动态测量数据野值的辨识与剔除

分析了动态测量数据中产生野值的原因及其特征,讨论了野值对滤波以及数据处理精度的影响。以"新息"为基础,通过对卡尔曼滤波方法中增益矩阵的改进,提出了野值辨识和剔除方法。仿真计算和实际工程应用表明,该方法可使野值的剔除与状态估计同时进行,提高了计算速度和数据处理的精度,同时可有效解决滤波发散问题,是实用可靠的工程方法。     

利用偏度分析建立动态检测门限的野值剔除方法

提出了一种采用动态门限检测和剔除野值的新方法。以往的单一检测门限不能可靠地清除观测数据中的全部野值 ,原因是缺少判断有无未剔除野值的识别机制。这里 ,借助于统计偏度分析建立了这种判别机制 ,从而能够有效地判断出是否存在有未被剔除的野值 ,并通过调节野值检测门限来达到彻底清除野值的目的。最后 ,还将此法推广到复数域     

GP-RBF网络应用于飞行器外测数据野值实时剔除

测量数据集合中严重偏离大部分数据所呈现趋势的小部分数据点被称为野值点。野值的实时剔除对提高目标实时跟踪精度有十分重要的意义。采用了一种新的含有广义参数的径向基函数神经网络(GP-RBF网络)对航天靶场外测数据进行野值实时剔除。该网络可以通过对参数的自适应调整达到实时剔除野值的目的。采用经差商预处理后的飞行器弹道仿真数据，构成GP_RBF网络的训练集和测试集，试验结果表明利用该网络可以快速、有效地解决野值实时剔除问题。     

一种抗野值的Kalman滤波器

在目标跟踪系统中,由于杂波的存在,往往使跟踪检测数据中含有大量、成片的野值,造成系统跟踪精度下降。本文通过对检测数据中新息特性的分析,给出了检测数据中野值的判定方法,通过重新构造状态估计来消除野值的影响。仿真结果证明了该方法可有效的剔除野值,提高跟踪系统的跟踪精度。     

取水监测数据的奇异值识别与修正策略

提高水资源监测数据的真实性与完备性是国家水资源监控能力建设的重要内容.本文基于当前国家水资源监控数据的实际统计状况,提出采用小波变换模极大值的方法实现对取用水监测数据的降噪和奇异值的挖掘,并将辨识出的奇异值进行剔除处理后的监测数据序列作为粒子群-最小二乘支持向量机模型的训练样本,进而根据拟合函数对奇异值进行修正的策略.通过对重点取用水户的取用水监测数据进行实证研究结果发现,利用小波变换模极大值可较大限度地保留取用水监测数据的原始信息,并实现对其中变动幅度偏大数据的分离,可有效降噪并观测取用水监测数据的内在变化规律;同时借助相对误差可进一步挖掘监测数据中存在的奇异值,且辨识效果要好于传统统计方法;而粒子群-最小二乘支持向量机模型对取用水监测数据的样本拟合要比普通最小二乘支持向量机、曲线拟合等方法更为有效,运用该方法修正的取用水监测数据奇异值更加符合实际取用水需求的特点.     

基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器

针对传统α-β-γ滤波器抗野值能力差和受跟踪精度与收敛速度之间的矛盾以及系数固定的影响而难以跟踪强机动性目标的局限性,设计了一种基于新息正交性抗野值的自适应的α-β-γ滤波跟踪器。该滤波器通过判断α-β-γ滤波新息序列估计值的正交性质是否丧失而判别出观测值中是否存在野值,采用活化函数对新息序列进行加权修正,利用活化函数的性质,恢复新息序列原有的统计特性和正交性,从而达到抗野值的目的。同时,根据目标机动性的变化,利用跟踪误差调整模糊集系统的输出,在保证精度的前提下,得到自适应的系数值,使跟踪结果快速收敛,很好地解决了跟踪精度与收敛速度之间的矛盾。计算机仿真结果表明,在满足所要求精度的前提下,该算法可以克服传统算法的局限性,解决野值剔除问题,并有效跟踪强机动性目标。     

脉冲噪声下基于共变序列的自适应时延估计

针对实际应用中常遇到的脉冲性噪声问题,以α稳定分布模型进行描述,提出了一种基于共变序列的自适应时延估计方法,简称CAED.该方法通过求取两个观测序列的互共变和一个观测序列的自共变,去除了不相关脉冲噪声,保留了观测序列间时间延迟的信息;将自共变、互共变序列作为两个自适应滤波器的输入信号,在最小均方误差准则控制下,由收敛的两个滤波器权系数矢量峰值位置之差可获得源信号到达两个接收端的相对时延.通过计算机仿真对比实验验证了该算法在强脉冲噪声、低信噪比情况下的优良估计性能.     

