基于相空间重构和Volterra的非线性寒区气温预测方法

对寒区冬季气温时间序列的混沌特性及其应用技术进行了研究.先通过0-1混沌测试法确定寒区冬季气温时间序列具有混沌特性,然后通过相空间重构,分别利用C-C算法和G-P算法确定延迟时间和嵌入维数.在此基础上,提出了一种相空间重构和Volterra滤波的寒区冬季气温预测方法.实例分析表明,提出的预测方法在预测精度、预测误差、预测效果方面均优于常见模型,证明该预测方法是可行和有效的.     

顾及大坝位移残差序列混沌效应的GA-BP预测模型

针对大坝观测数据常规模型训练后的残差混沌效应及模型回归方法的拟合度等问题,文中融合遗传算法与神经网络的数据训练优势,通过构建的遗传神经网络(GA-BP)算法对大坝变形观测序列资料进行回归提取残差序列.基于位移回归残差序列的混沌特性,利用混沌理论对其残差序列进行数值分析,并将残差预测结果与GA-BP预测模型进行叠加.据此,提出了考虑大坝变形残差序列混沌效应的GA-BP监控预测模型.实例表明,文中建立的预测模型的计算精度及收敛速度均得到提高,且考虑残差影响的大坝监控模型的预测效果得到了有效的提升.该模型的建模方法亦可推广应用于边坡及其他水工建筑物的安全预警.     

相空间重构和混沌遗传神经网络融合的矿井涌水量预测研究

为了更准确预测矿井涌水量变化,有效防治矿山水害,本文提出利用相空间重构和混沌遗传神经网络相结合的方法预测矿井涌水量。选用C-C算法确定嵌入维数和延迟时间,通过对时间序列进行相空间重构来判断涌水量时间序列的混沌特性。为避免BP神经网络极易陷入局部解的问题,采用遗传算法对混沌神经网络进行参数优化,构建混沌遗传神经网络预测模型。将构建的模型应用于某矿山-100 m水平巷道涌水量的预测,在理论预测时长内预测最大误差为3.38%,表明该方法能够反映短期内矿井涌水量变化的趋势,相比单纯的混沌BP神经网络预测模型,预测精度有所提高,可为矿山企业的灾害防治提供科学的参考依据。     

基于HMM-ANN的咳嗽音识别

通过将ANN(人工神经网络)改进应用到HMM(隐马尔科夫模型),使用Mel频率倒谱系数(MFCC)+帧能量+MFCC一阶差分,二阶差分的结构提取咳嗽音特征参数,HMM输出的所有状态累积概率作为ANN的输入序列进行非线性映射,进而提取新的信息来提高HMM的识别性能.实验证明,利用HMM-ANN混和模型来处理咳嗽声识别具有更高的识别精度和可靠性.     

基于核和测度的连续区间灰数Verhulst预测模型构建与应用

针对现有区间灰数Verhulst对整体呈现"S"形变化特性的连续区间灰数序列模拟误差较大的问题,通过分析构造序列的特征,提出一种改进的连续区间灰数Verhulst动态预测模型,即先分别构建连续区间的核序列和测度序列,继而建立核序列的灰色Verhulst预测模型和测度序列的灰色Verhulst预测模型,最后构建区间上下界预测模型。将此模型应用于青海玉树地震伤病员人数的预测,并与多种典型Verhulst预测模型进行对比,结果表明该模型预测精度更高,模拟效果更好。     

基于模糊控制修正Elman神经网络的电力负荷短期动态预测

为了更好地反映电力负荷系统非线性、动态性、时变性的特点,对电力负荷进行更加智能、准确的预测,将Elman神经网络与模糊控制相结合,提出了一种基于模糊控制修正Elman神经网络的电力负荷短期动态预测模型。首先利用Elman神经网络对电力负荷进行预测并计算预测残差,然后利用模糊控制对残差进行预测控制并对Elman神经网络预测结果进行智能修正,最后结合Elman神经网络与模糊控制修正结果得到最终的电力负荷预测结果。以辽宁省某市2015年6月份部分电力负荷历史数据为样本,结合天气温度情况,利用本文提出的模型进行了实际电力负荷短期预测,最终结果误差较小且比较稳定,优于单一Elman神经网络和该市目前电力系统预测结果,验证了本文提出模型的有效性及可靠性,为短期电力负荷预测提供了一种较为可靠的途径。     

