一种具有SA预报能力的GPS KALMAN滤波器

对ＧＰＳ定位中的ＳＡ误差作了系统辨识。表明：ＳＡ误差可用时变ＡＲ（ｐ）模型表述，ＡＲ（ｐ）的时变参数可由ＲＬＳ算法结合Ｆ判据建立的ＡＲ（ｐ）模型辨识机获得。用该方法获得的模型对ＳＡ误差进行预报，在剔除野值后精度在１０ｍ之内。还提出了一种将以ＡＲ（ｐ）模型表述的ＳＡ误差加入ＧＰＳ ＫＡＬＭＡＮ滤波器的方法，可得到一种具有ＳＡ预报能力的ＧＰＳ ＫＡＬＭＡＮ滤波器。     

一种具有SA预报能力的GPS滤波器

对ＧＰＳ定位中的ＳＡ误差作了系统辨识。表明：ＳＡ误差可用时变ＡＲ（Ｐ）模型表述,ＡＲ（Ｐ）的时变参数可由ＲＬＳ算法结合Ｆ判据建立的ＡＲ（Ｐ）模型辨识机获得。用该方法获得的模型对ＳＡ误差进行预报。在剔除野值后精度在１０ｍ之内,还提出一种方法,可得到具有ＳＡ预报能力的ＧＰＳＫＡＬＭＡＮ滤波器。     

时间序列分析中的ARMA算法及其软件实现

阐述了一种适用于经济领域中的统计预测方法－ＡＲＭＡ法，它将预测对象随时间变化的序列，看作是一个随机序列，运用相应的数学模型加以近拟描述，利用自相关分析这一最 的工具，通过对建立模型，识别模型，检验模型，预测模型的深入研究，更本质地认识了这些动态数据的内在结构，并运用ＲＡＴＳ软件对该模型成功地编制了一个界面友好，交互性强的实用汉化程序，达到了最佳预测效果，对于经济统计预测有一定的实用价值。     

静基座全球定位系统定位误差分析和建模研究

本文以静基座全球定位系统（ＧＰＳ）实测定位数据为依据，分析其定位误差情况，并进行建模研究．研究表明，静基座ＧＰＳ陆定位误差模型国定位星组的不同而有差异，但都含有周期为１８０～６００５幅值为随机变量的周期误差和符合ＡＲ（１）模型的随机误差．木文采用半周期均值法和ＡＲ模型预报法对定位数据进行误差补偿．     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的预测方法。     

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。论文提出采用时间序列ＡＲ模型进行趋势预测。将现场测得的非平稳振动序列通过ＡＲＩＭＡ模型和标准化处理,转化成标准正态平稳时间序列。模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法。通过现场实测数据进行验证,计算结果表明ＡＲ模型能够很好地拟合振动信号时间序列并取得了一定的预测精度,可以达到预测要求。     

带钢张力ARMA时序模型的时域特性分析

在文献［１］的基础上，运用随机过程理论，进一步讨论了带钢张力ＡＲＭＡ时序模型的三种主要时域特性：描述系统动态特性的Ｇｒｅｅｎ函数｛Ｇｊ｝，描述随机数字序列统计特性的自协方差函数｛Ｒｋ｝和偏相关函数｛φｋｋ｝，从不同的角度揭示了ＡＲＭＡ时序模型所表征的带钢张力系统的动态特性，为带钢张力ＡＲＭＡ时序模型的识别与参数估计奠定了基础     

ARMA模型离群值的识别

给出了ＡＲＭＡ模型中离群值的一种估计方法与计算步骤，对若干组数据进行了验证的表明，所给方法行之有效。     

光纤陀螺非线性温度漂移模型的辨识

光纤陀螺对环境温度的敏感性一直是影响其漂移特性的重要因素，对于陀螺的漂移特性一般是利用线性ＡＲ，ＡＲＭＡ模型表示，但在温度变化情况下，用线性模型很难得到好的拟合效果和对漂移进行预测和补偿。试用小波网络对光纤陀螺进行非线性温度模型的辨识，经实测数据验证，表明具有较好预测的效果。     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的     

小波变换在语音识别中的应用

提出了一种基于小波变换和ＡＲＭＡ模型的新参数，并将它用于Ａ．．．Ｎ的英文字母的识别。我们使用的数据库是ＮＩＳＴ。小波变换要以在高频提供高的频率分辨率，在低频提供高的时间分辨率，而ＡＲＭＡ模型则可以改善ＬＰＣ模型没有零点的不足。实验结果表明，识别的错误率提高１４．２７％。     

