基于粗糙熵的时序数据属性约简及规则提取研究

分析了近似质量在提取非确定性规则方面的不足,并基于粗糙熵的预测成功度概念,结合时序数据特点,提出一种属性约简及规则提取策略．该策略在对时序数据进行属性约简时,采用粗糙熵与时间距离相结合的方法,使得最终得到的约简在时序方面是较优的,最后使用UCI数据库进行仿真实验,效果良好．该策略在工程领域处理时序数据方面有一定的应用价值．     

关于时序模式发现算法的研究

数据挖掘归属于决策系统,可以从浩瀚的数据库中挖掘出不易被发现的有用信息,并且可以进行预测,为管理层中决策者的决策提供科学依据。针对时序数据中的复杂模式问题,提出了一种时序模式算法,并描绘了算法的基本思想及给出了算法的简单伪代码。在用程序实现后,对算法的优劣进行了分析,为进一步改进和完善算法或者为寻找更为理想的算法提供了有益的启示。     

采用时序InSAR技术的广汉市地面沉降监测及影响因素分析

随着城市化进程的不断推进,建设施工活动和地下水开采等频繁人类活动对城市地表稳定性的影响程度逐步加深。基于2018年3月~2021年12月的Sentinel-1A数据,结合永久散射体干涉技术中利用振幅离差指数提取高相干点的方法,采用小基线集干涉技术,获得了广汉市的地面沉降速率和沉降时序,据此分析了广汉市沉降的特征及原因。结果表明,在研究时段内,广汉市接近90%的地区未出现严重沉降现象,小汉镇、金雁街道、三星堆镇和向阳镇出现小规模沉降,施工区及其周边沉降相对严重,最大沉降速率为-31 mm·年-1。此外,沉降主要出现在2018~2020年,建筑施工活动和降水是引起地面沉降的主要因素。     

数控机床动压主轴的热误差建模技术研究

为了降低加工过程的热误差,提高数控机床加工精度,基于时序相关分析理论与数值计算方法,建立了一种以温度场分布及加工参数为输入的新型机床主轴热误差建模方法.所建模型由热误差模型、主轴动压轴承热特性模型以及主轴热传递模型三部分组成.该方法首先根据时序相关理论建立热误差与温度测点之间的相关模型,再通过灰色相关理论完成关键温度测点位置与数量的优化,同时,基于数值计算与热传导理论,建立了动压主轴系统热特性模型.以一台大型龙门导轨磨床为实验对象,建立了磨床主轴箱热误差预测模型.实验结果表明,所建立的热误差模型具有良好的热误差辨识性能.     

变换域时间序列相似性搜索

在时间序列的研究中，经常需要计算二个序列的相似程度。由于序列变化的多样性和，复杂性，结果通常不能很好地满足要求。采用变换法则对时间序列进行从时域到频域的转换，再将转换后的数据按照一定的规则变换成字符序列；利用求最长公共子序列的方法计算三个序列的匹配度，实现时间序列的相似性搜索。     

基于微分进化免疫的RBF网络学习算法研究

该文提出一种微分进化算法与免疫算法相结合的方法,将该方法用于优化RBF网络隐节点参数,以改进RBF网络的性能,仿真结果表明收敛速度较快,训练精度较高,有效地改进网络的泛化能力.     

低延迟路由器中高效开关分配机制的实现与评测

开关分配位于片上网络路由器流水线的关键路径上,对路由器以至整个片上网络的性能都会产生很大影响.已有的开关分配方法主要针对标准流水线路由器进行分析改进,缺乏对低延迟路由器中基于时间序列的开关分配方法的研究.本文首次在低延迟路由器上实现了基于时间序列的开关分配机制,并针对分配过程中优先矩阵的构造特点进行了优化改进.仿真实验结果表明在低延迟路由器中采用基于时间序列的开关分配策略可以使片上网络的性能得到很大提升.     

一种基于广义系统的Wiener状态滤波器设计

基于ARMA新息模型和白噪声估值器 ,利用现代时间序列分析方法提出了一种带多重观测滞后的广义系统Wiener滤波器 (也称估值器 ) ,用来统一处理系统预报、滤波和平滑问题。估值器具有ARMA递推形式 ,且具有渐近稳定性。该算法简单 ,避免求解复杂的Diophantine方程和Riccati方程。对于稳定或不稳定系统、非最小相位系统、状态转移阵奇异或非奇异系统 ,只要系统完全可观 ,都可统一进行处理。仿真算例验证了该算法的有效性。     

表面粗糙度在线识别的理论与实践

工件表面粗糙度,反映了加工设备的动态特性。通过观察加工中工件表面粗糙度的变化,可以用作在线识别设备工况的一种手段。根据时间序列分析理论所建立的系统的等价模型,是建立在输出等价原则上的,可以不管输入和输出的因果关系。所建模型能随时间的推移具有某些统计特性,能用于在线识别。对于自回归AR(n)时序模型的建模过程、模型阶次的确定、评定所建模型的适用性及被识别系统工况的特征参数均进行了讨论,试验结果证明,所建模型能快速、准确判别设备工况变化,达到了在线识别的目的。     

Predicting stock index volatility: can market volume help?

This paper explores a number of statistical models for predicting the daily stock return volatility of an aggregate of all stocks traded on the NYSE. An application of linear and non-linear Granger causality tests highlights evidence of bidirectional causality, although the relationship is stronger from volatility to volume than the other way around. The out-of-sample forecasting performance of various linear, GARCH, EGARCH, GJR and neural network models of volatility are evaluated and compared. The models are also augmented by the addition of a measure of lagged volume to form more general ex-ante forecasting models. The results indicate that augmenting models of volatility with measures of lagged volume leads only to very modest improvements, if any, in forecasting performance. © 1998 John Wiley & Sons, Ltd.