基于Boosting梯度下降理论的时间序列建模方法

在预测问题中有很多实际问题具有时间序列特性,如何分析并建立合理的时间序列预测模型具有重要的理论价值与广泛的应用前景.随着对时间序列研究的逐步深入,时间序列预测模型变得越来越复杂,建模过程对设计技巧依赖性越来越强.如何设计一种不依赖于操作者的能力和经验,并且具有良好效果的建模方法呢？本文在集成学习理论的基础上,提出了基于Boosting梯度下降理论的自回归模型集成（AREnsembleLearning,AREL）建模法,从理论上分析并论证了该建模法的有效性.为了避免AREL精确拟合每一个训练样本点,在建模过程中引入了？-不敏感损失函,从而降低随机噪声对时间序列预测模型的影响.进而为了提高AREL对非平稳时间序列的处理能力,提高算法的鲁棒性,防止发生过拟合,降低算法对模型阶次设置的敏感性,提出了基于AREL的加权k近邻（weightedkNN）预报法.通过实例测试,并对结果进行了讨论,验证了所提出的建模法与预报方法的有效性.     

基于粗糙集与灰色动态预测模型在电力负荷短期预测的应用

针对电力系统多因素负荷预测问题的复杂性,结合粗糙集理论与GM（1,N）模型各自的优势,提出一种基于粗糙集理论的GM（1,N）预测模型.采取粗糙集理论对影响负荷预测因素进行简约,利用GM（1,N）建立简约后的因素变量和负荷之间的关系建立模型,并与GM（1,1）预测模型进行了比较,结果反映基于粗糙集理论的GM（1,N）预测模型的优越性,精准度达到94.055%.     

指数平滑模型参数反分析及应用

边坡预测是基于现有的各种监测资料分析和预测未来边坡位移或应力发展趋势,从而分析判断边坡在未来某一时期内是否稳定,或者预测滑坡发生时间的过程.反分析方法已经成为目前解决复杂岩土工程的主要方法之一,在岩土工程中得到越来越多的应用.基于现场的监测时间序列,应用岩土工程反分析方法反演指数平滑预测模型的参数,建立其预测模型,并应用于高边坡的变形预测中.通过应用,论证了参数反演后的指数平滑预测模型的有效性和普适性,并发现该预测模型适合于中短期预测,建议应用该模型进行高边坡变形的短中期预测.     

加性噪声条件下的UKF算法

UKF算法是广泛应用的非线性滤波方法之一,在加性噪声条件下,根据是否状态扩展和是否重采样有四种实现方式.从算法精度、适应性和计算效率等方面进行了理论分析和仿真计算,证明适当选择滤波器参数,常用采样策略下,状态扩展与非扩展的UT变换结果相同,但后者的计算效率较高;加性测量噪声条件下,扩展与非扩展UKF可获得相同的滤波结果;加性过程噪声条件下,扩展与非扩展UKF仅能获得相同的状态预测结果;重采样不总是构建滤波器的必要环节,但理论分析和仿真计算发现了重采样对滤波器增益的自适应调节能力,指出其在状态偏差或未知机动模式较大时对改善滤波器收敛性和精度有重要贡献.在此基础上,给出了实际应用中的滤波器设计准则:对于加性测量噪声宜采用非扩展方式;对于加性过程噪声,状态偏差或机动较小时宜采用扩展或非扩展的非重采样方式,系统状态偏差或机动较大时宜采用非扩展的重采样方式.性能分析方法和系统设计准则对研究其它的滤波器同样有参考价值.     

