基于双向差分的船舶横摇时间序列的预报

根据船舶在随机海浪作用下的运动特性,基于双向差分算法建立模型,并运用于船舶横摇运动时间序列的预报,取得较好的效果.该模型也可用于纵摇、艏摇的时间序列的预报.     

基于小波变换理论的船舶横摇运动分析与预测

为获得横摇运动在不同时间尺度下的演变规律,提出基于小波变换(WT)理论进行船舶横摇运动非线性时间序列分析与预测的方法.通过小波变换对横摇运动时间序列进行多分辨率分析(MRA),将原序列分解为多个相对简单的准周期信号,对信号的趋势项、周期项和随机项进行分离,并采用人工神经网络(ANN)模型对上述准周期信号进行预报和集成.仿真结果表明:该方法有效提高了预报长度,并可获得较高建模及预报精度.     

基于GA优化BP神经网络辨识的Volterra级数核估计算法

为取得更有效的船舶运动预报效果,提出了一种利用遗传算法(GA)优化单输出三层反向传播(BP)神经网络辨识Volterra级数核的算法.在船舶航行姿态时间序列的混沌特性识别基础上,分析了GA、BP神经网络和Volterra级数模型的特征.利用GA优化BP神经网络获得最优的初始权值和阈值,根据BP神经网络算法求得最终的最优权值和阈值.进行Taylor级数分解,得到Volterra级数各阶核,对船舶的横摇运动时间序列进行多步预报.仿真实验表明:所提方法预报精度高、时间长,具有有效性和适应性.     

舰船运动姿态极短期预报算法研究

舰船运动姿态数据流的极短期实时预报可以帮助决策者在决策过程中更好地分析问题、评价和制定方案,具有很好的参考价值,故着重对该部分进行研究。考虑到六自由度运动中横摇的影响,故主要针对舰船横摇运动姿态数据流序列具有混沌属性并且连续量大的特点,结合数据流挖掘理论框架,提出了一种基于小波变换的递推最小二乘(recursive least square,RLS)的Volterra核估计算法,用于对监测系统中采集到的连续的横摇运动姿态数据流进行实时预报研究。该方法首先对姿态数据流概要结构进行获取,然后利用小波阈值降噪,最后将降噪处理的数据利用RLS的Volterra核估计算法进行实时预报。通过在舰船横摇运动姿态预报的实践验证表明,该算法可很好地解决运动姿态数据流在线自适应预报问题。     

高阶常微分方程的动态演化建模

提出了采用高阶常微分方程模型代替传统时序分析中所用的ＡＲＭＡ模型来实现一维时间序列的建模和预报。设计的将遗传程序设计与遗传算法相嵌套的动态演化建模算法,用遗传程序设计优化模型结构,以遗传算法优化模型参数,边收集数据边建模边预报,首次成功地实现了时间序列实时预报的程序自动化,两个时间序列的应用实例表明：采用此算法可获得较好的实时预报效果。     

神经网络在工程时间序列预报问题研究中的应用

对岩土工程中时间序列预报问题进行了研究。灰色模机理研究表明，灰色建模存在若干问题，因此，在处理岩土工程中时间序列预报问题时，要慎用灰色系统建模。探讨了岩土工程时间序列与神经网络间的联系，论证了神经网络的函数逼近能力，建立了基于神经网络的岩土工程时间序列预报模型。研究了实例表明，该模型的预报精度高，为解决岩土工程中时间序列预报问题提供了一条崭新途径。     

多维时序模糊关联规则在高炉炉温预报中的应用

根据目前高炉炉温预报推理规则都是由高炉专家根据经验制定的情况,提出了一种新的规则生成方法——数据挖掘获取高炉炉温预报关联规则.针对现有挖掘算法的不足,提出了一种改进的多维时间序列模糊关联规则挖掘算法,该算法基于时间子序列和子序列间隔的双重模糊化,避免了挖掘结果"时间边界锐化"的问题.该算法应用于武钢的1#高炉,挖掘效果良好.     

对NWS中资源性能预报算法的一个改进

提出一种新的预报算法——动态指数平滑算法, 该算法 是对传统的指数平滑算法的改进. 为了使指数平滑算法能够更好地适应NWS系统对精确度和系统开销的要求, 增加了对参数的调整. 但这种调整不同于已有的参数调整算法, 并且在时间复杂性、 空间复杂性和预报准确性方面均得到了有效的提高. 通过实验和比较, 本算法更适用于NWS中的时间序列以及有着相似统计学特性的时间序列.     

局部反馈函数联接网络及其应用

结合时间序列分析提出了一种具有局部反馈回路的函数联接网络（ＬＲＦＬＮ）模型，并利用ＬＲＦＬＮ对非线性时间序列进行了建模与预报，对网络扩展函数选取，初始权集的设定，以及网络结构选择和学习算法进行了研究，同时，通过对模拟数据和机切削颤振数数据的建模与预报，将其与常用的时间序列模型（ＡＲ，ＡＲＭＡ和指数自回归模型）以及ＢＰ网络进行比较，研究结果表明该方法是可行和有效的。     

淮河流域洪水的分形特征及可预报时间研究

用淮河流域代表性测站蚌埠站的多年逐日流量资料建立了洪水时间序列，在计算洪水序列的分维，定量证明洪水系统分形性和混沌性的基础上，对该序列作R／S分析，计算了序列的Hurst指数及其随时间的变化。分析表明：淮河流域洪水序列是分式布朗运动，具有明显的Hurst效应，H值的时间变化反映了洪水系统的演化特征。通过计算反映洪水相空间特征的参数Lyapunov指数和Kolmogorov熵。分析了洪水变化的可预报时间。淮河流域洪水具有短期可预报性，其可预报时间尺度为4～7年，平均可预报时间为5年。