基于GARCH效应和改进罚指标的时域非线性损伤识别

结构在服役期间可能会产生裂纹等损伤,裂纹的张开和闭合效应使损伤呈现出时域非线性特性.另外,基于时域模型的方法主要反映了刚度损伤引起相邻节点自由度处的特征改变,难以直接反映层间刚度的损伤信息.为了解决这些问题,提出了一种基于GARCH模型和改进罚指标的损伤识别方法.首先描述了GARCH模型的基本原理,并给出了GARCH模型的定阶方法和模型参数估计法.然后分析了时域非线性的双线性刚度特性,并提出了基于GARCH模型的非线性损伤识别原理和基于刚度的基本GARCH指标.最后利用罚函数原理,对层间刚度损伤提出了一种改进GARCH罚指标方法以提高识别可靠性.数值计算和实验研究结果表明,采用改进GARCH罚指标可以较好识别出结构非线性损伤,其识别效果要好于基本GARCH指标以及基于线性自回归模型和倒谱测距的方法.     

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.     

混合GARCH模型下股票市场跳跃形态分析

在跳跃扩散模型下,假定跳跃强度服从门限自回归模型(self-threshold autoregressive model,SETAR)以反映跳跃强度的结构性突变,并使用GARCH模型描述收益率波动扩散形态.以受波动率影响的跳跃强度控制跳跃行为发生概率,并以受跳跃行为影响的GARCH模型控制正常扩散过程,构建了SETARGARCH模型.以上证房地产指数为例,实证研究发现,股指存在门限效应,GARCH效应明显,跳跃突变发生的概率为35.21%.资产收益率总体方差中有较大的部分是由跳跃行为异常所引起.历史波动率直接影响未来跳跃强度预期,历史跳跃行为干扰加剧了当期收益率波动扩散,波动率扩散和跳跃行为具有双向反馈机制.     

时间序列与主成分分析的结构损伤识别

提出一种基于AR模型均方根误差主成分分析的结构损伤识别方法.首先利用检测数据建立AR模型,求得模型的均方根误差,然后,采用主成分分析的方法获得主成分载荷矩阵,将此矩阵经过数据标准化处理得到结构损伤特征指标.通过比较结构不同状态下传感器获得的损伤特性指标,进行损伤定位.最后,基于美国Los Alamos实验室三层框架结构模型的损伤实验数据,利用本文方法和基于AR模型系数损伤定位的方法对该结构各种损伤状况进行识别.2种方法的对比研究表明采用本文的方法,通过主成分分析排除外界干扰因素,减少运算量,具有更高的损伤识别精度.     

GARCH-neural网络模型对股票价格买卖差波动率的预测

股票价格买卖差是衡量金融市场流动性和有效性的重要指标,已经得到学术界的广泛研究.相比而言,作为衡量股票市场风险的重要因素的股票价格买卖价差的波动率却没有得到相同的重视.在广义自回归条件异方差(generalized autoregressive conditional heteroscedasticity,GARCH)模型的基础上,提出了GARCH-neural network (GARCH-NN)混合模型分析股票价格买卖价差波动率的动态性.以深圳证券交易所成分股价指数的高频数据为样本对所提模型进行了实证分析.运用GARCH家族模型对股票价格买卖差波动率的动态性进行分析,得出预测效果最优的GARCH模型.在最优GARCH模型的基础上结合神经网络分析方法即GARCH-NN混合模型对样本数据进行了实证分析.比较分析最优GARCH模型和GARCH-NN混合模型对股票价格买卖差波动率的预测效果,并以AIC(Akaike information criterion)和BIC(Bayesian information criterion)作为检验模型预测效果的指标.实证结果表明,提出的GARCH-NN混合模型更优.     

采用变形和能量双重准则的钢筋混凝土桥墩地震损伤模型

提出基于钢筋混凝土桥墩标准化塑性变形与标准化累积滞回耗能组合的损伤模型.基于搜集的钢筋混凝土桥墩拟静力试验数据,计算各等级性能极限状态下的桥墩损伤指标限值,并通过概率性分析得到损伤指标限值的概率分布模型及概率特征值.结果表明:钢筋混凝土桥墩处于基本完好极限状态时,损伤指标为0;在严重破坏极限状态时,损伤指标为1,能够解决Park-Ang损伤模型存在上下界不收敛的问题.在轻微破坏和中等破坏极限状态下,损伤指标限值相对于Park-Ang损伤指标离散性显著降低.     

利率期限结构波动效应协整的实证

在刻画短期利率波动具有长期回复均值和负向飘移率的非线性均值-广义自回归条件异方差(GARCH)模型中,引入马尔科夫区制转移特征,给出波动区制转移概率的计量递推公式和最大似然函数数值求解程序.对动态模型综合设计的科学性进行参数假设检验,证实非线性均值回复与马尔科夫区制转移效应的GARCH模型相比,其单独或双项组合的杠杆效应、负向信息强响应、高波动低持续等效应模型具有更强的现实数据拟合能力,可从时间序列和横截面角度,进一步揭示短期市场利率期限结构的内在波动规律.     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.     

斜拉桥结构损伤识别的概率可靠度法

从概率可靠度的角度出发,提出并发展了基于参数识别和假设检验的斜拉桥结构损伤识别方法.将正则化理论引入参数识别过程,综合利用蒙特卡罗方法和最优化理论识别结构的主要参数并获得其概率分布特性,进而采用假设检验确定损伤的位置和程度,实现损伤的概率诊断.为验证方法的准确性和有效性,将其应用于斜拉桥的损伤识别问题,提出了斜拉索损伤识别的斜拉索索力指标,得出了有益的结论.     

