基于新息序列的多维MA(q)模型适时递推预测

利用Hilbert空间中正交投影的有关理论,给出并证明了最佳线性预测在内积定义下的一个定理,以此作为适时递归预测的基础.讨论了新息递归算法的理论和方法,将新息算法运用于多维MA(q)模型的预测问题.利用有穷观测值导出并证明了多维MA(q)模型的任意l步适时递归预测公式.     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容.本文讲述了对随机信号进行建模的基本方法和模型定阶的准则,并且讨论了轴承振动信号最佳阶数选取的问题.利用现场实测数据进行验证,计算结果表明使用Burg算法的AR模型能够较好地拟合轴承振动信号时间序列,并具有一定的预测精度,可以达到预测要求.     

基于时间序列分解的海面变化预测

对吴淞站1955～2001年月平均潮位序列采用时间序列分解方法进行分析,采用奇异谱分析方法提取长期趋势,采用比率平均法和剩余法分别提取季节因素和循环变化,应用乘法模型拟合试验的效果良好.以1955～1996年数据为基础,建立长期趋势的自回归(AR)模型,对1997～2001年间进行了预测试验,并以该时段实测数据作为验证.试验结果表明月均序列预测值的最大相对误差不超过±10%,年均序列预测值的相对误差最大不超过±4%.这一系列方法的综合运用可适用于较长期的海面变化预测.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.