非线性时间序列分析在股市行情预测中的应用

该文用非线性时间序列分析方法,对一般股市行情序列进行了拟合,指出可用逐段线性回归拟合趋势,用门发自回归模型拟合消除趋势后的平稳序列,通过对１９９７年４月２２日至５月１２日期间深圳股市行情预测值与实际值的对比,说明在正常状态（即无违规操作及无特殊政策出台）下,所建立的模型有较好的拟合效果,从而提供了一个行情预测的有效方法。     

感应测井的频域反褶积方法

常规的反演方法是对感应测井资料进行线性反褶积。由于感应测井获得的响应曲线是地层非线性时变滤波的结果,所以,感应测井响应可随地层电导率发生非线性变化。用相量反褶积方法分别设计出实部信号和虚部信号所对应的反滤波因子,对反映测井响应随电导率非线性变化的非线性函数进行了拟合,用设计出的滤波因子及被拟合出的非线性函数对模拟相量感应测井资料进行了相量反褶积。处理结果表明,围岩效应和趋肤效应基本被消除     

ENSO非线性预报

运用非线性时间序列分析方法,结合全局函数拟合和lyapunov指数分析对厄尔尼诺-南方涛动（ENSO）的时间演变进行研究。方法包括：相空间重构,lyapunov指数分析,全局函数拟合,主分量分析,最小二乘拟合。资料为CZ (Cane & Zebiak)模式产生的月平均海表温度异 常（SSTA）场。采用非线性混沌时间序列预报,不同于传统的时间序列分析方法。相比其他模式,它能用较少的资料得到较好的预报结果,为今后的ENSO预报提供了一个可供参考的方法。     

基于NGSIM数据的汽车变道越线时间预测

为预测汽车变道越线时间,基于NGSIM数据提取汽车的真实越线时间,选定变道车和其周围汽车的行驶状态参数作为潜在影响因素。随机选取60组训练数据,先利用Spss软件逐步回归法对越线时间与自变量进行多元线性回归拟合,再通过Matlab编程对越线时间进行多元非线性回归拟合,分别建立多元线性和非线性回归越线时间预测模型;对模型进行训练后得到各模型的系数,分别测试除训练数据外的30组数据并对比拟合效果。结果表明,所建立的多元非线性回归模型能够有效预测汽车变道越线时间,预测有效率达到83%。     

基于连分式插值理论的非线性回归问题

变量之间的关系不是线性相关关系时,不可以用线性回归方程描述它们之间的相关关系,需要进行非线性回归分析.然而非线性回归方程一般很难求,因此,把非线性回归化为线性回归应该说是解决问题的好方法.利用连分式插值函数方法逼近非线性函数可实现回归函数的拟合,通过实例说明该方法的有效性,比传统的最小二乘法效果更好.     

转动谱两参数和三参数公式的比较研究

利用锕系偶偶核基带转动谱的实验数据,对两参数ａｂ公式用线性拟合的方法进行计算,并与非线性拟合进行比较。结果表明,对ａｂ公式,线性拟合也不失为一种较好的方法。计算结果还表明,吴－－曾提出的三种不同形式的三参数公式所得的结果相差不大,但都较ａｂ公式的计算结果更符合实验事实。     

最小二乘法应用探讨

探讨了最小二乘法的基本原理及其各种变形的拟合方法,其中包括：一元线性最小二乘法拟合、曲线化直、多元线性拟合、多项式拟合、非线性拟合,并且讨论了用镜像映射和切比雪夫多项式解“病态”矛盾方程组的基本原理和方法,在此基础此上编写、调试了几种最小二乘法程序。     

向量样条(Ⅳ)——向量样条处理一类有理样条问题

本文用向量样条技术处理一类有理样条插值与有理样条最小二乘拟合,其主要优点是用线性方法处理非线性问题。     

APPLE-Ⅱ在化学实验中的应用-实验数据线性范围和方程的确定

本文介绍了一个在 ACS 汉字系统支持下的 BASIC 语言程序,由此程序可确定实验数据的线性范围,并对非线性部分用二次曲线拟合,求出线性和非线性部分的回归系数和回归方程,还可根据需要进行计算,打印,绘图。     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.     

抗剪强度参数相关变量重构及Copula联合分布模型研究

在实际工程中,大样本的岩土体参数实测值往往不易获取,以抗剪强度参数为例,给出了一种相关变量样本重构方法。首先简要介绍了Ilich算法和Copula函数,基于实际的初始数据,生成了具有指定边缘分布的相关变量样本;并借助Copula函数研究了样本重构前后的联合分布模型,认为与初始样本具有相同最优联合分布的重构样本能更大程度地继承初始数据的信息。以一简单的算例将重构样本应用于可靠性分析中,通过对比分析基于重构样本的Monte Carlo法与设计验算点法,验证了计算结果的合理性。给出的重构方法所得到的样本将与初始样本具有相同的边缘分布信息、相关结构及联合分布模型。     

基于大数据分析的散乱缺损信息无损恢复方法

针对在集成数据交互中心进行数据随机转发时, 散乱数据易出现信息丢帧的问题, 提出一种基于大数据分析的散乱缺损信息无损恢复方法. 首先通过在云存储数据交互中心采集散乱缺损信息组成大数据比特序列, 分析数据在云计算中心的存储结构模型; 然后利用联合稀疏分解方法进行散乱缺损信息的特征分解, 并采用压缩感知方法进行散乱缺损信息的特征压缩及信息自适应特征聚类处理, 结合大数据信息融合方法进行散乱缺损信息的关联特征挖掘; 最后采用相空间重构方法进行散乱缺损信息的特征重组, 在重构的相空间中进行散乱缺损信息的无损信息恢复. 仿真实验结果表明, 采用该方法进行散乱缺损信息无损恢复的误差较低, 数据重构的精度较高, 运算开销较小, 有效提高了数据的信息恢复能力.     

