基于DRNet的常微分方程模型逼近和序列预测方法

针对残差网络预测精度偏低的问题,基于系统观测数据和相轨线的关系,提出密集残差网络的方法实现对自治系统的拟合逼近和序列的高精度预测。首先,为强化对数据内含“特征信息”的提取和流通使用,将神经网络各隐藏层的输入与之前各层输出拼接后作为本层的输入,形成密集连接模块;其次,为避免加大网络深度时出现的“退化”现象,引入残差机制,将密集连接模块的输入层与输出层相连,形成密集残差网络。最后,将密集残差网络应用于线性的单自由度系统振动模型和非线性的SEIRS模型、Logistic Volterra模型。结果表明,在规模为5 000和10 000的数据集上,密集残差网络对模型的拟合逼近效果和预测精度优于残差网络、反向传播神经网络和密集网络,特别是在非线性系统上的4项定量评价指标均优于对照模型,表现出密集残差网络对自治系统模型逼近和序列预测的高有效性;同时,在观测数据中加入5%的噪声后,密集残差网络表现出较好的抗干扰性。     

高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。     

基于总体最小二乘法的RAIM算法模型改进

最小二乘残差RAIM算法中的伪距观测模型线性化过程会形成截断误差.考虑环境噪声对数据矩阵和观测值的扰动影响,给出了RAIM解算模型;采用总体最小二乘法估计准则,使残差更精确,数据可靠性更高,提高了RAIM算法的定位解算的精度与可靠性.分别采用总体最小二乘残差法和最小二乘残差法对实测数据进行了处理,分析结果验证了总体最小...     

GM(1，1)模型在长江水质预测中的应用

介绍了GM(1,1)的原息模型、新息模型和等维新息模型及残差修正模型的建模方法,分别建立了长江水质预测的等维新息模型和残差修正模型。通过对模型的预测结果进行分析,并对比原数据的趋势,发现两模型在数据突变点附近有明显差别,其数据说明残差修正模型在细节方面更接近实际,其结果体现了数据的内在规律。     

基于时序偏移双残差网络的窃电行为检测

针对窃电量小、窃电发生时间随机的窃电行为,提出一种基于时序偏移双残差网络(TS-Bi-ResNet)的窃电行为检测模型.将基础残差网络模型改进为双残差网络(bi-residual network,Bi-ResNet)模型,考虑到窃电行为发生时间的随机性,利用时序偏移(timing shift,TS)算法对用电数据预处理,使模型能够学习用电数据的时间因素特征,构成TS-Bi-ResNet模型.根据真实用电数据和窃电特征生成含有伪窃电数据的混合用电数据集,利用TS-Bi-ResNet模型学习其浅层特征和深层特征,进而执行窃电行为检测.仿真和实际运行结果表明,TS-Bi-ResNet模型可以有效检测窃电量小且窃电发生时间随机的窃电行为,其检测精度优于LSTM模型与残差网络(ResNet)模型.     

基于残差网络的海洋温跃层分析方法

首先, 以世界海洋地图集2013（WOA13）海洋数据为实验数据, 提出将不等距微分法、 垂直梯度法应用于海洋数据预处理、 海洋区域划分和跃层分析中, 并通过对多种神经网络在基于WOA13海洋三维数据二分类实验的性能分析, 选取残差网络作为二分类实验的网络模型, 在三层残差网络模型基础上增加了Dropout保留层以防止过拟合. 其次, 将残差网络模型用于温跃层分析判定, 并针对改进模型进行超参数优化、 残差单元改进、 保留率调整等对比实验. 实验结果表明, 改进的ResNet 26网络对WOA13海洋区域数据的温跃层数据分类有效, 分类准确率超过94%.     

基于残差网络的海洋温跃层分析方法

首先, 以世界海洋地图集2013（WOA13）海洋数据为实验数据, 提出将不等距微分法、 垂直梯度法应用于海洋数据预处理、 海洋区域划分和跃层分析中, 并通过对多种神经网络在基于WOA13海洋三维数据二分类实验的性能分析, 选取残差网络作为二分类实验的网络模型, 在三层残差网络模型基础上增加了Dropout保留层以防止过拟合. 其次, 将残差网络模型用于温跃层分析判定, 并针对改进模型进行超参数优化、 残差单元改进、 保留率调整等对比实验. 实验结果表明, 改进的ResNet 26网络对WOA13海洋区域数据的温跃层数据分类有效, 分类准确率超过94%.     

残差非等间距GM(1,1)模型及应用

为了提高灰色系统的预测精度,人们从理论与实践中不断探索新的建模方法,从模型自身特性出发改进灰色模型。通过对传统的GM(1,1)模型进行差分运算,推导出非等间距GM(1,1)模型,扩展了模型的应用范围;从背景值的几何意义出发,指出背景值的积分构造形式比均值生成的形式更加合理,并给出了积分背景值的数学表达式;在一次拟合结果的基础上,为了进一步提高模型的精度,对一次拟合的结果进行了残差分析,并建立了灰色残差模型,通过把灰色残差模型得到的数据依次补偿到一次拟合结果上,得到了残差修正的灰色GM(1,1)模型。通过对热处理实验中渗碳浓度的数据处理结果显示,残差GM(1,1)模型较好的描叙了渗碳浓度和深度的关系。该模型对工程数据的处理具有一定的参考价值和指导意义,为灰色模型的应用提供了一个有效的方法。     

