灰色预测模型GM（1，1）的修正

应用样条函数对灰色预测模型ＧＭ（１，１）的残差序列进行插值，将插值后的残差表示式作用于微分动态模型，用最小二乘法则进行参数辨识，从而建立残差的时间响应式，并以此修正ＧＭ（１，１）模型。经实例检验，修正后的模型精度有显著提高。     

灰色预测理论在工程标底中的应用

在分析工程标底预测方法的基础上，应用灰色系统理论，招标前，以近期同类工程的单方成本为依据。经过累加生成时间序列，用微分拟合建立灰色预测动态模型。并用单段函数残差辨识方法，建立了残差辨识模型，进一步提高了模型精度。从而建立了单方成本的灰色预测模型。并通过工程实例．阐述了工程标底灰色预测的操作程序，论证了该方法的实用性。为招标单位快速、准确确定工程标底．业主选择承包单位提供了重要的参考依据。     

锂电池异常状态监测的FEKF方法研究

为了保障锂离子电池的使用安全，提出了基于带渐消因子的扩展卡尔曼滤波 （Fading Extended Kalman Filter，FEKF）的电池状态在线监测方法. 建立锂电池一阶等效电路模型，利用递推最小二乘法进行锂电池状态参数在线辨识，建立状态方程；引入最优渐消因子，构造FEKF，得到端电压残差；使用端电压残差序列构造χ2分布的诊断函数，计算误检率与状态参数异常阈值. 实验结果显示利用FEKF生成的残差能更早对异常状态进行告警，证明FEKF能够显著提高χ2检验对锂电池内部缓变型异常状态判断的准确率.     

神经网络故障检测算法研究

该文采用输出带输入线性项的RBF神经网络来辨识非线性随机系统模型,基于扩展卡尔曼滤波器的设计思想,设计了一个可估计状态滤波协方差阵及状态预测协方差阵上界的次优状态滤波器,以产生残差序列,并可用来进行故障检测。该方法适用于一大类非线性随机系统,具有较大的适用范围。     

一种基于灰色模型和机理模型集成的质量预测模型及其应用

针对长流程工业过程中产品质量难以实时检测且不易实现优化控制的难题,通过对生产数据特性和质量预测要求的分析,提出了一种基于GM(1,1)灰色模型和机理模型集成的质量预测模型.首先根据过程机理知识建立了粗糙质量预测模型;然后运用灰色预测中的残差辨识理论,用机理预测模型的残差时间序列建立残差GM(1,1)模型,其预测结果补偿机理模型的预测值.验证结果表明,该质量预测模型能获得较理想的质量预测精度,其应用可使产品质量得到显著的提高.     

基于ARMAX模型的挖掘机液压系统故障检测

根据挖掘机的可靠性水平和智能化程度,提出了一种基于ARMAX(Auto-Regressive Moving Average Exogenous)模型的挖掘机液压系统故障检测方法.使用系统正常状态下的信号样本建立系统的ARMAX辨识模型,通过休哈特控制图分析ARMAX辨识模型的输出残差,以获取故障检测的阈值;然后,将系统故障状态下的信号样本代入ARMAX辨识模型,当模型残差超过阈值,即能判定系统发生故障.实验分析表明,基于ARMAX模型的故障检测方法够有效地检测挖掘机液压系统产生的故障.图3,参10.     

在线短期负荷预测方法的研究与应用

根据电力系统负荷的特性，提出了一种在线短期负荷预测方法：用“周期模型”来描述并预测负荷的周期变化分量，再用ＡＲＭＡ模型对周期模型的残差进行建模并用Ｂｏｘ—Ｊｅｎｋｉｎｓ方法进行预测．模型参数的辨识采用在线辨识算法，因而对负荷的变化特性具有较强的适应性．实践结果表明，该方法具有很好的预测效果．     

基于神经网络的一类非线性系统参数估计

基于Ｈｏｐｆｉｅｌｄ神经网络的神经计算原理，提出了一类非线性系统的参数估计方法：首先将系统参数估计问题转化为以系统模型残差平方和为目标函数的优化计算问题，然后利用连续Ｈｏｐｆｉｅｌｄ神经网络的神经计算估计待辨识参数．数字仿真结果表明，该方法不仅算法简单，而且估计精度高．     

基于Simulink的污水管网节点流量随机模拟器设计

为了合理评价污水管网的运行工况和服务性能，采用非平稳时序分析方法对其中节点人流序列进行了随机建模．首先，奇异点识别采用Tukey提出的方法，趋势项识别采用基于逐步回归分析的曲线拟合法，周期项识别采用累积周期图法．其次，平稳时序模型类型识别采用自相关图和偏相关图，阶数确定采用信息准则方法，参数估计采用最小二乘法．模型通过了残差检验和实用性检验．最后，根据随机建模结果在Matlab／Simulink上设计了污水管网节点流量随机模拟器的结构图，可实现污水管网节点人流序列的蒙特卡罗模拟，并在示波器窗口对模拟流量序列和原始流量序列进行了比较．     

