基于ARIMA-Kalman滤波混合模型的网络负载预测方法

由于目前对网络负载预测的研究主要运用单一模型进行预测,忽略了其他因素对网络资源的内在作用,导致数据隐含信息丢失量大、预测结果不准确,故提出一种基于ARIMA-Kalman滤波混合模型预测方法.该方法首先利用ARIMA模型建立一个能反映负载时间序列数据变化规律的低阶模型,然后将Kalman滤波模型的预测方程与其结合,推导出其状态方程和测量方程,最后利用Kalman滤波的预测迭代方程对工作负载所需资源进行预测.实验结果表明,与单一的时间序列预测方法相比,该方法具有更高的预测精度,有效地提高了资源利用率和虚拟机资源的按需调度效率.     

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

基于UKF神经网络子空间逼近的非线性动态过程演化建模

复杂化工过程建模对于工艺操作变量优化、指导技术决策具有重要意义,人工神经网络是其广泛采用的建模工具.但化工过程往往是复杂非线性动态系统,而描述其过程的神经网络模型往往是一个静态映射.没有考虑也很难考虑其操作变量与内部状态变量共同对目标性能的影响,从而导致依赖静态模型的技术决策效果不稳定.将静态过程模型看成是复杂非线性动态模型在操作变量子空间上的投影模型,为保证该投影模型实时逼近理想的非线性动态模型的精度,提出用Kalman滤波实时更新神经网络模型的权值,建立基于Kalman滤波神经网络子空间逼近的非线性动态工艺演化建模方法.鉴于扩展Kalman滤波的计算复杂性和精确性,采用无迹卡尔曼滤波刷新神经网络模型的权值.最后,把该方法应用于氢氰酸(HCN)工艺过程的动态演化建模试验,结果表明,该方法高精度地跟踪了非线性动态演化化工过程.因此,基于Kalman滤波神经网络子空间逼近的建模方法适用于非线性动态工艺演化建模.     

基于严密Helmert方差分量估计的动态Kalman滤波

针对Kalman滤波模型推导了严密的Helmert方差分量估计公式.在此基础上,构建了方差分量估计辅助的Kalamn滤波解,改进的Kalman滤波与标准Kalman滤波的计算过程基本相同.推导了方差分量估计对Kalman滤波解的影响.理论推导和计算结果均表明,Helmert方差分量估计辅助的Kalman滤波能够合理调控动力学模型误差的影响,合理平衡观测信息与动力学模型信息对Kalman滤波解的贡献,提高状态参数估计的精度;严密Helmert方差分量估计与简化Helmert方差分量估计辅助的Kalman滤波解基本等效.     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

基于Kalman滤波的分布式全相参雷达相参参数估计方法

针对运动目标,提出了基于Kalman滤波的相参参数(时间差和相位差)估计方法,建立了雷达本地坐标系及目标本体坐标系,给出了目标的运动模型及相参参数的数学模型;提出了利用正交信号对相参参数进行估计的方法,通过对待估参数进行推导分析,建立了状态方程和量测方程,提出了利用Kalman滤波算法对相参参数测量值进行滤波以提高参数的估计精度;仿真分析验证了基于Kalman滤波的相参参数估计方法的有效性.      

辩识与滤波的内在联系

本文讨论了离散模型的递推最小二乘辨识方法与Kalman滤波的关系。并对滤波和辨识算法的特点进行了分析和比较。     

过程不确定性下丙烯精馏过程多变量预测控制技术应用

以丙烯精馏塔的多变量预测控制为研究对象,将卡尔曼(Kalman)滤波方法与动态反馈预测控制技术相结合,提出了一种带有积分输入补偿的Kalman滤波方法对系统不确定性干扰进行估计,然后将滤波后的输出、控制作用及状态信息动态反馈给多变量预测控制器以增强系统的抗干扰能力,提高控制系统的性能,并构建出丙烯精馏塔过程机理模型及仿真平台。仿真结果对比表明,采用本文改进的Kalman滤波方法使得多变量预测控制系统的控制性能和鲁棒性明显增强,生产过程更加平稳。     

