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。     

麻疹流行过程的混沌分形

以辽宁省本溪市１９５５～１９９６年麻疹逐月发病数为根据,利用谱分析得出本溪麻疹的传染是混沌的,动力性态符合一个受噪声摄动的高 低１～２年循环·利用混沌动力学相空间重构技术,给出本溪麻疹逐月发病数时间趋势图、混沌相图和递次振幅图,求出本溪麻疹逐月发病数混沌分布的迭代模型·并求出本溪麻疹流行过程奇怪吸引子的分维值为３－４２６６６７,其中计划免疫前分维值为３－４６２５０３,计划免疫后分维值降低为０－３３８４６１５,说明麻疹流行过程中相空间轨迹存在向平稳状态发展的趋势·     

张家川地区胆结石发病率的时间序列预测模型

在讨论时间序列模型基本方法的基础上,通过分析甘肃张家川地区胆结石的发病率数据序列的特征,建立了ARIMA数学模型,并用SPSS软件进行时间序列建模的最小二乘法参数估计图检,并进行预测值与实验值比较.从预测结果来看,发病率呈现平稳且伴随周期性发病状况.     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.     

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。     

基于ARMA模型的股票开盘价分析及预测

以建设银行2018年1月2日至2019年12月26日的每个股票交易日开盘价的时间序列为研究对象,通过差分方法对原始序列进行平稳化处理,再采用AIC和HQ最小准则确定原始序列所满足的ARIMA模型.为了检验该模型的效果,利用模型对建设银行短期的股票开盘价进行预测,结果表明预测值与实际值较吻合,短期误差较小.     

基于ARMA模型的股票开盘价分析及预测

以建设银行2018年1月2日至2019年12月26日的每个股票交易日开盘价的时间序列为研究对象，通过差分方法对原始序列进行平稳化处理，再采用AIC和HQ最小准则确定原始序列所满足的ARIMA模型.为了检验该模型的效果，利用模型对建设银行短期的股票开盘价进行预测，结果表明预测值与实际值较吻合，短期误差较小.     

基于优化灰色-马尔可夫链的河南省旅游总收入预测

以原始序列的一阶累加生成序列与其模拟值的误差平方和最小为准则建立优化GM(1,1)模型,然后对优化GM(1,1)模型的预测结果进行了马尔可夫链的改进.最后选取2003—2013年河南省旅游总收入建立基于优化灰色-马尔可夫链的预测模型,并对2014—2016年河南省旅游总收入进行了预测,为旅游预测提供了一种新的研究思路和方法.     

基于ARMA模型的财政教育投资时间序列分析

以1991—2008年的财政教育投资数据为依据,通过对数据进行平稳化、零均值化处理,并利用序列的自相关、偏自相关性质,建立序列的合理时间序列模型,最后利用模型进行了预测,预测结果比较切合实际.     

最小二乘回归支持向量机对非线性时间序列预测的试验分析

利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月～2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月～2006年12月Nino3区逐月海温距平指数(长序列)资料进行了预测试验,以验证支持向量机对气候变化中非线性时间序列的预测效果.结果表明:通过训练建立的最小二乘回归支持向量机模型,较好地反映了Nino3区海温距平指数的变化规律,36个月的预报效果较好,具有一定的可信度.资料的长度越长,预测结果与实测值的变化趋势越接近,但资料长度对均方根预报误差不敏感.