互信息和核熵成分分析的油中溶解气体浓度建模

针对变压器油中溶解气体浓度的预测问题,提出了一种基于互信息和核熵成分分析(KECA)的油中溶解气体浓度预测建模方法。首先,用标准互信息变量选择方法确定模型的输入变量并对选取的输入变量进行相重构;然后,利用Renyi熵信息测度确定KECA核参数并采用KECA对相空间进行特征提取;最后,以核熵成分作为机器学习极限学习机(ELM)的输入,建立变压器油中溶解气体浓度的预测模型。实验结果表明,与灰色模型、支持向量机、BP神经网络建模方法相比,本文提出的方法能够充分利用油中溶解气体浓度信息,因而具有较优的预测精度和泛化能力。     

关联维数的超声波电机故障诊断

利用关联维数分析方法对超声波电机进行故障诊断,并针对故障诊断的实际情况,建构特殊实验平台采集故障振动信号.通过互信息法及Cao方法来确定相空间重构的2个重要参数,然后计算超声波电机在不同故障状态下的关联维数.结果表明,不同故障状态产生机制不同,其关联维数也不同,关联维数可用于故障的特征提取.通过分析不同状态下超声波电机...     

基于宽窄带微多普勒融合的锥体目标三维重构

目标三维特征包含更为精细的结构和微动信息,以锥体弹头为研究对象,提出了一种基于宽、窄带混合体制雷达组网的锥体目标三维重构方法。首先建立锥体目标进动模型,详细分析了目标在不同体制雷达回波中的微多普勒调制特性,然后,使用改进的viterbi算法和最小二乘法对各散射中心的幅相信息进行提取和估计,并通过灰色关联度分析实现非理想散射中心的匹配。在此基础上,构建宽、窄带微多普勒信息融合方程组,解算出锥体目标的进动和结构参数,进而确定目标空间位置,实现三维重构。仿真结果表明,在信噪比为5dB情况下,目标的三维重构精度在91%左右。     

基于Reflected Sigmoid径向基函数插值的温度场重建算法

声学法测温在特殊的温度场环境中有良好的应用,主要是利用有限的超声波传播路径上的飞行时间重构出连续分布的温度场.现有的温度场重建算法中最小二乘法是最常用的方法,但其重建后的温度场会出现边缘信息缺失的现象.针对这一问题,提出在最小二乘法确定温度矩阵的基础上,结合Reflected-Sigmoid函数进行插值,实现了二维平面温度场的无缺失重建.通过两种典型的单峰温度场模型的重建结果及误差分析表明,在补全温度场边缘的条件下,单峰对称温度场的均方根百分误差在1.6%,单峰偏斜温度场的均方根百分误差在3.5%,取得了很好的重建效果.     

融合注意力机制的U-Net混合电磁重构方案

电磁逆散射问题是非线性和病态的,传统的求解方法无法兼顾成像精度和计算效率,而基于深度学习的直接重构方法缺失先验信息,导致学习过程较困难.采用结合衍射层析成像（DT）算法和融合注意力机制的U-Net混合电磁重构方案,求解电磁逆散射问题,将基于Born近似的DT算法重建的粗糙图像作为U-Net的输入,有效利用先验信息,提高逆散射问题求解的效率和精度.此外,在U-Net每次的下采样过程中加入注意力机制,进一步提高了目标散射体相对介电常数和位置的重建精度.实验结果表明,相比未引入注意力机制的方案,融合注意力机制的U-Net混合电磁重构方案重建误差较小,可实现相对介电常数分布的高精度重建.     

Reconstruction of the Northern Hemisphere temperature from 1500 to 1949 by optimal regional averaging method

The rareness and inhomogeneity of the data points cause difficulties in the reconstruction of past average temperature. Optimal regional averaging is a method that can overcome these difficulties and obtain the average temperature of target area by means of optimal weights using limited temperature data. In this paper, the average temperature in the Northern Hemisphere is calculated by the optimal regional averaging method using two types of data： temperature data from Climatic Research Unit from 1901 to 2000 and maximum latewood density dataset of tree from 1500 to 1949. Five, ten, fifteen data points from CRU and forty data points from MXD are used in our research. The results show that even with the relatively less data used in this reconstruction, the method allows the reconstruction of the average temperature of the Northern Hemisphere more accurately, which provides the temperature information for palaeoclimate reconstruction.     

SPECT局部重建中小波去噪方法研究

针对单光子发射断层成像技术中全局图像重建时间过长的问题,提出了局部重建的思想,同时为了提高局部重建图像的质量,需要在局部重建之前,对投影图像进行噪声去除.利用基于小波变换的复数改进二元萎缩相关去噪法,对噪声投影图进行处理,并利用局部重建算法进行图像的局部重建,在保留图像细节的同时,降低了图像噪声,缩短了重建时间.利用均方误差评价标准,对去噪结果进行评测,结果表明:在局部重建中,利用该方法进行去噪处理具有良好的效果.     

BP神经网络技术在声波测井曲线重构中的运用

基于神经网络的曲线重构法是提高声波测井曲线质量的有效方法。该方法通过神经网络技术的非线性算法,在声波曲线与自然电位、电阻率、自然伽马等多条测井曲线之间建立一种非线性关系。运用BP神经网络技术综合了自然电位、电阻率、自然伽马等多条曲线的信息对声波曲线进行重构,以此增加曲线重构的信息量,为曲线重构的准确性提供了保障。通过在准噶尔盆地石南地区的运用,证明该方法能大大提高受井壁垮塌影响的声波测井曲线的质量。