基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。     

基于小波分解和残差GM(1,1)-AR的非平稳时间序列预测

提出基于二进正交小波变换和残差GM(1,1)-AR方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用灰色残差模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果表明,这种方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于相空间重构的RBF江水浊度预报研究

针对江水浊度序列非线性非平稳的特点,提出基于相空间重构的径向基函数(RBF)神经网络江水浊度预报法.利用虚假邻域法确定最小嵌入维数,根据互信息法计算最佳延迟时间;根据取得的嵌入维数和延迟时间对江水浊度时间序列进行相空间重构;利用重构相空间后的时间阵列,用RBF神经网络建立预报模型;利用该模型对江水浊度进行预报.最后通过仿真,证明基于相空间重构的RBF神经网络预报优于SISO-RBF神经网络预报和BP神经网络预报.     

基于奇异事件特征聚类的时间序列符号化方法

提出一种基于小波的多尺度奇异事件特征提取方法,将时间序列分割为一系列具有独立趋势形态的事件子序列;对以变换参数表示的事件子序列的利用混合遗传聚类算法实现离散符号化,每一事件子序列以其所属类别标识,从而将连续数值域的时间序列转化为离散符号域的事件序列。方法用于对非平稳金融时间序列进行了符号化转换,实验结果表明该方法是有效的。     

基于改进型经验模分解的陀螺漂移趋势提取

非线性,非平稳的时间序列经过经验模分解,可以得到一组内模函数和一个基本的趋势项。本文针对陀螺弱非线性、非平稳漂移时间序列的趋势项提取这一问题,引入了改进的经验模分解方法。该方法通过二拍自适应滤波对原经验模分解中局部均值的估计方法进行了改进,并利用自适应边界估值来抑制其边缘效应。给出了应用该方法的具体步骤,并对一组陀螺漂移序列进行了实际处理。实验结果表明,该方法有效提取了陀螺的漂移趋势项。     

基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点，建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真，取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报，亦可用于纵摇、艏摇的时间序列预报。     

非平稳时间序列的状态空间建模与预测

本文研究了非平稳时间序列的状态空间建模与预测方法。在建模的过程中,采用了分解模型的方法,从原始时间序列直接建立起状态空间模型,对趋势性建立起随机走动模型,对周期性因素建立了动态谐波模型,从而摆脱了Ｂｏｘ－Ｊｅｎｋｉｎｓ建立ＡＲＩＭＡ模型的繁琐程序。     

扎龙湿地发展趋势的ARIMA分析

湿地面积发展模型不仅是非平稳序列,而且是非发散的季节周期相关序列,季节序列的特点是季节时滞处强相关。应用非平稳时间序列分析扎龙湿地面积演化动态,可有效地剔除用于预测的历史数据中的野值及奇异点,修正了预测结果,对湿地面积演化有较好的解释能力,利于建模和预测。结果表明,该方法用于湿地发展面积预测建模速度快、预测精度高,是一种行之有效的方法。图4,表3,参3。     

具有高阶单整分量的协整系统

在计量经济学领域，协整的概念被广泛地应用于非平稳时间序列的分析．关于具有高阶单整分量的非平稳时间序列分析问题，本文提出了广义协整的概念，并对广义协整条件下的表现定理进行了讨论．     

一种混合建模方法在陀螺漂移预测中的应用研究

陀螺仪作为惯性导航系统的核心惯性器件,其漂移性能直接影响导航的精确性,分析陀螺漂移的变化趋势并预测由漂移所引发的陀螺故障具有重要的意义。提出一种基于灰色理论和平稳时间序列分析的混合建模方法,并将其用于预测陀螺漂移。实验结果表明该混合建模预测方法能够精确地预测陀螺的漂移,从而为陀螺的性能分析和故障预报提供依据。同时与单一预测方法相比,该混合方法具有较强的预测能力。     

基于组合预测的间断性需求器材预测

为了提高间断性需求装备器材的预测精度,提出一种组合预测模型。该模型从解释变量序列和自相关序列两个方面进行组合预测,对解释变量序列采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,整合两个预测结果得到最终的提前期需求。实验结果表明,该预测模型具有较高的预测精度。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

电梯群控系统交通流的预测方法

交通流预测是智能电梯群控系统的重要组成部分,对交通流进行预测可使群控系统跟随交通流的变化调节控制策略.将基于神经网络的时间序列预测理论应用到电梯群控系统的交通分析中,构造了一种交通流时间序列预测模型,并提出了调整预测神经网络结构以提高预测精度的方法.仿真实验表明了这种交通流智能预测方法是有效的.     

