基于奇异谱分析的混沌序列降噪

基于奇异谱分析的基本思想，提出一种降低混沌信号中噪声的算法及一种基于噪声奇异谱特性的最佳重构阶次选择方法．对一个混沌时间序列进行奇异谱分析，得到各主分量和经验正交函数，选择合适阶次重构信号，即可得到降噪后的混沌时间序列．数值仿真证实了该算法的有效性．     

基于动态剪枝算法的神经网络预测模型

提出一种针对径向基函数网络动态剪枝算法,该方法根据统计贡献度动态确定核函数最优数量,在递归估计参数的同时根据核函数贡献度的大小动态消除冗余节点,以达到最佳网络结构.利用中国月度信贷数据进行实证分析表明,新提出的模型与SARIMA和SVR等其他基准模型相比,具有更好的预测稳健性和准确性.     

基于时间序列的流域氟化物预测模型研究

采用时间序列分析方法拟合具有趋势性和季节性的流域水体中氟化物含量并进行预测.利用清水江流域2013—2018年的每月氟化物监测数据,用差分和季节差分方法对监测数据进行平稳化,采用ARIMA乘积季节模型(p,d,q)(P,D,Q)s拟合序列,应用残差和BIC进行模型参数调整,建立氟化物时间序列预测模型,并对测试集月均氟化...     

基于ARIMA模型对上证指数的预测

股票价格涉及很多不确定因素,且各个因素之间的相关关系错综复杂, 因此要从理论上彻底弄清楚股市的变化机理十分困难.然而股市是一个运动的、特殊的系统, 它必然存在着规律.以上证综合指数为例,利用EVIEWS软件对其股票价格建立ARIMA模型,提出了股票价格序列的一步向前静态预测方法,用于股票价格序列的建模及股价短期预测,希望为企业和投资者在进行相关决策时提供有益的参考.     

混合自回归模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.已有研究者将AR模型推广到MAR(混合自回归)模型,并且讨论了该模型的参数估计及模型选择问题.作者利用全期望公式及差分方程理论研究了混合自回归时间序列模型的谱分析,导出了自协方差函数的递推公式,给出计算谱密度的算法,并对一些常见的特殊情形给出了谱密度的具体表达式.     

基于神经网络的上证指数预测模型

神经网络依据数据本身的内在联系建模,具有良好的自组织、自适应性,有很强的学习能力、抗干扰能力。它能自动从历史数据中提取有关经济活动中的知识,可以克服传统定量预测方法的许多局限以及面临的困难,同时也能避免许多人为因素的影响。本文基于人工神经网络原理,研究了宏观经济影响下上海股市,用2005年6月到2008年11月的月度沪市上证指数作为训练数据预测08年11月份以后三个月的上证指数,并与实际数值进行了对比。最后分析了神经网络应用于股市预测的时效性。     

基于改进奇异谱分析的信号去噪方法

传统的去噪方法,比如小波阈值去噪,它只对高斯噪声有效,对于脉冲噪声却无能为力.近年来发展起来的奇异谱分析方法可以在高信噪比的条件下很好地滤除上述两类噪声,但该方法降噪过程涉及了一定的主观因素,并且受矩阵扰动理论的限制,该方法随着信噪比的降低,去噪能力也随之下降.针对上述情况,提出一种改进算法,将矩阵秩最小化理论应用于奇异谱分析方法中.仿真结果表明,改进算法去噪效果明显,能够最大限度降低信号均方误差,提高信噪比,增强奇异谱分析方法的通用性.      

