一种基于即时学习的多模型在线建模方法

针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法.该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模.在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性.最后,通过对一个仿真案例的研究验证了该算法的有效性.     

基于在线学习神经网络的状态依赖型故障预测

提出外部激励故障和内部激励故障的概念,研究非线性系统状态依赖型故障的预测问题.将非线性系统的故障模型描述成外部激励与内部激励相耦合的一般非线性函数形式,函数的结构未知.通过反向传播(BP)神经网络在线学习故障函数模型实时逼近故障模型,提出基于在线神经网络的状态依赖型故障的预测算法.该算法能够实时地检测故障,对系统状态和故障进行迭代估计和预测.利用系统状态的预测值实时预测了系统的失效时间.故障模型的一般化拓展充分体现了系统状态对故障的影响,增强了算法的实用性.仿真结果验证了该方法的有效性.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

基于WT和MGFPE混合模式的船舶横摇运动长期预测

为了获得横摇运动在不同时间尺度下的演变规律,提出了利用小波变换和均生函数周期外推混合模式进行船舶横摇运动非线性时间序列长期预测的方法.该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,将原序列分解为多个相对简单的准周期信号,信号的趋势项、周期项和随机项被分离出来,然后采用均生函数周期外推预报模式对这些准周期信号进行预报和集成.仿真结果表明,此方法能有效地提高预报长度,并能获得较高的建模及预报精度,该方法亦可用于其他非线性时间序列长期预测.     

基于神经网络的自适应控制器在CSTR中的应用研究

针对工业过程的特点和控制要求，提出一种基于多步预测的神经网络自适应控制算法。该控制器采用改进的RBF神经网络对过程进行建模，利用多步预测误差对神经网络控制器进行训练，从而实现控制器参数的在线自适应寻优。针对CSTR系统的仿真结果表明，该控制器对非线性、时变对象有很好的跟踪控制效果和鲁棒性。     

神经网络在城市用水量预测中的应用研究

考虑城市用水量受众多因素影响 ,具有系统稳定性和非线性的特点 ,探讨了基于神经网络的城市用水量预测的非线性时间序列递推预测方法 ,并利用该方法对郑州市城市用水量进行了时间序列模拟 ,实例证明了该方法的正确性和科学性 .将神经网络的BP算法应用于城市用水量系统的建模和预测 ,并给出了较为详细的计算结果 ,具有一定的理论价值     

基于全息人工神经网络的建模与预测方法

从时间序列建模与预报的角度讨论了动态神经网络,首次提出了一种新的实现非线性动态时间序列预报的动态网络结构－全息神经网络,给出了其数学模型和拓扑结构,并将其应用到机械设备振动烈度值的预测上,取得了令人满意的效果,结果表明,全息神经网络弥补了原有神经网络有一些缺陷,具有较高的理论和实用价值。     

回归模型应用的发展综述

在回归模型研究与应用中,非正态分布假设、非线性回归模型与组合模型建模是重要的研究问题.首先针对非线性建模,引入压缩函数,提出了一种非线性回归建模方法;其次针对单个模型的局限性,引入线性回归与时间序列模型组合,提出了一种组合加法模型的建模方法;最后针对非正态分布假设建模,利用随机变量和分布,提出了一种基于非正态分布的和模型,为非线性回归、组合模型与非正态分布假设建模提供了新的方法.     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

基于GA-LSSVM深基坑墙体侧斜滚动预测模型研究

针对基坑墙体侧斜数据的小样本和非线性特征,提出一种基于GA-LSSVM模型的基坑墙体侧斜的时间序列滚动预测方法。采用三次样条插值法对基坑墙体侧斜的时间序列进行预处理,运用遗传算法(GA)对最小二乘支持向量机(LSSVM)进行参数寻优,寻找最优参数模型,建立GA-LSSVM时间序列滚动预测模型,预测结果采用相关系数R和均方误差(Mean Squared Error,MSE)进行评价。该方法用于广州某地铁车站基坑墙体侧斜的预测分析,并和未经参数优化的最小二乘支持向量机预测模型进行对比分析,结果表明该预测模型的相关系数高,均方误差小,预测结果较为精准。     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

