ARMA-GM combined forewarning model for the quality control

1.INTRODUCTION Tocontrolthequalityoftheproducts,wemustsu pervisethequalityindexesandanalyzethechanging tendency.Therearealotofstatisticaltoolsincom monuse,themosteffectivemethodisacontrol chart.Itcangrasptheabnormalsymptomofatrend ofthequalityofproductsincontrollingprocessand makethequalitypreventionpossible.Butfromits workingprocessweknowthismethodalsohassome limitation.Becausethecontrolchartonlydetermines theaveragevalueandlimitinterval,onecanonly judgethequalitystateofproductsstatica…     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

设备故障评估新指标及基于ARMA的预测系统

设备故障停机时间受生产调度的影响较大,不能真实反映设备的自身性能,且具有很强的随机性和波动性,不适于直接用来进行自回归移动平均(auto-regressive moving average,ARMA)建模.针对此问题,提出一种设备故障评估指标--设备不可用度,将设备故障停机时间转换为设备不可用度,通过异常点替代和数据平...     

基于ε-SVR的用户视听在线人数预测

预测视听在线人数能够帮助厂商提供有价值的信息, 获取更大效益. 从时间序列分析出发, 经过特征调整, 利用支持向量回归对用户视听在线人数进行准确预测. 首先, 对数据进行时间序列分析建模并预测; 然后, 将模型视为线性回归对用户视听在线人数作进一步改进, 结合时间与实际生活中的特征进行调整, 并添加了新的特征; 接着, 对新特征组成的样本进行支持向量回归, 通过社会认知优化寻找径向基函数中的最优参数; 最后, 得到比较理想的预测效果.     

动态数据的ARMA模型预测加工质量

本文首先阐述了在长度计量中建立自回归滑动平均模型(Auto Regressive Moving Average Model)的理论,推导出预测的计算模型及误差估计,然后以一个生产实例,证明这个模型具有相当的置信度。     

异构网络环境中的自适应在线故障检测

通过研究网络流量异常检测，提出一种新的基于自适应自回归(AAR)模型的在线故障检测算法．该算法只利用标准管理信息库，因此检测不依赖于特定产品类别，适用于异构网络环境．验证了流量信号的非平稳特性，并采用模拟获取的网络流量拟合AAR模型．由于不必将整个时间序列进行分片和单独拟合，算法可以直接处理获取的新数据，实现真正意义上的在线故障检测．利用时间平均方法消除了网络噪声的影响．在实验中，故障检测结果与预设的故障场景完全对应，进一步证明了该算法的准确性．     

带有负载观测的异步电动机广义预测控制

提出了一种带有负载观测功能的异步电动机广义预测控制算法,在对系统动态模型分析的基础上建立了调速系统的受控自回归积分滑动平均模型.该控制算法给出了能够使下一次采样时刻的实际转速以最优特性跟踪下一时刻参考转速的广义预测控制律,并采用负载转矩观测器的前馈功能增强速度控制的抗干扰能力.仿真和实验结果表明,通过合理选择控制器参数,具有转矩预测功能的直接转矩控制系统在转速跟踪和抗扰能力方面得到一定提高.     

一种适用于低压电力线通信信道的背景噪声建模方法

构建电力线通信信道噪声干扰模型对于深入研究低压电力线载波通信性能至关重要.结合低压电力线信道的噪声特性,构建了基于背景噪声的自回归(auto-regressive,AR)模型,对比分析自相关、Burg和修正协方差3种模型参数求取方法,并进行仿真验证分析结果.理论分析与实际仿真结果表明,在电力线背景噪声的AR模型中,修正协方差法所求结果较其他2种方法更适合电力线背景噪声建模,为研究电力线载波抗干扰提供理论基础.     

Detecting DDoS Attacks against Web Server Using Time Series Analysis

Distributed Denial of Service （DDoS） attack is a major threat to the availability of Web service. The inherent presence of self-similarity in Web traffic motivates the applicability of time series analysis in the study of the burst feature of DDoS attack. This paper presents a method of detecting DDoS attacks against Web server by analyzing the abrupt change of time series data obtained from Web traffic. Time series data are specified in reference sliding window and test sliding window, and the abrupt change is modeled using Auto-Regressive （AR） process. By comparing two adjacent nonoverlapping windows of the time series, the attack traffic could be detected at a time point. Combined with alarm correlation and location correlation, not only the presence of DDoS attack, but also its occurring time and location can be deter mined. The experimental results in a test environment are illustrated to justify our method.     

成都市城区空气污染指数的时间序列分析

根据成都市城区2001～2005年的大气污染监测资料,获取和分析成都市空气污染指数.采用时间序列分析方法,对空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数,并对模拟结果进行了检验.结果表明:成都市空气污染状况具有夏季较好、其他季节较差的季节性变化规律.采用时间序列分析大气污染状况是可行性的.