α稳定分布噪声下基于最优L-柯西加权的LFM信号参数估计

针对传统维格纳霍夫变换(Wigner-Ville Hough transform, WHT) 时频分析方法在稳定分布噪声环境下性能退化的问题,基于L-估计理论,提出了可有效抑制该噪声的最优L 柯西加权(L-Cauchy weighted, LCW)新方法。3En准则是一种常用的异常值剔除方法,其可从数理统计的角度对异常值进行有效抑制,对此,结合柯西分布提出了基于分散系数的异常值剔除准则,并依据数值仿真选取降噪效果最优的分散系数γ。在LCW方法有效抑制α稳定分布噪声的基础上,采用WHT对线性调频(linear frequency modulation, LFM)信号进行参数估计。仿真结果表明,最优γ值的选取与该文提出的异常值剔除准则一致,且与基于分数低阶、加权Myriad滤波以及L-估计等多种方法相比,提出的基于LCW的WHT(LCW-WHT,LW)方法在强脉冲噪声下具有良好的鲁棒性和优良的LFM信号参数估计性能。     

基于光电观测信息的空中机动平台被动跟踪研究

针对强电磁环境下机载雷达测量精度较低的问题,研究提出了一种基于机载光电观测信息的被动跟踪方法,讨论了其目标运动分析问题.利用光电探测设备测量的目标方位角、高低角,结合平台的导航信息,建立了基于最小二乘准则的目标函数,对目标实施了精确定位,并对观测数据中野值的剔除问题进行了分析.通过蒙特.卡洛模拟仿真,试验结果表明:该方法能够较为准确、快速地收敛至真值附近.     

扎龙湿地发展趋势的ARIMA分析

湿地面积发展模型不仅是非平稳序列,而且是非发散的季节周期相关序列,季节序列的特点是季节时滞处强相关。应用非平稳时间序列分析扎龙湿地面积演化动态,可有效地剔除用于预测的历史数据中的野值及奇异点,修正了预测结果,对湿地面积演化有较好的解释能力,利于建模和预测。结果表明,该方法用于湿地发展面积预测建模速度快、预测精度高,是一种行之有效的方法。图4,表3,参3。     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

Research on the Method of Nonlinear Combining Forecasts based on Fuzzy System

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆｕｎｃｔｉｏｎｓｏｆｍａｎａｇｅｍｅｎｔａｔａｌｌｌｅｖｅｌｓｉｎａｎｏｒｇａｎｉｚａｔｉｏｎｉｓｐｌａｎｎｉｎｇ ,ａｎｄｆｏｒｅｃａｓｔｓｐｌａｙａｋｅｙｒｏｌｅｉｎｔｈｅｐｌａｎｎｉｎｇｐｒｏｃｅｓｓ .Ｍａｎａｇｅｍｅｎｔｎｅｅｄｓｔｏｒｅｄｕｃｅｔｈｅｒｉｓｋｓａｓ ｓｏｃｉａｔｅｄｗｉｔｈｄｅｃｉｓｉｏｎ ｍａｋｉｎｇ ,ａｎｄｏｎｅｏｆｔｈｅｗａｙｉｎｗｈｉｃｈｔｈｉｓｃａｎｂｅｄｏｎｅｉｓｂｙａｎｔｉｃｉｐａｔｉｎｇ…     

Forecasting Container Throughput of Qingdao Port with a Hybrid Model

This paper proposes a hybrid forecasting method to forecast container throughput of Qingdao Port.To eliminate the influence of outliers,local outlier factor(lof) is extended to detect outliers in time series,and then different dummy variables are constructed to capture the effect of outliers based on domain knowledge.Next,a hybrid forecasting model combining projection pursuit regression(PPR) and genetic programming(GP) algorithm is proposed.Finally,the hybrid model is applied to forecasting container throughput of Qingdao Port and the results show that the proposed method significantly outperforms ANN,SARIMA,and PPR models.     