Lempel-Ziv复杂度在非线性检测中的应用研究

在对动力学结构进行动力学特性分析时,首先对结构进行非线性检测,并判断该系统的非线性因素是否可以忽略非常重要.根据复杂度的物理意义和系统单一变量的时间序列隐含着整个系统运动规律的特性,本文提出系统变量的Lempel-Ziv复杂度与动力学结构的非线性程度有一定的关系,并通过计算系统变量的Lempel-Ziv复杂度对动力学结构的非线性进行检测.数值模拟结果表明,系统变量的Lempel-Ziv复杂度值的大小可以反映系统的非线性程度.     

一种时间序列表示算法及其在聚类中的应用

时间序列数据量远远大于普通数据库的特点,导致一些通用的数据挖掘工具直接应用于时间序列效果很不理想。为此提出了一种时间序列分段线性化表示算法,这种表示方法将大大提高相似性测量的计算速度。在分段线性化表示的基础上提出了一种相似性计算方法,该方法对于时间序列的多种变形都不敏感。将k-平均(k-mean)聚类算法应用于分段线性化表示的时间序列,聚类结果表明算法非常有效。     

大扩展比参差MTI滤波器设计

在雷达信号处理中 ,参差滤波是延展速度盲区、剔除零频噪声的一种重要信号处理手段 ,在目前的许多重要型号的型号雷达中都有应用。通常限制最大参差比在 1 5与 2 0 ,码核在N到 3N之间。如果超出这个范围则称对应的参差MTI滤波器为大扩展比参差滤波器。目前参差滤波器设计中经常使用的极零点法、改善因子最大法以及频域干涉法的原理不能很好地用于大扩展比情况。以某重点型号雷达的系统设计参数为背景 ,在Matlab仿真开发环境下对其性能进行了比较。在此基础上提出了大扩展比情况下设计参差滤波器的可行方法———护展杂波区法。仿真结果显示该方法灵活、有效。     

基于小波分析的非平稳时间序列分析与预测

提出了基于小波变换的非平衡时间序列分析预测方法。通过小波分解,将原时间序列依尺度分解成不同层次,使趋势项、周期项和随机项分离,对每一层进行分析与预测,最后再合成得到了原时间序列的预测值。实例验证了该方法是可行的。     

混沌时间序列建模及预测

讨论了混沌时间序列的建模及预测方法 ,给出了各重要参数的选取算法 ,并应用于实例 ,与传统的时间序列预测方法相比较 ,取得了精度更高的预测结果 ,从而为一类非线性时间序列提供了从数据采集识别到建模预测的完整技术.     

大系统递阶控制问题求解

利用Ｔａｙｌｏｒ级数性质将大系统递阶控制问题转化为代数方程的求解问题，并以算例表明了方法的有效性．     

时间序列建模中滞后阶数选取准则函数的检测效力及其特征

研究了时间序列建模中滞后阶数选取准则函数的检测效力及其特征.采用Monte-Carlo模拟对于所有的1阶和2阶自回归模型进行了系统仿真,研究结论表明:1)随着样本容量的逐渐增大,SIC准则函数正确判断出平稳序列滞后阶数的概率将显著增大,并渐近依概率收敛到1,而AIC准则函数正确判断出平稳序列滞后阶数的概率将逐渐增大,但并不能依概率收敛到真值.2)在其它外界条件不变情况下,所有准则函数正确判断概率与序列的平稳性无显著变化关系.3)样本容量越小,AICC检测效力越显著高于SIC、AIC检测效力;随着样本容量的逐渐增大,SIC检测效力逐渐高于AICC、AIC检测效力,但此时AICC、AIC检测效力相当.