有噪声的多维混沌时序的非线性检验

采用多变量时间序列替代数据生成原理,生成实测多变量时间序列的多组替代时间序列.综合线性冗余和广义冗余两种检验统计量,对一种定量检验多维信号非线性方法的抗噪声能力进行分析.从Lorenz和Chen′s系统获得多维时间序列,分别对加不同噪声水平的时间序列检验方法的有效性,并比较不同噪声水平对方法的影响.仿真实验结果表明,方法具有很强的抗噪声能力.     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

基于改进ADPP的多变量时间序列异常检测

针对多变量时间序列异常检测问题进行研究,提出基于改进ADPP的多变量时间序列异常检测算法IADPP.IADPP算法引入适用于多变量时间序列的张量相似性度量SSOTPCA,并以此相似性度量构造序列集的k-近邻图,在构造的k-近邻图上计算多变量时间序列的异常系数.研究结果表明,IADPP算法克服了原有ADPP算法不支持多变量时间序列和要求密度均匀的缺陷,取得了较好的检测结果.     

高炉炉况的动态辨识

用ＧＰ算法以及修正ＧＰ算法对高炉风量、料柱压差、鼓风压力等高炉过程变量时间序列的相关维数进行了移动估算和预报能力分析。结果表明：在研究范围内不能发现高炉炉况吸引子存在；而预报能力的变化与高炉炉况变化前兆之间存在明显对应关系，可用于炉况辨识。     

多变量时间序列的邻域预测法

在非线性动力系统中,邻域预测法已经很广泛地应用于单变量时间序列,本文将这些方法,特别是COM法和LL法,推广应用于多变量时间序列.当时间序列很短而同时有多个变量的时间序列可测量时,多个变量比单变量在长时间序列中更能提供有效信息从而获得更好的预测结果.     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.     

多变量时间序列的邻域预测法

在非线性动力系统中，领域预测法已经很广泛的地应用于单变量进行序列，本文将这些方法，特别是COM法和LL法，推广应用于多变量时间序列，当时间序列很短而同时有多个变量的时间序列可测量时，多个变量比单变量在长时间序列中更能提供有效信息从而获得更好的预测结果。     

基于递归神经网络的多频预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题，提出了基于局部递归神经网络的多步递归神经网络（MSRN）模型，对时间序列进行了多步预报，用模拟振动数据把MSRN模型用作单步和多步的预报能力，同经典的多层前馈刘经网络进行了比较，并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势，实践表明，用该方法进行多步预报误差小，并具有良好的预报能力。     

多变量时间序列复杂系统的相空间重构

根据单变量时间序列相空间重构思想 ,提出了多变量时间序列描述的复杂系统的相空间延迟重构方法 .对每一分量的时间序列 ,分别利用互信息最小法确定最佳延迟时间间隔 ,最小嵌入维数的选取方法是单变量时间序列情况下虚假邻点法的推广 .给出了q阶广义关联积分和q阶广义关联维数的计算公式 ,并证明了广义关联维数与所用范数无关 .计算了Lorenz系统按前 2个变量进行重构时的最佳延迟时间间隔和最小嵌入维数 .计算结果表明 ,用多变量时间序列重构比用单变量时间序列重构所需的数据长度要短得多且在方法上更有效     

特种设备安全事故时间序列拓扑网络特征研究

 为揭示特种设备安全事故时间序列的非线性动力特征,以2005—2020年中国不同类型特种设备安全事故时间序列为对象,采用可视图法将特种设备安全事故时间序列转化为拓扑网络图,生成拓扑网络结构模型;利用拓扑网络理论分析节点度、网络密度、加权聚类系数、幂律指数、介数中心性等拓扑网络特征参数,挖掘特种设备事故发生的时间序列规律。结果表明：各类特种设备安全事故时间序列的拓扑网络具有小世界特性和无标度特性;拓扑网络的聚类系数均较大,社团结构明显;介数中心性越大的节点,对应年份发生事故概率越大。采用的拓扑网络分析方法能更简洁、直观地展示特种设备安全事故时间序列的拓扑网络结构,更全面地表征特种设备安全事故时间序列的非线性动力特征,可为特种设备安全事故预测提供理论基础。     

二元时间序列模型预测3G 网络接通率

为提高对网络性能预判的准确度, 提出了运用多元时间序列的相关性计算方法, 时间序列的模糊化方法和模糊规则矩阵的构建方法, 建立了一种基于二元时间序列的接通率预测模型, 将拥塞率序列融入到对接通率的预测过程中。该方法克服了传统网络性能指标预测方法中, 只考虑单一时间序列, 不考虑其他变量与待预测变量的相关性的弊端。仿真实验结果表明, 该模型能够实现网络接通率的有效预测, 为网络性能综合预测提供理论基础和新方案。提高了预测精度。     

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.     

基于定量递归特征提取的流量监测方法

提出一种基于定量递归特征提取的流量预测算法,构建了网络端到端路由缓冲区短时网络流量的时间序列分析模型.采用虚假最近邻点算法和平均互信息算法对网络流量时间序列进行相空间重构,计算递归图平面中时频特征点占平面总点数的百分比,实现网络流量的时频熵特征提取,有效反应流量时间序列的内部结构特征和变化趋势,实现对流量的准确预测和监测.仿真结果表明,采用该算法能准确实现对网络流量相轨迹的预测判断,预测过程具有较好的抗干扰能力,预测精度较高.     

基于时间序列分析的网络流量异常检测

针对传统模型无法对网络流量异常进行准确识别和检测的问题,提出一种基于时间序列分析的网络流量异常检测模型.首先提取网络流量的原始数据,并对原始数据进行小波阈值去噪处理,消除干扰因素的影响;然后采用时间序列分析法挖掘网络流量数据之间的变化关系,建立网络流量异常检测模型;最后通过仿真实验验证检测模型的有效性和优越性.实验结果表明,时间序列分析法可以准确、及时地检测网络流量的异常行为,且结果优于目前其他网络流量异常检测模型.     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于复杂网络理论的时间序列分析

综述了复杂网络理论应用于时间序列分析的研究进展.报道了对这些问题开展的一些探索性的工作,包括混合序列中不同成分的竞争、二维地貌的复杂网络描述、多种序列分析方法的联合应用等.     

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.     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

基于季节时间序列模型的网络流量实证分析

针对CERNET上的一段网络流量数据,基于季节时间序列相关理论,对其进行实证分析,对数据进行预处理、模型的适应性检验、平稳性检验、白噪声检验及模型预测．通过经验和实际的理论操作,充分显示了季节时间序列在处理网络流量这种带有周期性性质数据中的优势．