基于支撑矢量机和Windows Native API的异常检测方法

借鉴Unix类系统下基于系统调用的主机异常检测理论，通过追踪Windows本机应用编程接口调用序列，对Windows系统下的主机异常检测进行研究．在异常序列检测中，结合使用对小数据集具有较好推广能力的支撑矢量机方法，进而取得较高的检测准确率．实验表明NativeAPI可为Windows平台下基于主机的异常检测系统提供一种可能的数据源．     

旧的串联和并联系统的随机比较

分别给出了旧元件组成的串联系统和并联系统随机比较的保持性质，对于休止时间和剩余寿命分别进行了讨论，证明了不同旧串（并）联系统的剩余寿命在似然比序下封闭，而休止时间在似然比序下不等号反向；元件具有逆危险率序则串（并）联系统的休止时间具有危险率序。     

高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。     

基于线性神经网络的重庆市GDP发展研究

对1978-2011年重庆市生产总值时间序列进行分析,研究发现四阶差分之后,数据趋于平稳;四阶差分序列的自相关系数一阶截尾,最终建立时间序列ARIMA（1,4,1）模型,并测算残差平方和,但ARIMA模型的残差序列存在自相关,对拟合效果产生了影响;基于时间序列ARIMA（1,4,1）模型研究的基础,进一步采用线性神经网络对序列进行学习和仿真计算,结果表明：神经网络的模拟效果优于ARIMA时间序列的模拟效果.     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

深基坑支撑体系可靠度计算研究

根据钢筋混凝土偏心受压构件的设计理论，建立了深基坑内部支撑的功能函数。考察各杆件的受力情况，忽略其中受力较小的杆件，运用几何法计算剩余内部支撑杆件可靠度。同时把整个支撑体系看成是具有串联子系统的串联系统，并对其进行体系可靠度计算。结果表明，用体系可靠度来反映基坑支撑的稳定性较为合理，为基坑支撑的可靠度研究提供了一种更有效的方法。     

中长期电量预测的傅里叶-马尔科夫修正模型

灰色模型在中长期电量预测中只对电量呈近似指数规律单调增长的序列才有较高的预测精度.随着电量变化随机波动性的增强,建立新的修正预测模型是十分必要的.针对灰色模型抗干扰能力差的问题,提出了灰色预测的傅里叶-马尔科夫修正模型,先利用傅里叶级数法,提取周期信息,优化电量变化的指数率,再采用马尔科夫链法,将电量波动随机性嵌入模型之中,从而对灰色预测的原始残差进行二重修正,提高预测模型的适应性和灵活性.通过实例分析以及对比验证表明,该模型有效地提高了预测精度.     

基于时序动态分析的油井产量预测研究

针对目前常用的油井产量预测方法效果并不理想的问题，开展时间序列分析来进行油井产量动态预测研究。采用时间序列分析结合残差修正方法，建立具有时序动态分析能力的产量差分自动回归移动平均模型（Autoregressive Integrated Moving Average，ARIMA），得出预测初始值与真实油井产量的残差；通过构建支持向量机（Support Vector Machine，SVM）时序预测模型进行残差修正，获得油井产量组合预测值；并将长短期记忆网络（Long Short-Term Memory，LSTM）模型与上述方法进行对比。实验表明，组合预测模型、LSTM模型的预测结果平均相对误差率分别为9.81%和32.44%。说明组合模型预测更精准，为油井产量的动态预测提供了一种有效方法，可作为油井在生产计划时的快速实时辅助依据，具有实用价值。     

基于作战管理的有人-无人协同作战体系结构建模

航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题,提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先,采用高斯分布对原始振动数据进行分析,提取具有时间序列和退化趋势的特征数据,并为其设置剩余使用寿命（RUL）标签;其次,利用随机搜索算法对融合参数范围进行寻优,在极端梯度提升(XGBoost)中加入卡尔曼滤波器解决预测值不平滑和噪声干扰的问题;最后在商用模块化航空推进系统仿真数据集（C-MAPSSC）上进行了验证和分析,实验结果证明：与其他模型相比,文中采用的寿命预测方法准确度更高。     

剩余寿命与休止时间的随机比较研究(英文)

研究了旧元件组成的串并联系统和旧的串并联系统的剩余寿命和休止时间的随机比较问题.分别对失效率序、反失效率序和上转移似然比序进行了讨论.最后,当系统元件个数和旧系统或旧元件寿命是随机变量时,也给出了相应随机序的比较结果.     

三角洲前缘砂体高含水期剩余油分布研究

渤海SZ油田发育典型三角洲前缘沉积,目前已进入高含水期,剩余油分布更趋零散,挖潜难度日益增大,有必要开展高含水期剩余油分布研究。研究表明,高含水期三角洲前缘砂体内部结构与注采井网的配置关系对剩余油的形成与分布具有直接的控制作用。在讨论研究区井间单砂体的注采连通性的基础上,按井间单砂体注采完善状况将研究区宏观剩余油分布模式类型总结为注采不完善未动用剩余油和注采完善已动用剩余油,其中,未动用剩余油包括井间不连通类、连而不通类以及通而不畅类,已动用剩余油包括局部通畅类和注采完善类两种类型。依据剩余油平面分布规模以及纵向分布模式,开展了海上油田规则井网下定向井、水平井以及细分层系等多种手段相结合的不规则定向挖潜实践,矿场应用效果良好。该研究结果对高含水期三角洲前缘砂体高效开发调整具有指导意义。