西北内陆干旱区出山口年径流组成统计分析

采用时间系列的组成项分析法对西北内陆干旱区出山口年径流系列进行了统计分析,给出了相应的统计拟合模型,并由此进行了两步预报,结果表明,用时间组成项分析法基本上能描述西北干旱区大多数站的统计变化特性,预报的结果有一定精度,拟合的统计模型及所得结论可供参考。     

基于节点相似性和链接次数组合时间序列的链接预测

针对现有方法利用网络信息相对割裂, 很难描述链接次数与相似性分数关系的问题, 提出一种动态网络中的链接预测方法, 用节点相似性分数和链接次数组合时间序列模型进行预测. 首先通过社区演化, 预测历史上各时间快照下节点间的相似性分数; 然后用二元时间序列模型将其与各时间快照下节点间的事实链接次数相结合, 判断下一个时间段内各节点对链接发生的可能性; 最后在Weibo Net Tweet微博转发数据集上进行测试. 实验结果表明, 该方法至少提高了5%的预测准确度, 证明了社区演化与链接预测之间的内在联系, 验证了二元时间序列模型的有效性.     

基于监督局部模型的设备剩余寿命预测

精确预测设备的剩余使用寿命能帮助厂商衡量所生产设备的质量,也有利于使用者及时更换或修理设备。截至2021年,基于相似性预测剩余寿命的研究大多使用欧式距离进行相似性的判定,容易出现维度灾难。本研究结合长短期记忆网络和自编码器提取设备的时序特征,之后使用监督局部模型进行剩余使用寿命预测,以随机森林为基础进行相似性的判定。最后,本研究使用C-MAPSS数据集验证了所提出方法的有效性,所提出方法在预测精度上要优于其余几个对比方法,并进行相关的讨论。     

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重.Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到“好而不同”的基分类器.然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率.在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果.     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.     

应用时间序列分析法模拟地下水资源系统

本文阐述了应用时间序列分析法模拟地下水资源系统的基本概念、原理和步骤,并列举了应用此法建立木里图地区地下水资源系统管理模型的实例.实例研究表明,应用时间序列分析法模拟地下水资源系统,进行地下水资源评价和系统管理简单、易行、省时、省力.对水文地质查勘和试验研究欠缺,含水层参数资料不足.但又积累有一定数量水文气象、开采量和地下水动态资料的地区尤为适宜.     

时间序列分析的历史发展

阐述了时间序列分析的发展历程：早期自然科学主要应用单纯的描述性分析;差分、指数和滑动平均等基本概念推动了统计性时序分析的发展;以Fourier级数为基础的周期图方法是频域分析的核心内容;时域分析经过了从AR（2）模型、AR（4）模型→AR（s）模型＋MA（h）模型→AR-MA（s,h）模型→ARIMA模型→ARCH、ARCH族模型的漫长过程.     

螺纹钢线材市场的多重分形特征——基于上期所的实证研究

运用时间序列分析、多重分形谱以及重标极差分析方法(R/S分析法)对我国螺纹钢线材市场收益率序列进行实证研究.结果表明,我国螺纹钢和高线两种钢材收益率序列具有尖峰厚尾特征,并不服从正态分布,价格之间存在长记忆性,市场未达到弱势有效,从而质疑有效市场假说的合理性.且二者均存在明显的多重分形特征,价格仅用单一的标度指数对其进行描述是不充分的,多重分形分析方法为更好地描述钢材价格的变化规律提供了有力的工具.     

钻孔直径对静态破碎剂致裂性能影响试验分析

进行岩石切割或开采时,静态破碎剂(简称SCA)致裂性能受多种因素的影响。为了研究钻孔直径对SCA致裂效果的影响,研究设计三种不同的SCA浆液水剂比;通过五种不同直径的高强度钢管来模拟不同的钻孔直径,测试了试件中SCA产生的膨胀压力。结果表明:1大直径的钻孔易发生喷孔现象,且首次喷孔时产生的膨胀压力最大;2当SCA浆液水剂比一定时,SCA产生的膨胀压力随着钻孔直径的增大而增大,但不同钻孔直径的钻孔达到最大膨胀压力所需时间基本相同。     

静态破碎剂的轴向膨胀力学性能实验研究

针对静态破碎剂轴向膨胀力学行为进行了深入研究,提出了测量静态破碎剂膨胀压的轴向输出法,设计了测试系统及核心钢筒组件.分别采用轴向输出法和外管法对静态破碎剂膨胀压进行了测试.通过对比在不同孔径条件下两种方法测得的膨胀压,分析了孔径大小对静态破碎剂轴向膨胀压及其输出率的影响.结果表明:轴向输出法能够可靠准确测得静态破碎剂膨胀压;在固定的高径比条件下,静态破碎剂轴向膨胀压随孔径尺寸增大而增加;孔径小于50 mm时,自封孔效应导致静态破碎剂输出轴向膨胀压的能力减弱;孔径大于150 mm时,轴向膨胀压与径向膨胀压趋于一致,轴压输出率达100%.     

