基于小波包变换和峰式马尔科夫链的风速短期预测

利用小波包的信号分析特性及峰式马尔科夫链的非稳态数据预测特性,提出一种新型风速短期预测方法。该方法对历史风速数据进行小波包分解,利用峰式马尔科夫链对小波包系数进行统计,分别得到小波包系数上升转移概率矩阵和下降转移概率矩阵,并由此得到下一时刻的小波包预测系数,将小波包系数进行重构可得到预测的风速。该文模型与其他模型的预测结果对比表明,该方法具有较高精度。     

基于马尔科夫链的交互残差估计的跟踪波门设计方法

跟踪波门通常基于残差估计进行设计,但传统残差估计法在目标机动状态未知时的预测精度较差。针对这个问题,在分析2种现有残差估计法的适用环境基础上,提出了一种基于马尔科夫链的交互残差估计法:该方法首先分别利用现有2种估计法对下一时刻残差值进行预测,定义并计算滑窗内2种方法的预测误差,并根据预测误差的似然函数计算对应似然值;然后,基于服从已知概率的马尔科夫链的转移矩阵,采用似然值求解各方法所占权重;最后,通过加权求和得出下一时刻残差预测值。仿真实验表明,利用文中算法得出的残差预测值在目标运动状态未知的情况下精度较高,据此设计的跟踪波门性能更优。     

一类离散时间的Phase-Type分布的逆问题

该文从条件分布向量序列出发研究离散时间的Phase-Type分布的逆问题。利用矩阵分析的方法，在已知Markov链首达时间的条件分布向量序列的前提下，求出了瞬时态集的状态转移概率矩阵。     

高阶多元Markov链联合稳定分布向量的扰动界

给出了高阶多元Markov链联合稳定分布向量的几个扰动界:结合高阶多元Markov链概率转移矩阵左、右特征向量的相关性质, 得到高阶多元Markov链联合稳定分布向量的扰动界, 新的扰动界结果是一阶多元Markov链联合稳定分布向量扰动界结果的推广;利用高阶多元Markov链概率转移矩阵的特殊性, 给出其联合稳定分布向量可计算形式的扰动界, 也是已有一阶多元Markov 链联合稳定分布向量相应扰动界结果的推广;结合Paz不等式, 通过分析高阶多元Markov链联合稳定分布向量的分量扰动, 得到了联合稳定分布向量基于分量形式的扰动界, 便于观察高阶多元Markov 链中具体某条链某个状态的扰动.     

指数平滑结合条件Markov预测模型研究——基于新疆货运量预测

建立了一个时间序列预测模型。以三次指数平滑模型为基本预测模型,并基于马尔科夫链定义了误差修正模型--条件马尔科夫链。条件马尔科夫链的特点在于将传统马尔科夫链中的一步状态转移概率矩阵变成条件一步状态转移概率矩阵,即在条件马尔科夫链的状态转移概率矩阵中,每个元素的意义为:在已知t-1时刻的状态下,t时刻的状态转向t+1时刻状态的概率:即P{(E_t→E_(t+1))/E_(t-1)}。在文章中以新疆货运量为实验对象,通过对新疆货运量这一指标用三次指数平滑模型,用三次指数平滑模型结合马尔科夫链和三次指数平滑模型结合条件马尔科夫链三个模型进行预测,结果显示,经过条件马尔科夫链修正后的预测结果误差最小,证明文中模型可以有效提高预测精度。     

基于BP神经网络与加权模糊马尔可夫链的粮食组合预测模型

根据数据序列具有宏观变化、微观波动、相近性和相依性,建立了基于BP神经网络与模糊加权马尔可夫链的数据预测模型.首先利用BP神经网络对数据拟合,对残差进行模糊C均值聚类得到马尔可夫链的状态区间,以此求出状态转移概率矩阵,并利用归一化后的自相系数对其进行改进,确定出预测数据所属状态区间,根据状态区间求出预测值.从实例分析表明该文算法具有较高的精确度和可靠性,应用前景广阔.     

基于灰色马尔可夫链的农民平均收入实证研究

将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对农村居民人均纯收入进行实证研究.针对灰色数据系列首先用GM(1,1)模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,得到马尔可夫链预测精度明显高于GM(1,1)模型预测.     

基于Markov链的最优化预测模型及其应用研究

马尔可夫预测方法在预测领域有着广泛的应用.该方法应用的一个重要的问题就是如何估计一步状态转移概率矩阵.在历史资料没有给出系统处于n个状态次数的情况下,给出一步状态转移概率矩阵估计的最优化方法.最后探讨了基于M arkov链的最优化预测模型在长江水质预测中的应用,从而表明该模型的有效性.     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

一种基于系统行为序列特征的Android恶意代码检测方法

基于行为特征建立机器学习模型是目前Android恶意代码检测的主要方法,但这类方法的特征集中各行为特征相互独立,而行为特征间的顺序关系是反映恶意行为的重要因素。为了进一步提高检测准确率,提出了一种基于系统行为序列特征的Android恶意代码检测方法。该方法提取了程序运行发生的敏感API调用、文件访问、数据传输等系统活动的行为序列,基于马尔科夫链模型将系统行为序列转换为状态转移序列并生成了状态转移概率矩阵,将状态转移概率矩阵和状态发生频率作为特征集对SAEs模型进行了学习和训练,最后利用训练后的SAEs实现了对Android恶意代码的检测。实验结果证明,提出的方法在准确率、精度、召回率等指标上优于典型的恶意代码检测方法。     