基于小波阀值降噪和BP神经网络的超短期风电功率预测

针对超短期风电功率预测问题,考虑了风电场复杂的噪声背景和风电功率的波动性,提出了一种基于小波阀值降噪-BP神经网络的超短期风电功率预测方法。该方法采用近似对称光滑的紧支撑双正交小波db4（Daubechies函数）作为小波基,通过多分辨分析的Mallat算法对历史时序风电功率数据进行3尺度分解。根据Donoho阀值法对各层小波系数进行软阀值降噪处理,再通过小波逆变换重构历史时序风电功率,由BP神经网络对其进行训练,预测目的风电功率序列。仿真算例将该方法与普通BP神经网络方法进行了对比,比较结果证明其预测精度优于后者,具有很好鲁棒性和降噪性能,适用噪声复杂的风电场超短期风电功率在赣预测．     

基于预测滤波器的故障诊断方法研究

提出了基于预测滤波器的非线性系统的系统故障诊断的方法, 并且给出了这种方法的故障可检测性条件, 故障的误检率和漏检率, 以及故障检测时间的上界. 通过对一个二阶非线性系统进行的仿真验证了这种方法的有效性. 结果表明预测滤波器用于故障诊断时, 具有较快的速度、较低的误检和漏检率, 并且在故障发生后仍然具有对系统状态的跟踪能力. 该方法提供的实时故障估计还可以用于在线故障补偿.     

脉冲噪声滤波的无监督鲁棒递归最小二乘方法

在未知期望信号的条件下,提出一种能够抑制脉冲噪声的鲁棒递归最小二乘自适应滤波方法.与传统最小二乘法的代价函数不同,通过引入饱和非线性约束,降低可能出现的脉冲噪声对滤波器权值更新的影响.此外,提出一种多步预测器来重构滤波器的输入信号,通过比较判断滤波器输入信号可能受到脉冲噪声干扰时,采用预测值来替代原始观测信号.实验结果表明,提出的无监督鲁棒递归最小二乘自适应滤波方法在未受到脉冲噪声干扰时与传统的递归最小二乘法具有相近的收敛性能;在脉冲噪声条件下,传统递归最小二乘法和其他的无监督自适应滤波方法性能都变得很差,但本文提出的方法几乎未受到脉冲噪声的影响.     

分布式驱动HEV自适应无迹卡尔曼车速估计

针对四驱混合动力汽车,为改善其电子稳定性系统(electronic stability program,ESP)车速估计的精度和鲁棒性,考虑后轮毂电机转矩精确可测可控,以及前轮驱动转矩可推算的特点,结合ESP系统既有的传感器输出信号,提出了分布式自适应无迹卡尔曼车速估计算法.首先,建立了四驱混合动力汽车动力系统及动力学模型,其包括驱动系统模型、7自由度车辆动力学模型和Burckhardt轮胎模型.其次,考虑模型的时变及强非线性特性,采用无迹卡尔曼滤波(unscented Kalman filter,UKF)算法设计了主/子滤波器.一方面通过对量测噪声的自适应,改善了UKF算法量对量测信号干扰的鲁棒性;另一方面将主/子滤波器结果进行融合,并用融合后结果重置了各滤波器,提高了车速估计精度.最后,搭建了四驱混合动力汽车Carsim-Simulink联合离线仿真平台和硬件在环仿真试验平台,分别开展了双纽线、低速双移线两种驱动工况的离线仿真和硬件在环仿真试验.试验结果表明,所提出的分布式自适应无迹卡尔曼车速估计算法不仅估计精度较高,而且也有着较强的自适应性和鲁棒性能.     