基于多尺度奇异谱分析的转子碰磨诊断的数值仿真

针对从系统时间响应谱分析的角度研究转子碰磨故障的识别和诊断问题，提出了一种新的基于多尺度奇异谱分析的故障诊断方法．该方法首先建立转子碰磨模型，并用龙格-库塔法求解碰磨转子的运动方程得到碰磨转子的时间响应；其次构造了一种简单的多尺度奇异谱分析方法，用不同尺度下的各阶经验正交函数作为分析函数；最后用提出的多尺度奇异谱分析方法分析了碰磨转子和正常转子的时间响应信号．数值仿真结果表明，具有数据自适应的分析函数能够捕获信号的不同特征，通过比较不同阶次的分析函数分析的结果，可以有效地对转子碰磨进行识别和诊断．     

基于奇异谱分析的桥梁索塔锚固区应力分析

工程结构的实时应力监测数据可以反映其自身的安全状态.针对苏通大桥北索塔锚固区下部首节钢锚箱的应力时间序列具有潜在的随温度呈周期振荡变化的特征,引入奇异谱分析方法,并加以改进,从原序列中提取出趋势成分和周期成分.再利用ARIMA模型对振荡序列有着良好的分析预测能力,对趋势及周期主分量进行预测,最后对分项预测结果加和校正.结果表明,与纵向的传统ARIMA模型及横向的基于粒子群优化算法的支持向量机(PSO-SVM)模型相比,上述所提方法的预测结果最为接近实测序列,该模型在工程结构应力健康监测中具有一定的应用价值.     

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.     

基于预测控制模型的一种状态空间实现

以受控自回归滑动平均模型和受控自回归积分滑动平均模型为研究对象，根据估计理论，利用参数递推方法，构造了广义预测控制的一种状态空间实现，从而避免了解Diophantine方程，大大地减少了预估算法的计算量，为控制系统的性能分析提供了便利条件，文末，对状态空间实现的可控与可观性加以了证明。     

基于小波分析和ARIMA模型的交通流预测方法

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;采用综合自回归移动平均(ARIMA)时间序列模型对交通流进行预测;并对实测交通数据进行验证分析.结果表明,该方法具有较高的预测精度,可用于交通流的实时动态预测.     

基于TARMA模型的上证综合指数趋势演变研究

通过对自回归滑动平均模型的扩展,建立门限自回归滑动平均模型．在时间序列的取值范围内,引入不同的门限值,并在不同的区间考虑时间序列受历史值及当期与前期的误差项的影响．并基于门限自回归滑动平均模型对我国上证综合指数2005年6月1日至2008年4月21日的周收盘对数百分比收益率进行实证研究．研究结果表明,此非线性模型适合我国股市,我国上证综合指数的区间分成3个区间,分别为高速上升、稳定上升、下降3种趋势走向．     

基于ARIMA的电力视频流量分析和预测

针对电力视频业务的流量特性,提出一种基于差分自回归移动平均(ARIMA)模型的电力视频业务流量分析和预测方法.首先利用差分法对视频流量数据进行平稳化处理,然后依据数据序列的自相关函数和偏自相关函数确定模型参数,从而建立能够有效预测电力视频业务流量的分析模型.仿真实验表明,该方法充分考虑了电力视频业务流量的自相似性、周期性、突发性及趋势性等特点,有效提高了流量预测拟合的精度.     

基于变权重奇异谱分析的心律不齐识别方法

现有心律不齐研究多数围绕心电信号中不同频率特性成分的分离展开,而不同子序列的信息量对于最终目标决策的贡献则缺少研究与分析.为增强高贡献度子序列对于分类器的影响,提出了一种变权重奇异谱分析与深度学习结合的识别方法.通过奇异谱分析获得多个子序列,结合各个子序列的奇异值计算随机森林下的基尼系数,并将其作为权重.变权重的序列样本用于训练神经网络模型,更高效地挖掘了有用信息,进一步提高了识别精度,最终的心律不齐识别准确率为98.35%,Macro-F1为97.95%.相对于传统的定值权重,本文提出的变权重识别方法在各个性能指标上均有明显提升.     

基于时间序列分析的平顶山地区生产总值的变化趋势研究

利用1988--2008年平顶山地区及各县市区的生产总值的数据,建立自回归移动平均结合模型,对未来五年平顶山地区及各县市区的生产总值进行预测,并比较不同区域生产总值及其变化差异．     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.