasting results can be gained by the proposed model, and uncertainty can be described using proper credible interval. In summary, parameters in WR models generally follow normal probability distribution; series’ correlation characters determine the optimal parameters values, and further determine the uncertain degrees and sensitivities of parameters; more uncertain parameters would lead to more uncertain forecasting results and hard predictability of hydrologic time series.     

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法．首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果．此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度．通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力．     

时间序列分析在龙羊峡水库流量预报中的应用

本文通过对龙羊峡水库入流量过程的数学分析,建立了灰色系统GM(1,1)型与时间序列模型AR(P)相叠合的长期径流预报模型。     

基于相关向量机的中长期径流预报模型研究

鉴于其优越的预报性能,将相关向量机（RVM）应用到中长期径流预报中,并在相空间重构的基础上,建立了基于相关向量机的径流预报模型.该模型首先对径流时间序列进行相空间重构,并以重构后的径流序列作为模型输入;其次,采用粒子群优化（PSO）算法识别模型参数,利用优化所得重构参数验证时间序列具有混沌特性,在模型内循环过程中采用EM算法迭代估计超参数,并将RVM与应用较为广泛的最小二乘支持向量机（LSSVM）和自动回归滑动平均模型（ARMA）进行了比较分析,结果表明该模型具有较好的泛化能力;最后,基于水文过程变化的不确定性、RVM描述输出值的不确定度以及相应概率下的预报区间,使得调度人员在决策中能考虑预报的不确定性,定量估计各种决策的风险和效益.