一类双线性时间序列模型的矩估计

研究一类对角双线性模型ｘｔ＋Σｉ＝１ ｐ ａｉｘｔ－ｉ＝ｅｔ＋Σｊ＝１ ｑ ｂｊｅｔ－ｊｘｔ－ｊ的矩估计方法,着重分析一般模型ｘｔ＝ｅｔ＋ｂｅｔ－１ｘｔ－１的高阶矩估计及其大样本性质。方法 计算模型的矩,理论证明时运用中心极限定理,采用计算机仿真方法验证模型参数。结果与结论 获得一阶模型的高阶矩会计和一般模型的低阶矩估计,并给出仿真结果和说明,得到一阶模型的高阶矩估计的极限分布。     

双线性Hammerstein模型的集成辨识方法

提出了辨识双线性Ｈａｍｍｅｒｓｔｅｉｎ模型的稳态与动态辨相结合的集成辨识方法。该方法利用稳态信息获取稳态模型的强一致性估计,并利用稳态模型通过神经网络逼近获得了静态非线性增益的设计,再利用动态信息辨识获取双线性Ｈａｍｍｅｒｓｔｅｉｎ模型的双线性系统未知系统的一致性估计。仿真结果表明了该方法的有效性和实用性。     

基于三阶累积量的闭环辨识

将高阶累积量对具有高斯分布特性的（白色或有色）随机噪声的强烈抑制特性,用于辨识开环条件下的干扰,一些文献中提出了基于高阶累积量的改进均方辨识准则（MSE）。针对三阶累积量的情形,探讨了该晨噪声上环辨识中的适用性。理论分析表明,扩展到闭环情形下的MSE辨识准则等价于无噪声干扰下对象处理开环情形时的均方误差辨识准则,该方法可获得处于闭环运行状态下对象的渐进无偏参数估计;当对象采用ARMA模型时,可获得相应的线性递推辨识算法,仿真实验证明了该算法的有效性。     

一类MISO双线性Hammerstein模型的集成辨识方法

目的针对一类静态非线性增益具有原点对称特性的M ISO双线性Hammerstein模型,提出一种稳态与动态辨识相结合的集成辨识方法。方法利用稳态信息获取稳态模型的强一致性估计,并通过稳态模型获得非线性增益的估计,再利用动态信息辨识获取M ISO双线性Hammerstein模型的双线性系统未知参数的一致性估计。结果获得一类M ISO双线性Hammerstein模型的集成辨识方法,仿真结果表明了该方法的有效性和实用性。结论集成辨识方法可用于解决一类MISO双线性Hammerstein模型的辨识问题,易于实现。     

遗传算法的双线性模型参数辨识

本文以遗传算法为基础 ,提出了一种辨识双线性离散动态系统模型参数的方法。该方法能够有效地克服噪声的污染 ,获得双线性系统参数的无偏估计值。应用该算法对双线性系统进行仿真表明 ,该方法辨识精度高 ,稳定性好     

线性时间序列模型与双线性模型的识别研究

根据线性模型的特点，在推广的高阶矩概念的基础上，将高阶矩应用于系统的结构辨识问题中。介绍了用最小二乘原理估计高阶矩参数以及判定参数置信区间等内容。     

双线性时间序列建模在工程中的应用

采用“反复残差法”可对一些较为简单的双线性时间序列进行拟合，建立相应的双线笥差分模型。机床爬行是一种非线性自激振动现象，通过对试验结果的观察，发现机床爬行表现出双线性特征，实测信号的建模及其非线性特征分析说明双线性时序分析为研究机床爬行等工程中出现的非线性现象了一个有用的工具。     

右上角双线性时间序列模型的一阶渐近稳定性

本文研究右上角双线性时间序列模型：的一阶渐近稳定性，其中｛ｅｔ｝是独立随机序列，且Ｅ＜＋，Ｅ（ｅｔ）＝Ｅ（ｅ３ｔ）＝０，Ｅ（ｅ２ｔ）＝．我们获得极限向量ｕ＝ｌｉｍ（Ｅ（Ｘ），Ｅ（Ｘｅｔ－１），存在的条件及其表达式，其中Ｘｔ＝（ｘｔ，ｘｔ－１ｒ＝ｍａｘ（ｐ，ｎ，ｍ）。     

直接序列扩频通信中基于循环累积量的自适应干扰对消技术

在可以获得与干扰强相关的参考信号的扩频通信系统中，自适应干扰对消器是常用的抗干扰技术．为在保证对消器性能的同时，减少运算量，提出了一种基于二阶循环累积量(SOCS)自适应干扰对消器(AIC-SOCS)，利用源信号和参考信号的循环二阶累积量，自适应调整对消器中滤波器系数．与基于四阶累积量的自适应干扰对消器(AIC-FOS)相比，乘法次数减少50％，加法次数减少60％．仿真实验表明，AIC-SOCS的性能和AIC-FOS的干扰抑制性能相当，表现出比基于二阶累积量的自适应干扰对消器(AIC-SOS)更优良的干扰抑制性能．     

基于高阶累积量方法的非高斯非最小相位ARMA模型辨识

从利用高阶累积量对加性高斯噪声有色中非高斯过程辨识的基本理论出发,对近年来基于高阶统计量方法辨识非高斯、非最小相位ARMA模型的算法进行了分析和综述,阐明了借助高阶统计量方法可以克服传统的基于2阶统计量方法在解决此类问题中的缺陷,有效地解决非高斯、非最小相位系统的辨识问题。     

非线性时间序列的结构辨识

本研究了非生时间序列模型的结果辨识，给出了双线性模型和其它非线性模型的结构区别方法及其于条件均值的门限自回归模型和指数自回归模型结构辨识方法，并以数值例子仿真验证本的结论。     

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。     

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测:经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值...     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

一种基于高阶累积量的复共轭四阶系统辨识方法

研究了利用高阶累积量方法对复共轭四阶系统进行辨识的问题，分析讨论了四阶系统的特点，给出了由连续系统到离散系统的转换公式，并利用基于累积量表示的修正尢勒－沃克方程对该四阶系统进行了辨识。针对估计精度不高的问题，提出了前滤波的方法。在各种不同条件下的仿真对比实验表明，在SNR（Signal Noise Ratio)比较低和两对共轭极点距离相距较近时，基于高阶累积量的复共轭四阶系统辨识方法比普通自相关方法具有更好的辨识结果。     

车速的时间序列分析模型

基于高阶统计量方法,建立连续车流地点车速的时间序列分析模型.由于高阶累积量方法能够处理非高斯、非最小相位、非因果的时序数据,故由其辨识的时序模型具有更广泛的适用性.此外,连续车流地点车速具有非独立性特征,时间序列模型在相当大程度上蕴含了这些信息.仿真算例是成功的,实例计算与实际是一致的,从而说明该模型与方法是正确的.     

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。     

基于时间序列模型的预估控制算法

提出一种具有反馈修正的，基于时间序列模型ＣＡＲＭＡ的单值预估控制算法，对这种算法下闭环预估控制系统结构和稳定性进行了分析，对各种预估控制算法的鲁棒性进行了仿真对比。反馈修正的引入，使闭环预估控制系统的鲁棒性有很大的改善，使这种算法更适合于工业应用。