基于季节模型及Kalman滤波的道路行程时间

道路行程时间是影响城市交通出行行为的重要因素。当前大多数出行时间研究基于路段进行,假设驾驶人沿着理想最短路径或最快路径行驶,难以对交叉口排队延误等相关时间参数进行精确估计。针对城市任意OD间的出行时间进行分析,采用Kalman滤波方法,利用历史数据对总行程时间进行有效预测。鉴于总行程时间分布存在比较明显的周期性特点,单一Kalman滤波算法难以反映出这种周期性,引入基于季节模型的Kalman滤波算法进行建模和优化。最后,利用深圳浮动车2011年12月连续3d的数据进行实证。研究结果表明:相对于传统的SARIMA模型及普通Kalman滤波算法,优化模型同时考虑总行程时间分布的周期性和时变性,具有较小误差及更好的拟合度;所得预测时间的平均绝对误差(MAE)分别在传统SARIMA模型及普通Kalman滤波算法结果基础上降低了37%和52%,其余误差指标,如均方根误差(RMSE)及最大相对误差(MRE)均有较大下降,从而证明了研究模型的有效性。     

两种自适应统计天气预报建模方法的比较

阐述了应用卡尔曼滤波法和BP网络法进行天气预报建立模型的基本原理,通过具体的预报试验说明两种自适应方法建模明显优于传统的逐步回归方法建模,为数值天气预报产品的统计解释应用提供了新思路。     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

卡尔曼滤波在大坝动态变形监测数据处理中的应用

详细地讨论了离散线性系统的卡尔曼滤波模型的建立及相应的精度评定公式，通过对某大坝动态变形监测数据的卡尔曼滤波处理和结果分析，发现卡尔曼滤波值、预报值与原始观测值数据曲线的变化趋势非常接近，说明所建立的卡尔曼滤波模型是合理的、可靠的，可以较好地模拟动态目标系统的变化规律。同时，卡尔曼滤波模型能够实时、快速地处理大量动态变形数据，并能有效地改善动态变形监测数据的精度。     

基于GPS/INS组合导航的改进自适应渐消卡尔曼滤波算法

基于GPS/SINS组合导航系统的模型不准确或者量测噪声多变所产生的滤波发散问题,研究了自适应渐消卡尔曼滤波对于滤波发散的抑制作用,文章提出一种利用新息协方差估计值和量测值实时自适应计算渐消因子的方法,用它调节卡尔曼滤波方程中预测误差协方差阵和增益矩阵,调整历史新息和当前新息的权重达到抑制滤波发散的目的。该算法能有效减少严格收敛判据推导渐消因子的计算量和限制条件,有效利用了当前新息值。仿真验证表明,提出的算法能有效抑制滤波发散,并且比常规卡尔曼滤波效果更佳。     

带位置和速度观测的信息融合Kalman跟踪滤波器

应用基于ARMA模型的现代时间序列分析方法,和应用基于Riccati方程的经典Kalman滤波方法,对带位置和速度观测的两传感器系统,在线性最小方差信息融合准则下,分别提出了按矩阵加权、对角阵加权和标量加权的三种信息融合Kalman跟踪滤波器,其中,按标量加权可明显减少计算负担,便于实时应用。一个仿真例子说明了两种方法引出相同的结果,但构造ARMA新息模型时必须进行左素分解,且说明了三种加权融合滤波器的精度无显著差异。     

基于Kalman滤波的ARIMA-NAR神经网络模型

深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.     

集合卡尔曼滤波同化理论及其在一次暴雨过程中的应用

集合Kalman滤波用于数值试验有着雄厚的理论基础。本文介绍了集合Kalman滤波理论及其技术实现,在此基础上搭建了集合Kalman滤波同化系统,并用MM5模式做同化实际探空资料48小时的试验。试验结果表明:集合Kalman滤波同化探空资料可以改善MM5模式的预报效果。     

最优组合预测及其在短时交通流预测中的应用

交通流量预测结果的好坏直接关系到交通控制与诱导的效果,因此,短时交通流预测是先进交通管理信息系统中关键技术问题之一。在简要介绍最优组合预测模型基础上,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现交通流预测模型的最优组合,并利用实际数据通过与单一时间序列模型、线性回归模型、卡尔曼滤波模型及人工神经网络模型的预测精度比较分析,验证了交通流最优组合预测模型的有效性和实用性。