基于混沌时间序列的误差纠错预测模型

提出了一种新型的非常实用的非线性时间序列的预测模型,即误差纠错预测模型(EAM),并从概率统计的角度严格证明了该方法的可靠性,同时分析了受噪声扰动的时间序列的预测.先按一般方法确定嵌入维数与时间步长,在每个当前时刻,先用局域线性回归方法得到预测点的预测值,根据信息在非线性演化中产生的失真误差大小予以修正得到修正值,并以该点为新的基点作进一步预测.该方法具备了滑动窗口二次自回归模型(MWDAR)的适用于小数据集且对大数据集具有高效率的优点,而且克服了MWDAR方法中一次项和二次项阶数及滑动窗口长度等参数难以确定,从而会导致预测恶化,使得应用受到限制的缺点.分别用Logistic方程产生的小数据集和大数据集的混沌时间序列数据作了预测,结果良好.     

基于混沌吸引子的压气机失速分析

采用基于混沌理论的非线性动力系统分析方法,进行压气机压力信号时间序列分析,重构了系统的相空间,从几何角度研究系统状态变化,计算出压气机系统的最大李雅普诺夫指数为正值,由此判断系统中存在混沌,基于某型发动机节流实验中压气机失速数据,将改进的混沌吸引子预测方法与局部线性化预测方法对比,分析表明新方法可减小误差9%。     

RNA二级结构预测的模糊模型

基于模糊集合理论，提出了RNA二级结构预测的模糊模型．该模型通过状态空间的模糊分割以及模糊目标的引入等，可有效利用模糊动态规划算法给出该模糊模型的最优决策序列，并进而获得待预测RNA最优与次优的二级结构．基于模糊模型的方法具有许多优点，如计算复杂性的降低，最优与多个次优二级结构的一并获得，以及定性先验知识的有效融入等．完整地给出了RNA二级结构的模糊模型及其计算方法，并进行了具体的实现．将一个具体的BJK模糊模型结构实际应用于tRNA及tmRNA的数据集中，并与基于最小自由能的mfold工具以及基于SCFG的BJK文法模型进行了比较研究．实验结果表明该模型的有效性，相应的预测精度得到了进一步的提高．     

煤炭海运总量的灰色预测

基于灰色数学理论,通过常规全数据GM(1,1)模型及等维新陈代谢GM(1,1)模型分别对煤炭海运总量进行建模并预测,并与传统的最小二乘曲线拟合所得结果进行比较,结果表明,运用灰色理论所建立的等维GM(1,1)进行预测是可行的,而且精度较传统方法高。     

基于小波分析与卡尔曼滤波的网络流量估计和预测方法

将目标状态的小波变换系数向量描述为卡尔曼滤波方法的状态变量,进而建立了网络流量估计和预测模型,能够实现周期内的实时跟踪和动态多步预测.利用CERNET华中地区主干网的实测流量数据对该模型进行检验,所有检验周期网络流量预测值的相对误差均值为4.58%,表明网络流量估计和预测模型具有较强的适用性.     

基于改进多孔算法的时间序列预测

针对小波分析技术存在的边界问题,提出一种改进的多孔算法。使用该算法得到的系数序列,在具备时移不变性的同时,消除了右侧边界存在数据畸变的现象,使小波分析技术结合神经网络等传统预测模型的方法应用于单变量时间序列预测任务具备可行性。为进一步提高预测精度,引入了神经网络集成技术以改善网络泛化能力。实验表明,这种组合预测模型预测效果与稳定性优于传统预测模型。     

基于MATLAB的高级过程控制实时混合仿真平台

介绍了利用MATLAB的实时工具箱RTW和RTWT来建立用于过程控制器开发与测试的实时混合仿真平台的方法。平台由Simulink提供的驱动模块驱动I/O板卡完成实际现场与MATLAB工作空间的数据交换,将实际系统引入到仿真回路里。以Simulink模型作为连接物理目标的接口,实现了仿真系统的高可视化。平台提供了三种控制器的嵌入方法,尤其能用Matlab语言编写,大大提高了平台的灵活性。系统仿真结果表明混合仿真系统具有很高的仿真精度,并能真实反映实际工业过程控制中的各种扰动和噪声的影响。     

基于流体模型和GPU加速的火焰实时仿真

针对目前基于物理模型模拟火焰的计算量大、复杂度高,很难进行实时模拟的问题,提出了一种基于流体模型和GPU加速的火焰实时模拟方法,该方法根据火焰的不可压缩、低密度、无粘性等特点,通过流体方程计算火焰的物理属性,并将其求解过程在GPU中并行加速,从而大幅度提高了算法的运算速度,实现了火焰的实时模拟,并取得了较真实的模拟效果。     

基于预期机制的供应链产品转移价格混沌预测研究

将供应链管理系统中与原材料和产品流动过程有关的产品转移价格作为上游企业基于提前期内下游企业对产品的反馈信息作出的预期价格.提出了预期机制下供应链产品的非线性、非均衡转移定价模型,研究了供应链管理系统产品转移价格决策的混沌动力行为,并基于最大Lyapunov指数对供应链产品转移价格进行预测.最后,通过实例进行分析其应用价值.     

基于模糊支持向量机的小批量生产质量智能预测方法

在分析比较目前常用的智能工序预测技术及其特点的基础上,提出一种适合小批量生产过程的质量智能预测模型,并给出了相应的预测过程和算法.由于该模型中以模糊支持向量机(FLS-SVM)技术为智能核心,一方面较好的解决小样本学习问题,避免了人工神经网络等智能方法在对小批量生产过程质量进行预测时所表示出的过学习、泛化能力弱等缺点.另一方面,通过隶属度函数对样本进行模糊化,达到样本优化选择,实现历史数据“重近轻远”的预测效果.通过对具体加工过程的预测实验,并与其它几种常见预测方法效果进行对比,说明本文方法实现容易,建模速度快,小样本的泛化能力强,为实现小批量加工过程的在线质量预测与控制提供可行的思路.