上证综指Markov预测模型合理性卡方检验方法

在建立上证综合指数Markov预测模型过程中,连续型指数需转换为较少状态的离散时间序列。只有选择恰当离散化方法,才能保证所得离散时间序列满足马尔科夫性。借助同分布卡方检验方法,可检验给定两个出发状态的转移概率分布之间是否存在差异。若同一转移概率矩阵不同行的分布差异较大,表明两个出发状态确有差异,即这两行对应的状态划分合理。而不同历史时期转移概率矩阵同一行的比较,可作为检验马尔科夫链非齐次性的一种方法。     

执行器饱和的随机Markov跳变系统非脆弱有限时间镇定

研究了带有执行器饱和与转移概率部分已知的随机Markov跳变系统的非脆弱有限时间镇定问题.转移概率部分已知包含转移概率完全已知和转移概率完全未知两类特殊的情况.首先基于参数依赖型Lyapunov函数和自由权矩阵方法,对随机Markov饱和跳变系统的镇定进行了研究,提出了有限时间稳定的充分条件.然后利用线性矩阵不等式的方法实现了非脆弱有限时间状态反馈控制器与吸引域最大估计值的求解.最后通过四模态随机Markov跳变系统的数值例子验证了结论的有效性.     

基于游程判别法和VMD残差修正的风电功率预测

为了提高风电功率预测准确性,提出一种基于频率游程判别法和变分模态分解（VMD）残差修正的风电功率超短期预测模型.采用变分模态分解将原始风电功率序列分解,得到一系列不同中心频率的子序列,再利用序列之差提取残差序列,残差序列继承原始序列噪声分量与分解被屏蔽的真实分量,呈现波动性大,非线性复杂和不平稳的特点,采用t-SSAL...     

符号序列的预训练HMM分类方法

隐马尔可夫模型(Hidden Markov Model,HMM)是一种双重随机概率模型,已广泛应用于序列数据建模.针对符号序列分类中距离度量定义的困难,提出一种符号序列的预训练HMM分类新方法 .首先,定义一种基于HMM状态转移矩阵的序列距离新度量;其次,为得到不同序列在HMM隐状态共享条件下的状态转移矩阵,提出一种两阶段的预训练方法,先在所有序列上进行HMM预训练以学习所有序列共享的隐状态,再使用共享状态为每条序列进行训练得到各自的状态转移矩阵;最后用近邻分类器对符号序列进行基于距离的分类.在三个应用领域的真实序列上进行了实验,并与基于子序列、HMM变体模型等现有分类方法进行对比,结果表明,所提出的方法能使用较低的特征维度取得较理想的分类精度.     

Markov链中的转移过程张量及其性质

提出了Markov链的转移过程张量,在一步转移概率矩阵的基础上考虑将多步转移概率信息存储至转移过程张量,研究了Markov链的转移过程张量的弱不可约性,给出了它与一步转移概率矩阵不可约性之间的关系.此外还定义了超随机张量,并初步研究了这一类张量与转移过程张量之间的关系.     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题，提出一种基于近邻成分分析（neighborhood components analysis，NCA）特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同，利用NCA对气象特征进行加权，将加权特征作为模型输入，强化关键特征的影响程度；在此基础上，构建多个基预测器预测风电功率，并利用结合器将预测结果融合，建立Stacking集成预测模型。算例分析表明，以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

基于马尔科夫链的MOOC计算思维学习规模的预测

利用中国大学MOOC平台数据,统计从2012—2018年的计算思维课程修学人数,建立马尔科夫链模型。确定学习规模变化的平稳S、增长G和减少R等3个状态,设定变化概率的计算公式,明确变化概率的值与状态的对应关系,并据此确定一次转移矩阵。根据预测数据的特点,比较估算状态转移概率矩阵的多种求解方法,选择二次规划法求解状态转移概率矩阵。引入最小二乘法的思想,将各个概率非负以及行和为1的条件加入模型中。在Matlab中实现了状态转移概率矩阵的求解过程。依据状态转移概率矩阵预测MOOC计算思维课程的学生规模,进行了模型检验。结果表明,建立的马尔科夫链模型可以预测中国大学MOOC计算思维课程规模的变化趋势,对未来发展规模的预测结果进行了分析。     

马氏链预测模型的代数处理方法

马氏链预测法是通过对事物不同状态的初始概率及状态之间的转移概率的研究,预测事物的未来状态。本文建立了股价预测的马氏链数学模型,用代数的方法处理马氏链的高阶概率转移矩阵和平稳分布。     

年降雨量因素轮廓的状态转移模型及应用

针对有季节性频率特征的时间序列长期演化规律的分析问题,采用基于因素轮廓分析的概念与方法和聚类分析的分级法,对因素轮廓相似度序列进行状态分级,分为春旱丰水年、春偏枯平水年、冬旱枯水年、冬偏枯平水年、夏偏枯偏丰年6个状态.基于马尔可夫链及转移概率矩阵理论,建立年降雨量状态转移模型.最后,利用平稳分布估计各个状态的周期.研究结果表明:该地区处于春偏枯平水年和冬偏枯平水年的概率比较大.     

灰色马尔可夫链模型的改进及其应用

将灰色模型与马尔可夫链方法相结合,建立了灰色马尔可夫链预测模型,并对该模型进行了改进.采用滑动转移概率矩阵,并依据广西合面狮水库10 a的年最大洪水流量预测以后2 a的年最大洪水流量范围.结果表明,采用改进的灰色马尔可夫链模型,可比较准确地预测随机波动性较大的水文数据序列的范围.