Time series online prediction algorithm based on least squares support vector machine

Deficiencies of applying the traditional least squares support vector machine （LS-SVM） to time series online prediction were specified. According to the kernel function matrix＇s property and using the recursive calculation of block matrix, a new time series online prediction algorithm based on improved LS-SVM was proposed. The historical training results were fully utilized and the computing speed of LS-SVM was enhanced. Then, the improved algorithm was applied to timc series online prediction. Based on the operational data provided by the Northwest Power Grid of China, the method was used in the transient stability prediction of electric power system. The results show that, compared with the calculation time of the traditional LS-SVM（75 1 600 ms）, that of the proposed method in different time windows is 40-60 ms, proposed method is above 0.8. So the improved method is online prediction. and the prediction accuracy（normalized root mean squared error） of the better than the traditional LS-SVM and more suitable for time series online prediction.     

鲁棒的递推核学习建模方法在高炉过程的应用

针对现场采集时间序列数据中的离群点显著影响时变非线性工业过程在线模型性能这一问题,提出鲁棒的递推最小二乘支持向量机软测量建模方法.在模型训练阶段,采用支持向量聚类（SVC）排除离群点,建立有效的数据区域.将SVC用于递推过程前向学习阶段,并引入更有效的增删节点准则,在快速递推的前提下提高了模型的推广能力.将该方法应用于工业高炉过程铁水的硅质量分数预测,通过试验连续预测566炉高炉铁水硅质量分数,命中率高达81%,预测均方根误差为0.054 7,表明了较其他方法有更好的鲁棒性与精度.     

基于改进最小二乘支持向量机的电力系统受扰轨迹在线预测

分析了标准最小二乘支持向量机算法用于在线预测时存在的主要问题,根据分块矩阵求逆定理对标准算法进行改进,实现支持向量的递推式求解,提高了算法的学习效率。为了满足实际多机系统在线轨迹预测的要求,引入轨迹聚合技术对多机轨迹进行聚合,进一步减少了计算量。以电科院8机系统和我国西北电网为例进行仿真分析,从预测精度和计算时间两方面验证了方法的有效性。     

船舶横摇运动的时间序列预报

船舶横摇运动是对船舶航行影响最大的运动,研究船舶横摇运动的建模与预报对于提高船舶适航性、耐波性有重要意义.根据船舶在随机海浪作用下的运动特性,运用时间序列分析方法建立了AR模型,并将其应用于船舶横摇运动时间序列预报,取得了较好的效果.仿真结果表明,预报误差为4.4% 左右.时间序列分析法亦可用于船舶纵摇、艏摇的时间序列预报,该方法在工程中具有很大的实用价值.     

舰船航态极短期预报的非线性方法

针对舰船航态的非线性特征，提出了采用非线性自回归模型描述舰船海上航行极短期运动过程的新方法利用正交化的手段得到了辅助模型，进而通过对辅助模型的辨识推导出舰船航态超前多步预报器仿真结果表明本文提出的预报方法比线性自回归模型描述的预报方法有效，能提高预报精度、加长预报时间另外，本文给出的非线性预报器的辨识方法，可以加快预报时计算速度，适于进行实时预报     

Chaotic time series prediction for surrounding rock＇s deformation of deep mine lanes in soft rock

Based on the measured displacements, the change laws of the effect of distance in phase space on the deformation of mine lane were analyzed and the chaotic time series model to predict the surrounding rocks deformation of deep mine lane in soft rock by nonlinear theory and methods was established. The chaotic attractor dimension（D） and the largest Lyapunov index（Emax） were put forward to determine whether the deformation process of mine lane is chaotic and the degree of chaos. The analysis of examples indicates that when D〉2 and Emax〉0, the surrounding rock＇s deformation of deep mine lane in soft rock is the chaotic process and the laws of the deformation can still be well demonstrated by the method of the reconstructive state space. Comparing with the prediction of linear time series and grey prediction, the chaotic time series prediction has higher accuracy and the prediction results can provide theoretical basis for reasonable support of mine lane in soft rock. The time of the second support in Maluping Mine of Guizhou, China, is determined to arrange at about 40 d after the initial support according to the prediction results.     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.