基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法.对采集的轴承振动信号采用高、低正交共轭镜面滤波器组,将信号划分到不同频道上.滤波器每作用一次,数据点减半,采样的时间增至两倍.选取轴承缺陷所在频段的数据插零,将其他频带补零重构提高缺陷信号的时频分辨率;然后通过AR功率谱分析轴承运行状态,诊断出轴承对应的故障.对207滚动轴承的早期缺陷作了实际诊断,诊断结果与实际较为符合.证明该方法是一种有效的弱信号缺陷提取与诊断方法.     

太阳黑子的多项式趋势-自回归-条件异方差模型

用确定性趋势与残差服从条件异方差模型的自回归模型组合，作为太阳黑子相对数的数学模型，用它拟合1848—2002年太阳黑子相对数数据，取得很好的效果，首先通过逐步回归与逐步自回归，建立太阳黑子数的多项式趋势-自回归校正模型，然后通过PortmanteauQ检验和Lagrenge乘子检验证明残差存在强烈的异方差性，表明仅仅用多项式趋势-自回归校正模型是不够的，再配上一种条件异方差模型，即EGARCH模型控制其残差方差，从而建立多项式趋势 自回归 EGARCH模型，用此模型进行数据拟合回代，分析和预测，表明该模型的拟合，预测效果是好的，所分析的太阳黑子周期是恰当的。     

基于模拟退火算法的子集AR模型辨识方法及其应用

该文提出一种子集ＡＲ模型辨识算法，该方法采用模拟退火随机搜索算法，对模型的回归项子集进行优化辨识，克服“组合爆炸”问题，简化计算。文中还讨论了基于该算法的人口死亡率建模和预报问题。     

中国股市交易量的周内效应

研究了中国股市交易量在一周里面的变化规律,采样时间跨度是从1990-12-19到2002-12-31。以市场换手率度量交易量,采用自回归广义自回归条件异方差(AR-GARCH)模型研究了中国股市交易量的时间系列。研究结果显示沪市和深市的日市场换手率不服从正态分布并且存在着自相关性和ARCH效应;AR-GARCH模型很好地拟合了日市场换手率时间系列,估计出来的参数十分显著;周一到周五的日市场换手率存在显著差异并且周一的市场换手率达到了一周的最大值。利用混合分布假说进行了解释,非交易日的信息积累可能是周一高换手率的原因。结果指出:在该研究的样本范围内,中国股市交易量存在着周内效应。     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测，对网络结构设计进行详细的探讨，并应用该方法对经典非线性时间序列数据进行预测，与传统预测方法(TAR)比较，结果证明此种方法具有较好的效果，网络的结构得到了简化。不仅满足了误差目标的要求，而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

向量自回归模型参数估计矩阵的渐近分布

讨论了向量自回归模型参数的估计矩阵П^、Ω^的渐近分布，给出并证明了两个相应的结论．     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于时间序列分析的独居老人活动量研究

为解决独居老人日常生活的监护问题, 提出一种基于时间序列分析与模糊模式识别的独居老人活动量研究方法。该方法将独居老人的日常活动量作为对独居老人生活状况监测的有效指标, 并利用时间序列分析对活动量时间序列建立预测模型, 利用模糊模式识别法鉴别活动量监测值与活动量预测值之间的差距, 当两者之间的差距超过正常范围时, 将预警信息反映给老人的监护人, 以便监护人对老人的生活状态是否异常予以关注。实验结果表明, 该方法对老人异常状态的识别准确率为96. 97%。从而为老人生活状况的研究提供了一种新的方法和途径。