小波变换在语音识别中的应用

提出了一种基于小波变换和ＡＲＭＡ模型的新参数，并将它用于Ａ…Ｎ的英文字母的识别。我们使用的数据库是ＮＩＳＴ。小波变换要以在高频提供高的频率分辨率，在低频提供高的时间分辨率，而ＡＲＭＡ模型则可以改善ＬＰＣ模型中没有零点的不足。实验结果表明，识别的错误率提高１４．２７％。     

ARMA模型的一种线性建模法

在ＡＲＭＡ模型的自协方差函数和函逆数的基础上，利用Ｍａｒｐｌｅ算法提出一种ＡＲＭＡ模型的线性建模法，与非线性建模法比较，其运算工作量大大减少，便于在线别识和控制，而且利用此方法建立的ＡＲＭＡ模型参数的精度较高。     

电力系统短期负荷预测

应用经济学中市场需求预测的季节性交乘趋势模型预测城市电网的电力短期负荷，与线性递推最小二乘法估计的ＡＲ模型ＡＲＭＡ模型，分解组合模型和基于卡尔曼滤波的状态空间法比较的结果表明，其计算精度和效率均较优，在此基础上，结合我国电网运行的实际情况，提出一种新的法定节假日的预测方法－基础年选择法，获得满意计算结果。     

ARMA序列及其功率谱估计若干新的理论和方法

在介绍了ＡＲＭＡ序列与功率的基础上升，论述了ＡＲ模型定阶与参数估计的ＳＶＤ－ＴＬＣ算法，以及ＭＡ模型定价与参数计算和ＡＲＭＡ过程自相关序列的计算。     

黄淮海平原历史旱涝灾害的时间序列分析

选用全国自然灾害历史数据库中黄淮海平原地区的旱涝灾害等级数据，运用时间序列分析方法，建立了该地区旱涝灾害的自回归－－移动平均混合模型（ＡＲＭＡ模型），并根据所建模型对旱涝灾害进行了后验预报，结果表明，用ＡＲＭＡ模型做年际旱涝变化趋势预报是有潜力的。     

在线短期负荷预测方法的研究与应用

根据电力系统负荷的特性，提出了一种在线短期负荷预测方法：用“周期模型”来描述并预测负荷的周期变化分量，再用ＡＲＭＡ模型对周期模型的残差进行建模并用Ｂｏｘ—Ｊｅｎｋｉｎｓ方法进行预测．模型参数的辨识采用在线辨识算法，因而对负荷的变化特性具有较强的适应性．实践结果表明，该方法具有很好的预测效果．     

西安市境外游客动态预测模型

在旅游需求预测中，引入随机时间序列ＡＲＭＡ，ＡＲＩＭＡ模型分析方法．采用西安市１９７０年至１９９４年境外游客人数资料，建立了该市境外游客疏系数ＡＲＩ－ＭＡ（３，４，１０）动态预测模型．从而在预测误差方差最小意义下，给出ｌ步最优预测公式．得到α＝０．０５水平下西安市１９９５年至１９９７年境外游客量分别为４３．２±１．８，４３．６±１．８５，４５．６±１．９万人次的预测结果，与新获得的１９９５年实际数据比较，误差率仅为４％左右     

GPS定位误差分析与建模

目的研究ＧＰＳ（全球定位系统）定位误差数据的数学模型．方法采用时间序列方法对原始数据进行分析,用周期图法提取周期项误差,用波克斯－詹金斯方法对平衡随机序列建模．结果该模型可用来提高ＧＰＳ定位精度,结论ＧＰＳ定位误差数据属于非平衡时间序列,包括周期项序列和平衡随机项序列,其中周期项序列的最大隐含周期为１０ｍｉｎ,平稳随机项序列符合ＡＲ（１）模型．     

ARMA谱的理论频率分辨力

从简化了的ＡＲＭＡ谱估计计算公式出发，推导出ＡＲＭＡ谱分辨相邻谱峰的频率分力与采样频率和ＡＲＭＡ模型阶数的关系，指出了ＡＲＭＡ谱分辨相邻谱峰时的有效效率区间和盲区。