AR(p)扰动下最小均方误差受控过程的联合监控

针对最小均方误差(Minimum Mean Square Error,MMSE)受控过程联合监控可控输入与过程输出这一问题,在任意阶自回归AR(p)平稳扰动模型下开发了一种通用的联合控制图,并将界内点排列非随机判异规则引入其中.同时,对AR(p)平稳扰动模型下生产过程的MMSE控制器和输入与输出的平均链长(Average Run Length,ARL)进行了推导.最后,通过仿真实验验证了该联合控制图的有效性.     

时序与主成分分析的钢框架模型损伤识别研究

针对结构健康监测中基于时间序列分析实现损伤识别的问题,提出了一种利用AR模型的均方差根误差(RMSE)与主成分分析(PCA)的结构损伤识别方法.首先对加速度数据建立自回归AR模型,并求得模型的均方根误差.然后,采用主成分分析获取载荷矩阵,通过标准化处理后提出结构损伤特征指标并定位损伤发生的位置.为验证本文提出方法的可行性,对不同损伤工况下的钢框架模型进行了振动试验,利用该方法对各种损伤状况进行识别,识别结果与预设损伤情况相一致.结果表明,使用该方法可以充分利用大量实测数据,克服外界干扰因素所带来的影响,对于结构的损伤诊断具有较高的理论价值和实用价值.     

具有AR（p）误差的半参数回归模型的统计诊断

旨在探究具有AR（p）误差的半参数回归模型的统计诊断．首先对其误差的相关性进行了消除,然后基于数据删除模型对模型进行了统计诊断,得到了估计的诊断公式．最后运用实例说明该方法的有效性．     

具有指数相关的纵向数据模型中的齐性检验

在纵向数据分析中,经常假定方差是齐性的,但是该假定未必正确.对具有AR(1)误差的非线性纵向数据模型,林金官和韦博成讨论了其方差和相关系数的齐性检验.本文针对具有指数相关协方差结构的纵向数据模型,研究了方差齐性和相关系数齐性的检验,得到了检验的score统计量,并对葡萄糖数据进行了分析.     

m维AR(1)模型的统计诊断

目的基于统计诊断的影响分析,对m维AR(1)模型的数据点进行了影响分析。方法基于数据删除模型,同时引入广义Cook距离。结果得到二维AR(1)模型的参数估计诊断公式,给出了Cook统计量的计算公式。结论对m维AR(1)模型进行了初步的统计诊断。     

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD)。使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量。应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行谱估计,并得到有效IMF分量的AR谱与AR累加谱。将AR累加谱的特征频率点与振幅作为特征向量,使用支持向量机(SVM)进行机器学习与分类。研究结果表明:EEMD-AR-SVM模型在实验中的分类准确率达到了93.9%,平均耗时46.1 s,达到了工业中自动检测的标准。     

基于ABC-SMC回归算法具有观测噪声的AR(p)模型的参数估计

利用近似贝叶斯序贯蒙特卡洛(ABC-SMC)回归算法给出了具有观测噪声的AR(p)模型的参数估计.首先采用前p阶样本自协方差函数作为统计量,对具有观测噪声的AR(p)模型参数后验分布进行ABC-SMC抽样;然后利用回归模型对抽样进行调整,从而得到参数后验分布的样本;最后通过数值模拟,与ABC算法、ABC-SMC算法进行了比较.模拟结果表明,所提出的ABC-SMC回归算法显著提高了具有观测噪声的AR(p)模型的参数估计精度.     

AR(p)序列的一种判定方法

对实际应用中常见的时间序列——AR(p)序列,运用零均值平稳序列偏自相关系数的递推公式、差分方程以及代数学的相关知识,从序列的偏自相关系数层面给出了判定时间序列为AR(p)序列的一种理论方法,在此基础上可用成熟的AR(p)序列的分析方法预测该序列未来走势.     

混合自回归模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.已有研究者将AR模型推广到MAR(混合自回归)模型,并且讨论了该模型的参数估计及模型选择问题.作者利用全期望公式及差分方程理论研究了混合自回归时间序列模型的谱分析,导出了自协方差函数的递推公式,给出计算谱密度的算法,并对一些常见的特殊情形给出了谱密度的具体表达式.     

扰动下混合时滞耦合动态网络的脉冲同步

针对一类具有混合时滞和多重扰动的耦合动态网络，提出了脉冲同步控制方法和新的同步性能指标。在传统的完全同步性指标无法实现的情况下，通过设计脉冲型反馈控制器，使得误差系统的状态最终收敛到有界范围内，克服了外部扰动对同步误差的影响；建立的改进型混合时滞差分不等式，避免了时滞效应对误差系统动力学分析造成的新困难；获得的同步性判据和控制器设计方法，不但改进了已有文献的相关结果，而且适用于兼具混合时滞和多重扰动的耦合网络模型，应用范围更广。     

渔业资源的评估方法和模型研究进展

渔业资源评估模型主要有产量模型(production models)、Delay-difference模型、消耗模型(depletion models)和年龄结构模型(age-structured models)。产量模型在渔业资源评估中应用很广泛,但不能精确反映统计误差;Delay-difference模型增加了生物参数、并考虑生物过程中的时间延迟,它是扩充了的产量模型,但当可获得的数据不足时,不能精确估算模型中的参数,甚至可能产生错误的估算值;此时,消耗模型相对于Delay-difference模型是有效的,该模型研究渔获量如何影响残存鱼的相对丰度;年龄结构模型能更好地显示种群的动态变化,能为配置合理的捕捞强度提供科学的依据,但需要很多数据,尤其要求精确的渔获物年龄数据。我国渔业资源的评估多采用产量模型和年龄结构模型,对于Delay-difference模型和消耗模型的应用甚为少见。     