基于排队论的CAN总线消息响应时间建模与分析

CAN总线消息响应时间是评价CAN总线系统实时性高低的重要性能指标之一,与最糟糕v向应时间分析关注极端条件下响应时间计算不同,研究了均值意义下的响应时间建模与分析．在分析CAN总线CSMA／CD协议的基础上,建立了消息响应时间的非强占优先级的M／G／1排队模型．针对CAN总线独有的位填充机制,给出了相应的填充位概率分布函数,计算了均值意义下的消息响应时间．将其用于电动汽车的CAN总线消息响应时间均值计算,印证了响应时间的均值远小于最糟糕响应时间．上述结果从排队论角度对CAN总线系统进行了建模,所提供的模型和方法不仅可用于响应时间的计算和分析,也为CAN总线通信系统的设计与优化提供了理论指导．     

基于递归长短期记忆网络和镜头序列注意网络的视频摘要生成

为解决基于长短期记忆网络LSTM的视频摘要生成方法当输入序列过长时LSTM网络中的记忆单元不能集中在长时间序列的跨度上。通过深度学习的方法研究了一种基于递归长短期记忆网络(ReLSTM)和序列注意(SSA)的视频摘要生成模型用以提高深度学习网络学习时序特征的能力。该模型使用ReLSTM网络提取时间特征。同时,利用SSA动态调整每个视频序列输入到ReLSTM网络中的特征权重。结果表明：在数据集TVSum上F1-score平均提高2.5%,最高提高0.2%。在数据集SumMe上F1-score平均提高7.8%,最高提高3.4%。可见该方法能有效地学习镜头之间的时序特征。     

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。     

基于Mask R-CNN的满文文档版面分析

提出一种基于Mask R-CNN深度学习框架的满文文档版面分析方法,将满文文档版面分析问题转化为基于深度学习的图像实例分割问题。使用ResNet101网络和FPN网络构成的卷积神经网络自动提取满文文档图像特征,特征图经过RPN网络和RoI Align层生成新的特征图。新特征图经过全连接层完成感兴趣区域的类别和边框预测,并经过全卷积神经网络对感兴趣区域的像素进行分类得到mask预测,最终实现满文文档图像的实例分割。通过《新满汉大辞典》的文档图像构建了满文文档图像数据集,算法在该满文文档图像数据集上进行了实验。实验结果表明,本算法在满文文档版面分析中取得了较好的检测和分割效果。     

基于作战管理的有人-无人协同作战体系结构建模

航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题,提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先,采用高斯分布对原始振动数据进行分析,提取具有时间序列和退化趋势的特征数据,并为其设置剩余使用寿命（RUL）标签;其次,利用随机搜索算法对融合参数范围进行寻优,在极端梯度提升(XGBoost)中加入卡尔曼滤波器解决预测值不平滑和噪声干扰的问题;最后在商用模块化航空推进系统仿真数据集（C-MAPSSC）上进行了验证和分析,实验结果证明：与其他模型相比,文中采用的寿命预测方法准确度更高。     

基于CNN-Transformer的锂离子电池健康状态估计

目的 健康状态是评估锂离子电池状态的关键参数,对锂离子电池的安全使用有着十分重要的意义,为了获得准确可靠的健康状态估计结果,建立基于卷积神经网络和Transformer的锂离子电池健康状态估计方法,利用不同模型的数据挖掘特性,将健康指标的深层信息和随循环周期增加的时序信息并行提取。方法 从锂离子电池放电过程中的部分电压和温度曲线中提取3个与健康状态相关性较强的健康指标作为模型输入,利用卷积神经网络强大的特征提取能力挖掘健康指标的局部特征,利用Transformer的顺序处理能力挖掘健康指标的时序特征,将健康指标的局部特征和时序特征进行特征融合,通过卷积和全局平均池化层输出健康状态估计值。结果 本研究使用MIT数据集进行实验验证,并与卷积神经网络和长短时记忆神经网络进行对比分析,所提出的方法的均方根误差和平均绝对误差是最低的,为0.11和0.08,最小相对误差为0.61%。结论 所提出的CNN-Transformer健康状态估计采用不同模型挖掘健康指标不同的特征信息,能够充分利用锂离子电池放电数据,且具有良好的估计效果。     

基于残差卷积自注意力神经网络的铝电解过热度识别方法

过热度是反映铝电解槽当前生产效率的重要指标,由于过热度难以在线实时测量,本文提出一种基于残差卷积自注意力神经网络的过热度识别方法.针对铝电解生产过程数据为时间序列数据且具有多源异构特性,设计异构数据的同构表示方法.在此基础上建立残差卷积自注意力神经网络模型以提取同构时间序列数据的全局与局部特征.针对过热度数据标签少且类别分布不均匀问题,采用基于自动编码器的无监督预训练方法与加权交叉熵损失函数以提高过热度识别任务的性能.在基准数据集上进行仿真对比实验以验证本文所提方法的有效性,然后在只包含少量不平衡标签的铝电解过热度数据集上进行实验验证,结果表明本文构建的过热度识别模型相较与其他现有模型不仅提高了过热度识别准确率,而且在训练样本较少时保证了模型的泛化能力.     

多层次的软件相似性分析

一般的软件纠纷案件分析时多在原、被告２个软件的编码层次上作对比，本文所反映的是国内首次３个软件之间在编选组合层（ＳＣＡ）、成文表达层、编码层等多个层次上作程序相似性分析，最后给出明确的量化结果。     

基于张量多线性PCA的多变量时间序列模式匹配

提出基于张量多线性PCA的多变量时间序列模式匹配方法,通过张量多线性PCA对多变量时间序列进行低维重构并获得其模式表示,然后利用Frobenius范数设计模式间的相似性度量.在四组公开的多变量时间序列数据集上进行实验,结果表明该方法的匹配准确率较高,时间开销较少,且适用于各种规模的数据集.