基于加速度内积向量和灰云模型的结构损伤识别

为了解决测量噪声等引起的损伤识别不确定性问题,提出了基于加速度内积向量和灰云模型相结合的损伤识别方法。描述了云模型和云发生器的基本理论和公式,计算了结构在随机激励荷载下的加速度响应,并利用互相关函数和二阶差分法构造出加速度内积向量损伤指标,最后,基于灰云模型建立了内积向量和损伤区间的前件云和后件云。考虑随机测量噪声等引起的不确定性,利用多种模式下的加权和均化计算,建立了基于灰云模型的损伤识别方法。数值计算结果表明,所提出的基于灰云模型损伤识别方法,可以较好地进行含噪数据的损伤识别,其识别效果优于单纯的加速度内积向量损伤指标。     

基于倒谱的非因果自回归系统自适应辨识

为解决信号处理中非因果自回归（ＡＲ）系统的自适应辨识问题，本文提出了一种利用倒谱进行ＡＲ系统辨识的新方法。这一方法在倒谱域内把非因果ＡＲ系统辨识问题转化为非最小相位有限冲激响应（ＦＩＲ）系统辨识问题，因此可以利用现有的基于倒谱的ＦＩＲ系统辨识算法构造非因果ＡＲ系统辨识算法，从而实现了非因果ＡＲ系统的自适应参数辨识，并解决了以往文献中未曾解决的非因果ＡＲ系统阶次自适应确定问题。另外，本算法可以保证估计出的ＡＲ模型是稳定的。数值仿真结果证明了本算法具有很高的估计精度。     

Robust Optimization Operation of Power System Considering the Non-probabilistic Uncertainty of Parameter

Probabilistic method requires a lot of sample information to describe the probability distributions of uncertain variables and has difficulty in dealing with the optimization problem with uncertain parameters which contains unsufficient information.To solve this problem,a robust optimization operation method based on information gap decision theory(IGDT) is presented considering the non-probabilistic uncertainties of parameters.By the proposed method the maximum resistance to the disturbance of uncertain parameters is achieved and the optimization strategies with uncertain parameters are presented.Finally,numerical simulation is performed on the modified IEEE-14 bus system.Numerical results show the effectiveness of the proposed approach.     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于时间序列分析与高阶统计矩的结构损伤检测

基于时间序列分析,提出一种有效检测结构非线性损伤的方法.在分析基于AR模型残差均方差指标的基础上,指出传统方法存在损伤信息泄漏的缺陷,特别是对于非线性损伤检测.为提高传统方法损伤检测结果的可靠性,提出采用残差的高阶统计矩———偏度和峰度作为传统指标的补充,提出了3个指标的算术平均和几何平均共6种综合指标,并应用模糊聚类分析实现结构损伤检测.利用考虑了环境因素影响的三层建筑结构模型的非线性损伤实验数据验证了提出的方法.研究表明,6种综合指标对非线性损伤检测的可靠性均高于传统方法,其中以均方差和峰度的几何平均指标检测效果最佳.     

多属性决策的时间不确定事件流时序推理方法

针对信息物理融合系统时间不确定事件流调度顺序的决策依据单一问题,首先利用D-S证据理论在多证据源概率融合上的优势,充分考虑事件优先级、截止期、紧迫度、事件依赖等多个属性的影响,构建具备多属性特征的模糊结束时刻基本概率分配求解模型。然后,建立D-S证据理论与直觉模糊集的关联模型,求解模糊结束时刻隶属度与非隶属度;最后,利用直觉模糊集负向时间推理理论和相关计分函数推导模糊开始时刻概率得分,得到时序推理结果,并以此确定基于多属性判据的时间不确定事件流调度顺序。实验结果表明,当事件数量增长时,调度准确率可保持在85%以上;当模糊区间限制规模扩大时,调度准确率下降幅度不超过15%。     

一类受扰时滞系统的滑模观测器设计

针对一类时滞系统,首先考虑时滞系统不包含外部干扰时观测器的设计问题,其次考虑了包含外部干扰的时滞系统的观测器设计问题·所研究的时滞系统中包含的干扰项由两部分组成,一部分是满足全局李普希兹条件的非线性项,另一部分为有界不确定项,并且系统时滞是可变的·基于李亚普诺夫稳定性理论利用滑模控制使得误差系统镇定,并将该稳定性问题转化为一类线性矩阵不等式的求解问题,使得构造的滑模观测器能够观测原系统·最后给出仿真实例,说明所设计的观测器是有效可行的·     

基于LMI技术求解非线性不确定时滞系统的鲁棒控制

研究了一类具有非线性不确定时滞独立系统基于观测器的鲁棒控制器的设计问题,将被控对象由线性不确定时滞系统扩展到非线性不确定时滞系统.在非线性不确定函数增益有界的情况下,通过构造增广系统,利用Lyapunov稳定性定理,获得了该不确定系统存在状态观测器和基于观测器的鲁棒控制器的充分条件.通过求解3个LM I方程,可解得黎卡提方程的解Po,Pc,进而求得状态观测器增益和控制器增益,解决了在利用R iccati方程求解时依赖于参数调整的问题.