残差自回归模型的研究——基于四川省人均GDP的实证分析

采用1979年到2012年的四川人均GDP数据,通过建立残差自回归模型对四川人均GDP进行了预测。结果表明,对残差进行序列相关模型处理有利于对数据的内在趋势进行提取,从而更好地描述数据统计的内在规律。最后对四川省人均GDP做了短期预测,并与真实值进行了比较。     

基于PLESN和LESQRN概率预测模型的短期电力负荷预测

针对现有电力负荷预测不能很好反映负荷数据的周期性和趋势性以及残差的波动性特征,提出一种考虑周期性建模的泄露积分型回声状态网络点预测模型和泄露积分型回声状态分位数回归网络概率预测模型组合的短期电力负荷预测方法。首先,为了捕捉负荷的多重特征,定义了周期性和趋势性损失函数,辅助优化点预测模型;然后,为克服残差的波动问题,利用概率预测模型对点预测值与真实值的残差进行建模预测;最后整合同时刻的点预测值与残差预测区间得到概率预测模型结果。实际算例结果表明,与其他模型相比,所提模型不仅有效抑制尖端振荡现象,而且能够生成可靠的概率密度分布。     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

改进的Prophet融合误差预测模型应用于大气二氧化硫时序预测

近年来,天气预报中的空气质量预报成为大众尤为关心的热点,由于二氧化硫对空气质量水平变化的影响较大,因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正,建立改进的Prophet融合误差预测模型,对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型,对Prophet生成的预测结果与源输入比较求出残差,构建关于残差的时序序列,利用XGBoost进行残差时序建模,获取残差的修正值,将修正值返回输入到Prophet模型.通过上述步骤,构建特定时序数据融合模型.实验数据表明,融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38,与Prophet相比,误差指标分别降低2.47,2.45;与差分整合移动平均自回归模型相比,误差指标分别降低0.49,0.47;与XGBoost模型相比,误差指标分别降低0.54,0.52.证明融合模型的预测精度优于上述模型.     

残差和为零的非线性回归在材积建模中的应用

为了验证残差和为零的非线性回归分析法在林木材积建模中的应用效果,利用10个树种的建模(编表)数据、伯克霍特材积模型和山本和藏材积模型以及残差和为零的非线性回归分析法,求解10个树种的模型闭合差,并用10个树种的验表数据对所建模型进行验证,同时与用非线性最小二乘回归法进行数据处理的结果进行比较。结果表明,无论是建模结果还是验表结果,残差和为零的回归分析法的精度总体高于非线性最小二乘回归的精度。     

采用递归图编码技术与残差网络的滚动轴承故障诊断

针对传统故障诊断方法未充分挖掘故障信号的时间序列间关联性特征的问题,将递归图编码技术引入故障诊断领域,提出了递归图编码技术与残差网络的滚动轴承故障诊断模型。采用递归图编码方式将振动信号转换为增强信号特征的二维纹理图像;将这些特征图像输入残差网络中,结合残差网络对二维图像数据优秀的自适应特征提取能力,对滚动轴承进行故障诊断。使用凯斯西储大学轴承数据集和某局机务段采集的真实机车轴承数据进行试验验证,结果表明：所提模型对轴承故障诊断的识别准确率为99.99%和99.83%;在输入不同的数据长度和变工况的试验中,所提模型均保持了良好的故障诊断效果;对比其他常见的故障诊断方法,所提模型拥有更好的泛化性能和识别准确率。     

无心内圆磨削质量控制的时序建模方法

本文就如何建立合适的无心内圆磨削工序在线X-R质量控制的AR(n)模型进行了探讨.运用自现场采集得的轴承内圈内孔精磨后的工件尺寸数据建立时间序列模型.文中还对建模时采用的数据长度和适用模型的检验标准作了深入的探讨,提出了用AR(n)模型的临界残差方差函数来确定适用模型的残差极限.     

基于统计模型与混沌理论的大坝安全监测混合预测模型

为解决传统统计模型在大坝安全监测领域应用中由于缺少对残差的分析而存在拟合精度高但预测效果欠佳的问题，在传统统计模型中增加残差预测项，并应用混沌理论对残差预测项的计算方法进行探讨，从而提出了一种新的混合预测模型，同时结合实测数据对此模型进行了检验。结果表明，新模型可提高预测精度并具有一定的实用性。     

基于马尔科夫滚动优化的锂电池寿命灰色预测研究

文章建立了一种电池容量的动态预测方法,提出了滚动优化GM(1,1)模型、残差修正滚动GM(1,1)模型和Markov残差修正滚动GM(1,1)预测模型。研究结果证明了3种模型具有极好的预测性能,只是残差GM(1,1)模型的精度比其他2个低一些。且发现在仅有4个数据点建立的残差修正滚动GM(1,1)模型与Markov残差修正滚动预测模型也有相当高的预测精度。通过预测不同电池在不同充放电条件及温度条件下的电容容量,验证了滚动优化模型的普遍适用性。     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

模型预测控制性能评价的一种改进方法

历史性能指标和设计性能指标的残差控制图可用于模型预测控制的性能评价, 但是当外界干扰和模型变化很小或性能指标存在严重的自相关现象时,残差的图很难检测出性能的变化.提出用残差的累积和控制图对模型预测控制性能进行监视,在Shell塔模型上的仿真实验表明了该方法解决问题的有效性.     

模型预测控制性能评价的一种改进方法

历史性能指标和设计性能指标的残差控制图可用于模型预测控制的性能评价,但是当外界干扰和模型变化很小或性能指标存在严重的自相关现象时,残差的-X-图很难检测出性能的变化。提出用残差的累积和控制图对模型预测控制性能进行监视,在Shell塔模型上的仿真实验表明了该方法解决问题的有效性。