非线性时间序列分析在股市行情预测中的应用

该文用非线性时间序列分析方法,对一般股市行情序列进行了拟合,指出可用逐段线性回归拟合趋势,用门发自回归模型拟合消除趋势后的平稳序列,通过对１９９７年４月２２日至５月１２日期间深圳股市行情预测值与实际值的对比,说明在正常状态（即无违规操作及无特殊政策出台）下,所建立的模型有较好的拟合效果,从而提供了一个行情预测的有效方法。     

时间序列辨识的动态自反馈神经网络

本文提出用∑－π自反馈神经网络辨识时间序列。每个神经元的输出取决于现时的输入及前面的输出和过去的输入。使网络呈现动态系统性。用它能逼近一个复杂的函数。     

一类结构已知的非线性系统辨识

本文针对带有已知结构的非线性Ｗｉｅｎｅｒ系统，提出了利用不同幅值的周期脉冲信号辨识非线性增益未知参数和脉冲响应序列的新方法，获得了强一致性估计，数字仿真研究说明了该方法的有效性和实用性。     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

一类双线性时间序列模型基于累积量的辨识

获得了一类双线性时间序列模型的二、三和四阶累积量所满足的差分方程,它们与线性平稳ＡＲＭＡ模型著名的Ｙｕｌｅ－Ｗａｌｋｅｒ方程相似,可看作是标准Ｙｕｌｅ－Ｗａｌｋｅｒ方程的推广,因此它们可用于双线性序列模型的辨识,并以一个数值仿真例子表明该方法是可行的。     

语言认知EEG非线性时间序列分析

利用非线性时间序列分析方法,以汉语语言认知为例,探讨语言认知系统的动力学特性.通过计算F3,F4,P3,P4,Fz,Cz,Oz这些电极记录的脑电图(EEG)时间序列的关联维和Lyapunov指数,表明大脑语言认知系统属于高维的混沌动力学系统,只需有限的几个变量就可描述和表征这种整体的、宏观的特性.     

一种非线性时序模型的结构辨识方法

本文从模型的结构形式入手,讨论了几种非线性模型之间的关系,采用Gram-Schmldt正交化最小二乘算法实现了非线性模型的结构确定和参数估计。并给出了应用非线性模型对陀螺漂移过程的建模结果。     

一种用于时间序列AR模型在线辨识的阶估计准则

用系统可观测输出与模型输出的方差作为最小方差指标函数,根据噪声的遍历性导出一种实用指标函数,给出了阈值计算公式及适用于在线建模的递推的阶估计准则。     

基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

一类带随机延滞的时序模型的极限行为

提出了一个带有随机延滞的时序模型Xn 1=fzn 1(Xn,…,Xn-zn 1) Hzn 1(Xn,…,Xn-zn 1)εn 1,应用马氏链的随机稳定性理论,讨论了这个模型的极限行为,给出了关于{Xn}以几何速率按某种方式收敛的一个充分条件。     

非线性时间序列ARMA模型的优化估计法

提供了一种ARMA模型参数的优化估计法—阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度.当初值的精度较差时,更宜采用阻尼最小二乘法.而且本文给出实例的MATLAB程序,并利用t统计量检验出:阻尼最小二乘法要比最小二乘法的参数估计值更为显著,拟合模型更优.     

证券组合的时间序列模型

针对证券的时变特性,联合运用差分方法和指数平滑法,建立了证券组合的时间序列模型。     

构成基本串联与并联非线性系统结构模型的必要条件

在Ｖｏｌｔｅｒｒａ理论和Ｗｉｅｎｅｒ理论的基础上,利用相关分析方法,研究并给出了构成基本串联与并联非线性系统结构模型的必要条件,它们能够为辩识一大类可表示成这些模型的“黑箱”非线性系统提供一种重要的判别依据．文中还给出了计算机模拟算例．     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。     

利用时序分析方法识别模态参数的研究

本文对时间序列分析方法识别模态参数进行了研究。重点介绍了ARMA和ARMAV模型识别模态参数的原理,并用大量模拟实验检验了两种模型在分离模态、不同信噪比、大阻尼、密集模态等复杂情况下识别模态参数的能力,从结果可以看出ARMAV模型是一种有效的识别方法。