随机序列的平稳区间预报与适时区间预报是渐近相同

本文概述了随机序列的平稳区间预报法和适时区间预报法,论证了平稳区间预报法和适时区间预报是渐近相同,揭示了这二种区间预报的内在联系.     

新息预报程序设计中分配存贮单元的一种方法

<正> 在生产斗争和科学实验中,人们往往需要对某一随机序列进行分析,以达到对未来时刻的值作出预测。一般步骤是:(1)对该随机时间序列的观测值 z1……,zn 作相关分析,找出一般规律性,建立数学模型。(2)选择合适的预报方法。随机序列适时预报——新息预报是其中较好的方法之一。     

应用时间序列分析法进行棉红铃虫中长期数值预报的研究

本文以时间序列分析法组建棉红铃虫数值预报模型,将棉红铃虫种群数量变动的时间序列分解为周期项和随机项,采用逐步回归周期分析和平稳随机序列分析方法分别提取其周期项和随机项,经迭加后应用于中长期数值预报,经初步验证,效果尚好。     

神经网络在工程时间序列预报问题研究中的应用

对岩土工程中时间序列预报问题进行了研究。灰色模机理研究表明，灰色建模存在若干问题，因此，在处理岩土工程中时间序列预报问题时，要慎用灰色系统建模。探讨了岩土工程时间序列与神经网络间的联系，论证了神经网络的函数逼近能力，建立了基于神经网络的岩土工程时间序列预报模型。研究了实例表明，该模型的预报精度高，为解决岩土工程中时间序列预报问题提供了一条崭新途径。     

基于双向差分的船舶横摇时间序列的预报

根据船舶在随机海浪作用下的运动特性,基于双向差分算法建立模型,并运用于船舶横摇运动时间序列的预报,取得较好的效果.该模型也可用于纵摇、艏摇的时间序列的预报.     

概率神经网络的边界预报

在概率神经网络用于时间序列预测的基础上,结合数理统计理论,提出在一定置信度情况下,对时间序列的边界预报问题．在时间序列预报时,不仅给出预报值,同时也给出预测值的变化范围．通过模拟数据和齿轮箱实际数据,对边界预报进行了应用分析,得出预报具有滞后性的结论并分析了其原因;同时讨论了平滑因子等参数对边界预报的影响．     

AP（p）序列L1-预报的方法

本文讨论时间序列模型中AR(p)序列L1-预报的方法,给出预报公式,并讨论渐近均方预报误差估计.     

混沌时间序列可预报时间长度分析

摘要：以经典混沌序列——Henon映射序列为例,对不同长度、不同噪声水平的序列进行了预报试验．结果表明：(a)纯净序列,序列越长,预报精度越高,同时预报精度衰减速度随之减慢,并且,当序列足够长时,即使较长预报步长的多步预报,仍可取得相当高的预报精度;(b)含噪声序列,其预报精度随步长的增加迅速地呈指数衰减,并且,序列长度基本上不会对预报时间长度产生影响,但噪声水平对可预报时间长度有一定影响,噪声水平越高,可预报时间长度越短．因此,不明确可预报的标准、不考虑序列长度、噪声水平等因素的影响而简单地以最大Lyapunov指数的倒数定义最大可预报时间长度,是不可取的．同样,根据最大Lyapunov指数推断水文过程的可预报时间长度也是不合适的．     

建筑物沉降的时间序列分析与预报

首先对建筑物沉降数据序列进行了平稳化处理,然后研究了平稳化序列的建模和预报方法,最后结合建筑物沉降监测的具体实例进行了时间序列的分析与预报.结果表明:将时间序列分析方法应用于建筑物沉降监测,具有建模容易、计算简单、预报快速的特点;时间序列分析方法对建筑物沉降具有较高的模型拟合及预报精度,尤其是短期预报,效果更佳;应尽量避免使用时间序列进行中长期预报,要根据实测数据对所建模型进行实时更新.     

水库中长期水文预报模型研究（Ⅱ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了3个基于径流及其影响因子的成因统计关系的预报模型,分别为投影寻踪回归、时间序列—马尔可夫分析、非线性动力系统学以及神经网络模型,这些模型为有效进行水文对象的中长期预报提供了坚实的基础。     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。论文提出采用时间序列ＡＲ模型进行趋势预测。将现场测得的非平稳振动序列通过ＡＲＩＭＡ模型和标准化处理,转化成标准正态平稳时间序列。模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法。通过现场实测数据进行验证,计算结果表明ＡＲ模型能够很好地拟合振动信号时间序列并取得了一定的预测精度,可以达到预测要求。     

软件可靠性预测的小波分析方法

软件可靠性预测对于软件可靠性评估以及软件工程项目的过程控制具有重要作用。本文提出的软件可靠性预测模型,通过小波分解将非平稳的软件可靠性随机序列分解成趋势项、周期项和一系列时间调制平稳随机序列,对趋势项和周期项按常规的预测方法进行预测,而时间调制平稳随机序列再用小波方法预测,最后合成得到软件可靠性预测。实例分析表明,本方法是可行的。     

The Study of a New Method for Forecasting Non—stationary Series

A new method for forecasting non-stationary series is developed.Its steps are as follows.Step 1.Data delaminating.Non-stationary series is delaminated into several multi-scale steady data layers and one trend layer.Step 2.Modeling and forecasting each stationary data layer.Step 2.Imitating trend layer using polynomial.Step4.Combining the forecasting layers and imitating layer into one series,The EMD(Empirical Mode Decomposition) method suitable to preocess non-stationary series is selected to delaminate data,while ARMA(Auto Regressive Moving Aver age)model is employed to model and forecast stationary data layer and least square error method for trend layer regression.Aiming at forecasting length,forecasting orientation and selective method,experiments are performed for SAR(Synthetic Aperture Radar) images.Finally,an example is provided,in which the whole SAR image is restored via the method proposed by this paper.     

基于ARMA模型的振动信号建模与预测

振动信号是反映系统故障的重要信息,预测振动信号的趋势是系统状态监测与故障诊断中的一个重要内容。本文提出了一种采用时间序列模型来分析和预测非线性随机振动信号的方法,建立了描述振动信号的数学模型。首先将现场测得的非平稳振动信号转化成标准正态平稳时间序列,然后利用这些参考信号建立时间序列模型,并采用非线性最小二乘法进行模型参数估计,最后利用该模型对信号进行预测。应用结果表明该模型能够很好地拟合振动信号时间序列,并取得了一定的预测精度,可以达到预测要求。     

基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

应用微型计算机的振动主动控制

本文根据现代控制理论中的随机控制论和时间序列分析的基本理论,提出了应用微型机实时控制技术的振动主动控制方法。构成控制系统的关键是识别系统的时域传递函数。本文证明了矩形响应函数定理。该定理给出识别控制系统时域传递函数的一种精确、简单、实用的方法。本文提出了两种具体的振动主动控制方法,适用于周期性振动控制的移相控制法和适用于平稳随机振动控制的予测控制法。最后给出了实验室实验的结果。