GARCH模型和SV模型的应用比较研究——以上证指数的波动性为例

文章以上证综指2007年2月27日至2008年5月14日共293个交易日的收盘价数据为研究对象,通过构造样本外波动性预测能力指标,分析比较了GARCH类模型和SV类模型在国内市场上的适用性。文章首先估计GARCH类模型和SV类模型的参数,其中SV模型参数的估计采用最新的马尔可夫链蒙特卡罗方法（MCMC方法）,并由WINBUGS软件加以实现。然后通过构造样本外预测能力指标对GARCH类模型和SV类模型的样本外预测效果进行比较,得出在国内市场SV类模型的拟合和预测效果要好于GARCH类模型。     

贝叶斯-序贯高斯模拟方法

各种静态数据约束下的三维储层模型是指呵以同时满足地震和测井数据的模型。研究了整合中等垂向分辨率地震数据的方法。引入贝叶斯定理的序贯高斯模拟方法，即贝叶斯-序贯高斯模拟，用来整合中等垂向分辨率的地震数据，在给定地震频率的条件下，提高模型的分辨率。模拟结果表明，该方法能很好地整合中等垂向分辨率的地震数据，解决整合地震和测井数据存在的“体支撑”难题，生成高于地震垂向分辨率、低于或等于测井分辨率的三维储层模型。     

贝叶斯序贯高斯模拟方法

各种静态数据约束下的三维储层模型是指可以同时满足地震和测井数据的模型。研究了整合中等垂向分辨率地震数据的方法。引入贝叶斯定理的序贯高斯模拟方法,即贝叶斯序贯高斯模拟,用来整合中等垂向分辨率的地震数据,在给定地震频率的条件下,提高模型的分辨率。模拟结果表明,该方法能很好地整合中等垂向分辨率的地震数据,解决整合地震和测井数据存在的“体支撑”难题,生成高于地震垂向分辨率、低于或等于测井分辨率的三维储层模型。     

苏里格气田地质随机建模研究

苏里格气田有效开发的一个关键因素是准确预测有效储层的分布规律 .为了克服开发评价早期井距大、井网稀的困难 ,采取了地震资料与随机建模相结合的方法来建立储层地质模型 .在进行了大量地质统计的基础上 ,首先建立了二维剖面模型 ,研究砂体的侧向连续性特征 ,然后使用三步建模方法 ,分别建立了储层骨架模型、沉积相模型和三维属性体模型 .利用所建立的模型进行三维可视化研究 ,可以确定有效储层的分布规律 ,从而为开发方案的优化打下坚实的基础     

基于Web服务和PMML的数据挖掘系统的设计

数据挖掘技术得到广泛应用的同时也面临着较大的挑战。不同的厂商对数据挖掘模型的各自定义妨碍了其在不同的数据挖掘系统之间的共享,大量数据源分布的地理位置的不同导致数据集中的成本提高,于是,人们期望能够在一个开放式环境下实现对数据挖掘模型和挖掘组件的集成和重用。本文给出了一个以Web服务为平台,PMML为模型描述语言的数据挖掘系统的基本架构。该架构可以轻松地实现系统集成和模型共享。     

数据挖掘在电信客户流失中的应用

在研究数据挖掘实现技术的基础上,将此技术运用到防止电信行业的客户流失中.以无线市话(PHS)的历史数据为对象,建立客户流失预测模型.通过对预测模型的评估,得到了预测效果较好的模型.     

成对比较数据和排序数据的处理：模型分析的方法?

对近年来研究者所提出的瑟斯顿模型和BTL模型两大类模型进行综述,总结了目前研究者提出的2种数据分析和处理方法视角:多层线性模型(HLM)和结构方程模型(SEM).基于模型的方法不仅充分利用了成对比较和排序数据的信息,而且模型更具拓展性,如为考察协变量、潜类别等的影响提供可能,也为迫选测验等的开发提供指导意义.本文不涉及复杂的统计知识,运用心理学研究中被熟知的模型对处理成对比较数据和排序数据的模型及其模型估计进行说明,并通过Mplus软件示例,以期模型分析的方法在对成对比较数据和排序数据的处理上得到广泛的应用.     

基于关系模式与深度强化学习的DS数据去噪模型

远程监督(Distant Spervision，DS)数据集中存在大量错误标注的数据，而现有的DS数据集去噪方法通常只考虑针对具有标签的数据进行去噪，没有充分利用无标签数据，导致去噪效果不佳。本文提出一种新型DS数据去噪模型——Pattern Reinforcement Learning Model (PRL模型)：首先利用基于关系模式的正样例抽取算法提取DS数据集中高质量的有标签数据；然后利用Filter-net作为分类器，提取DS数据集中高质量的无标签数据；最后将高质量的有标签数据和无标签数据作为深度强化学习(Reinforcement Learning，RL)方法的训练数据集，获得去噪效果更好的远程监督数据集。将PRL模型应用于New York Times(NYT)数据集，并以去噪后的数据集来训练PCNN+ONE、CNN+ATT、PCNN+ATT 3个模型。实验结果表明，经过PRL模型对数据集进行去噪后，这些模型的性能得以提升。因此，PRL模型是一种轻量的数据去噪模型，可以提升基于深度神经网络模型的性能。     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的预测方法。