一种非线性移动自回归预测模型

应用非线性回归分析中的S型增长模型及移动平均线理论,对按时间次序排列的单一数据序列,给出了一种非线性移动的自回归预测模型,将其应用于股价指数的历史数据中,对该预测模型的合理性和准确性作了初步验证,得到的结果相当理想,本模型具有一定的实际应用价值。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.     

自回归模型的自回归分析及其应用

将线性回归分析推广到7种自回归模型的自回归分析,获得自回归模型参数的估计公式、估计标准误公式、变量的区间估计公式、总体自回归系数的检验统计量.通过实例分析论证了自回归模型的应用.     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性,提出了一种基于自校正模型的多模型预测控制算法.在平衡点附近建立线性模型,利用当前工作点,通过二阶泰勒展开校正模型参数,补偿非线性不对称动态特性,形成了非线性系统的自校正多模型描述.以基于模型输出偏差的切换指标函数作为模型切换准则,结合状态反馈预测控制,构成了多模型预测控制器.pH值控制的仿真结果验证了该算法的有效性.     

基于自校正模型的非线性系统多模型预测控制

针对化工过程某些非线性系统的不对称动态特性，提出了一种基于自校正模型的多模型预测控制算法。在平衡点附近建立线性模型，利用当前工作点，通过二阶泰勒展开校正模型参数，补偿非线性不对称动态特性，形成了非线性系统的自校正多模型描述。以基于模型输出偏差的切换指标函数作为模型切换准则，结合状态反馈预测控制，构成了多模型预测控制器。pH值控制的仿真结果验证了该算法的有效性。     

灰色神经网络组合模型在区域水质预测中的应用

针对神经网络用于水质预测时需要大量数据才能获得较为准确的预测结果的局限性,为降低预测时对数据的依赖引入灰色模型,从而建立两者最优组合模型,以用于数据贫瘠时的情况.将该模型用于珠江支流的水质预测,结果表明,该模型拟合误差小,预测精度高.     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

基于自适应自回归模型的非线性流量负荷预测

针对新一代移动数据业务(MMS,KJAV,WAP)具有复杂的非线性特性和不平稳特性,采用鲁棒Kalman滤波算法,提出了一种自适应自回归滑动平均模型(AARMA),并将其应用于移动数据业务负荷预测中。实际预测结果表明,即使是对变动大且不稳定的移动业务流量,自适应ARMA模型稳定,预测精度高,且预测误差的白噪声特性明显。     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

非线性自回归模型误差密度估计的Berry-Esseen界

考虑非线性自回归模型Xi=rθ(Xi-1,…,Xi-s)+εi,其中:θ为q维未知参数;{εi}为独立同分布的随机误差,且均值为0、方差为σ2.在适当的假设条件下,给出非线性自回归模型误差密度估计的Berry-Esseen界.     

非线性神经网络模型及在粮食生产预测中的应用

本利用非线性神经网络BP模型，对我国粮食生产进行了实证预测研究。结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出与各因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果。可广泛应用于各种预测研究，有较高的应用推广价值。     

非线性约束条件的平稳自回归模型的L1 估计

L1－估计是统计问题中一个重要估计,时间序列模型的L1－估计问题是非常重要的,这些估计量的多种性质都被研究过,许多统计学者讨论它在无约束条件下情况下的估计问题及其有关性质,且得到了较好的结果,然而,仍有一些基本问题有待解决,本文讨论了平稳自回归模型的L1－估计在非线性约束条件下的渐近性质,该约束条件是由非线性等式和不等式给出,这种估计问题属于随机优化问题,用最优化的方法克服非线性约束问题在估计研究上的困难,为估计提供了一个新的途径,并得到L1－估计问题的相关结果。     

PMSM的基于神经网络非线性预测控制

采用三层前向神经网络作为PMSM转速预测模型,对PMSM进行非线性预测控制.先通过离线训练获得初始预测模型,再在线对神经网络模型的权值和阀值进行调整;控制算法是将预测模型处理成线性和非线性两部分,并用一种快速线性预测控制方法求取控制律,大大减小在线计算量和提高控制的实时性.最后仿真结果表明该方法具有良好的动、静态特性和抗干扰能力.     

城市日用水量的自回归模型(AR)预测方法

介绍了利用自回归模型(AR)预测城市日用水量的方法，阐述了AR模型的阶数和自回归系数的求解，并结合工程实例，预测出某城市日用水量，达到了较好的预测效果。     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

幂函数自回归模型的自回归分析

将回归模型的回归分析推广到幂函数自回归模型的自回归分析,获得了幂函数自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量.     

对数函数自回归模型的自回归分析

将回归模型的回归分析推广到对数函数自回归模型的自回归分析,获得了对数函数自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量.