基于直觉模糊推理的直觉模糊时间序列模型

由于受到模糊集理论的限制,模糊时间序列预测理论在不确定数据集的描述上有失客观,针对这种局限性,提出一种直觉模糊时间序列预测模型。应用模糊聚类算法实现论域的非等分划分;针对直觉模糊时间序列的数据特性,提出一种更具客观性的隶属度和非隶属度函数的确定方法;提出一种基于直觉模糊近似推理的模型预测规则。在Alabama大学入学人数和中国社会消费品零售总额数据集两组数据集上分别与典型方法进行对比实验,结果表明该模型有效提高了预测精度,证明了模型的有效性和优越性。     

一种新的基于模糊模型的非线性组合预测方法及其应用

针对线性组合预测方法的局限性，提出了一种基于T－S模糊模型的非线性组合预测新方法，并给出了相应的反向传播学习算法．理论分析和应用实例表明：该方法具有很强的学习与泛化能力，在处理诸如非线性系统中时间序列的组合建模与预测方面有很好的应用价值．     

基于Simpson公式的GM(1,N)建模的新算法

根据时间序列的结构与特征, 对GM(1,N)灰微分方程进行了建模机理分析, 并用数值积分算法提出了 基于Simpson公式的建立GM(1,N)预测模型的新算法. 用平均相对误差对一些时间序列进行了模型的 实证分析, 发现新算法的拟合精度比原有算法有明显的改进, 从而验证了该算法对一些时间序列的有效性. 所提出的新算法是建立GM(1,N)预测模型时值得尝试的一个方法, 对GM(1,N)预测模型的合理应用具有一定的现实意义.     

基于改进回声状态网络的高炉煤气产耗预测

以钢铁企业高炉煤气系统为背景，针对其产生量和消耗量的预测问题，提出一种改进回声状态网络时间序列方法进行系统仿真预测。并根据最小均方差准则，以最小化网络训练误差为目标，采用随机梯度下降法对网络参数进行优化。该方法对于不同预测对象，可计算出合适的网络连接权值、储备池谱半径等参数，避免了传统回声状态网络方法中单凭经验选择网络参数的现状，提高了预测精度。采用该方法对高炉煤气系统现场实际产耗数据进行了仿真预测，仿真结果表明所提出方法的有效性。     

基于模糊神经网络的轮廓误差附加补偿控制研究

在分析系统轮廓误差的基础上，提出了基于模糊神经网络的轮廓误差补偿方法，并说明其补偿器的原理、算法及实现。该法在不改变系统各单轴位置环的前提下，根据系统的轮廓误差，通过模糊神经网络的自学习能力动态向各轴提供误差补偿信息，进而提高系统的轮廓精度，同时也解决了各轴之间增益不匹配、动态不匹配和各轴不可预见性问题。最后，在MATLAB6.1环境下对该系统进行仿真，仿真结果表明其可行性和有效性。     

基于多模型的捷联红外导引头隔离度在线补偿方法

以捷联红外导引头的工程应用为研究背景,针对刻度尺误差带来的隔离度问题,提出一种基于多模型(multiple model,MM)的隔离度在线补偿方法。建立了捷联红外导引头隔离度模型,分析了隔离度对导弹制导系统稳定性和制导精度的影响;对刻度尺误差进行离散建模,采用基于MM的滤波算法,实时更新每个模型与真实值匹配的条件概率,得到刻度尺误差的估计值,最后将当前时刻的刻度尺误差估计值代入到制导回路进行在线补偿。研究结果表明,捷联导引头隔离度的存在会削弱制导系统稳定性、降低制导精度,特别在寄生回路正反馈时影响更为严重;所提出的基于MM的隔离度在线补偿方法可较好地实时估计出作用于系统的刻度尺误差,并有效实现了对刻度尺误差引起的隔离度的在线抑制,具有较好的鲁棒性和自适应性,达到了改善制导性能,提高制导精度的目的。     

基于数据变换的GM(1,1)误差校正方法

提高预测方法的预测效果具有重要意义,但是仅靠建立单一的预测模型来提高预测精度是非常困难的.本文对当前预测方法存在的不足进行了阐述,在此基础上提出将误差校正方法引入预测以提高预测精度的新思路.首先,采用预测方法(文中以T-S模糊神经网络方法为例)对训练样本进行拟合,再对预测对象进行初始预测;其次,引入加速平移变换和加权均值变换对误差序列进行处理,再以处理后的数据为样本构建基于数据变换的GM(1,1)误差预测模型,并对该序列后续点进行预测;最后,利用误差预测结果对初始预测值进行校正.文章最后以上证综合指数的收盘价的预测为例,算例分析表明,与校正前的预测精度相比,校正后的预测精度有显著提高,进而验证了该模型的有效可行.