低碳经济下中国CO_2排放量预测分析

为了准确分析CO2的排放量以便有效控制其释放,统计收集我国历年CO2总排放量及各类能源消耗的CO2排放量分别构成时间序列,对每一个时间序列分别利用GM(1,1)模型、DGM(1,1)模型、微分Verhulst模型以及差分Verhulst模型进行拟合,并比较它们的拟合精度。最后分别选取拟合精度最高的模型对各类能源消耗所释放的CO2量以及CO2总排放量进行预测。预测结果表明:我国CO2总排放量及各类能源消耗所排放的CO2量在未来一段时期内将迅速增加,但由天然气消耗所排放的CO2量的增速明显高于煤炭与石油所排放的量。且煤炭和石油消耗所排放的CO2量的增长率有下降趋势;天然气消耗所排放的CO2量的增长率有逐年上升的趋势。最后,根据目前CO2排放量状况提出一些政策建议以供参考。     

基于PLS及时间序列法的卷烟销量组合预测方法

以A省及17个地市约七年间的销售面板数据为研究对象,首先建立三个单项预测模型,即Hoher—Winter季节乘积模型、时间序列分解法模型和偏最小二乘回归模型。在得到三个单项模型预测值之后,再运用组合模型方法,对三种模型的预测结果进行优化。实证结果显示,本组合预测方法更进一步的提高了预测精度,同时对卷烟销量预测实际工作具有借鉴意义。     

商用车ABS预测控制方法研究

针对商用车制动过程中存在的强烈非线性和模型不确定性问题,建立了整车七自由度转向制动状态空间模型,提出了一种非线性连续预测控制方法,设计了基于滑移率的ABS非线性预测控制器.在控制器设计中,利用泰勒级数展开对系统状态进行适当的截尾处理,获得了系统预测模型,并将ABS路面识别算法引入参考轨迹设计,提出了多路面下的参考轨迹模型.当路况发生变化时,参考轨迹也发生相应的变化,而且在系统中引入了积分反馈,以增强系统的鲁棒性.仿真研究表明,当ABS存在建模误差、载荷变化和干扰时,该非线性预测控制器仍能够获得良好的动态响应和鲁棒性.     

基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用

针对目前瓦斯涌出量预测模型存在的局限性及精度低等问题,应用分源预测和支持向量机(SVM)的基本原理,将SVM回归与分源预测法相结合,并利用SVM对回采工作面的瓦斯涌出量进行回归分析和数值模拟,建立了SVM分源预测的数学模型,提出了SVM分源预测的新方法。数值实验表明,将训练成功的SVM模型对现场数据进行回归预测并对比预测结果与实际值发现,SVM比BP神经网络预测精度更高,训练样本期望输出与实际值的最大相对误差为1.45%,小于实际要求的5%,准确率较高,预测风险低,可以满足实际要求。     

h=1／M的M—CPFSK信号定时-频偏联合估计算法

提出了一种针对突发模式的h=1／M的M—CPFSK信号定时一频偏联合估计算法：在每个数据包前嵌入一段特定的训练序列,接收端将信号做K级差分,计算每级差分信号自相关的,次方,再进行离散傅里叶变换DFT提取定时和载波频偏信息。适用于h=1／M的全响应或部分响应、矩形或升余弦滤波器M—CPFSK信号。Matlab仿真结果表明,在加性白高斯噪声信道以及Ray—lei出平坦衰落信道上,该算法能快速准确的估计定时和载波频率偏差：     

基于Lyapunov-Elman的网络控制系统时延预测方法

网络控制系统中的时延是影响系统性能的重要参数,针对基于Internet的网络控制系统中时延预测问题,提出一种最大Lyapunov指数与Elman神经网络结合的预测方法.首先对时延序列进行相空间重构,得到嵌入维数与延迟变量,然后通过最大Lyapunov指数方法与Elman神经网络对时延分别进行一步预测,将两种预测方法的预测结果通过不同的权值系数进行叠加得到最终的时延预测值.最后针对权值系数的寻优问题,提出一种改进的自由搜索算法,其收敛精度与速度都优于标准的自由搜索算法.仿真实验表明,相对于其它预测方法,本文的基于Lyapunov-Elman的时延预测方法具有较高的预测精度与较小的预测误差.