基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和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平稳时间序列的预测中.     

基于小波分解的AR-SVR一类非平稳时间序列预测

本文提出了一种基于小波分解的均值具有趋向性的非平稳时间序列预测方法。方法首先利用具有平移不变性的小波分解,分离非平稳时间序列中的长期趋势和高频信息(短期行为),然后对高频信息构建自回归AR模型,而对于趋势则利用支撑向量回归(SVR)进行拟合,最后将各模型的预测结果进行叠加,从而得到原始序列的预测值。这样保证了充分拟合长期趋势的同时,避免了短期行为造成的过拟合。最后的实验结果表明本文提出的这类非平稳时间序列预测方法是有效的。     

时间序列预测问题中小波分解的应用研究

针对非平稳时间序列预测问题,将支持向量机理论和小波理论相结合进行预测.首先对复杂的非平稳时间序列进行小波分解得到相对平稳的分量,然后对相对平稳的分量单独用SVR建模进行预测,最后将得到的多个预测结果进行组合得到最终的预测结果.同时实验验证了其有效性.     

融合EMD与全局版人工鱼群LS-SVM的网络流量预测

为提高网络流量预测模型对稳定性和精度要求,提出了一种融合经验模式分解(EMD)和全局版人工鱼群LS-SVM模型的网络流量预测算法。该模型首先通过EMD分解,将原始流量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,再用LS-SVM模型分别对各分量进行预测,其中LS-SVM的参数用全局版人工鱼群算法进行优化;最后通过SVM组合得到原始序列的预测值。仿真实验验证了该算法的预测准确性和稳定性。     

基于小波分析和神经网络的网络流量预测

采用小波分析和神经网络工具对分时段网络流量进行预测,比基于顺序流量序列的预测方法具有更高的预测精度.首先将分时段网络流量序列进行小波分解后得到的各子序列分别用神经网络进行训练,然后将各子序列预测结果进行重构作为最终的预测结果.文章最后将不同的小波分解和分解水平的预测结果误差作了比较,指出应根据实际的网络流量序列的变化规律选择合适的小波;小波分解水平不宜过高,以避免重构误差的累加.     

小波分解与AR结合预测太阳黑子数的研究

简单介绍了小波与AR模型原理,采用小波分解与AR模型相结合的方法对月平滑太阳黑子数进行预测。对594个月的数据序列进行小波分解重构,对分解后的信号用EViews软件进行自相关函数和偏相关函数分析,再分别对各重构信号建立相应的AR模型,进而对未来6个月的月平滑太阳黑子数进行预测,取得了较好的预测结果。     

一种极端降水预测方法研究

为了提高极端降水量的预测精度,将小波分析、支持向量机以及遗传算法相结合,建立了一种极端降水预测模型。首先利用小波变换对极端降水数据进行分解,分离出序列中的低频信息和高频信息;然后对各子序列分别用遗传算法优化的支持向量机进行训练和预测;最后将各子序列的预测结果叠加,得到极端降水量的最终预测结果。实验表明,该组合模型能准确揭示极端降水的变化特性,具有更高的预测精度,从而为极端降水量的预测提供了一种有效方法。     

一种新型GM(1,1)-AR预测模型在陀螺漂移中的应用

为了对陀螺漂移趋势进行更有效的预测,提出一种基于小波分析的新型GM(1,1)-AR时间序列预测算法。该算法通过运用小波分解算法将陀螺漂移数据中的趋势项和随机项进行分离,然后分别运用GM(1,1)模型和AR时间序列预测模型对趋势项和随机项进行预测,最后用小波重构算法得出最终的预测值。给出了一种算法及具体步骤,最后用某型导弹陀螺漂移数据进行仿真实验,以检验这种算法的有效性和可行性,结果表明这种预测算法应用于陀螺漂移趋势预测是可行的。     

基于EMD-SVM的江水浊度预测方法研究

针对江水浊度序列宽频、非线性、非平稳的特点,将经验模态分解(EMD)和支持向量机(SVM)回归方法引入浊度预测领域,建立了基于EMD-SVM的浊度预测模型.通过EMD分解,将原始非平稳的浊度序列分解为若干固有模态分量(IMF),根据各IMF序列的特点,选择不同的参数对各IMF序列进行预测,最后合成原始序列的预测值.将该方法应用于实际浊度预测,并与径向基神经网络(RBF)预测及单独支持向量机回归预测结果进行比较,仿真结果表明该方法预测精度有明显提高.     

基于小波分解和SVM的城市大气污染浓度预测

使用一种结合小波分解和支持向量机的方法建立城市大气污染物浓度预测模型。首先将大气污染物浓度数据序列小波分解和重构为不同频段的分解序列,然后对各分解序列使用不同的模型进行预测,最后将各分解序列的预测结果合成为浓度的最终预测结果。实验结果表明,该模型的预测精度优于RBF神经网络模型及一般支持向量机模型。     

温特法在装备备件消耗预测中的应用研究

只有准确地预测备件的消耗，才能合理地确定备件的需求量。装备维修保障过程中，备件的消耗往往呈现出季节性变化，用移动平均法预测备件消耗的效果不是很理想，因此有必要寻找一种更为有效的预测备件消耗的方法。本文探讨了温特指数平滑法的计算方法和计算步骤，并通过算例分析了温特指数平滑法在装备备件消耗量预测中的应用，并对预测结果进行了分析和比较。结果表明温特指数平滑法用于备件消耗预测是有效的、可行的，比移动平均法具有更好的预测精度。     

考虑储备期间失效的可修复备件需求模型

备件数量决定了装备维修能力和保障水平,能否科学地预测备件数量,取决于备件需求计算模型建立的准确性。在此根据备件维修性将备件分为可修复件和不可修复件,针对可修复件的备件需求问题,在考虑储备期间发生故障的前提下,利用备件可靠性框图方法,建立单可修复件、多可修复件的备件需求计算模型,解决了备件考虑储备期间故障的实际需求。结合工作环境的影响对模型中的故障率进行修正,使模型更贴近实际需求。     

串联系统的备件配置方法

针对非指数分布串联系统的备件配置问题,首先根据指数分布的良好特性,建立指数分布串联系统的备件需求预测和配置模型;然后根据期望累积失效相等的原则,将非指数分布等效成指数分布。在此基础上,利用指数分布串联系统的备件模型近似地计算非指数分布串联系统的备件需求量。并以几种典型非指数分布的串联系统为例,如Weibull分布、正态分布和Gamma分布,分别给出了给定时间内的备件配置结果。通过Monte-Carlo模拟仿真,结果表明比实际略偏保守,且与经典方法相比,具有计算过程简单,预测时间更长与可操作性更强的优点,满足实际的保障要求,能够为工程应用带来方便。     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

基于仿真的备件需求量确定方法

准确的备件库存量预测是合理有效地进行备件保障等各项综合保障工作的基础。为了实现装备备件的精确化保障,提高保障效率,降低保障成本,介绍了一种根据部件的维修性、可靠性参数确定备件储备量的解析算法模型。基于Exspect平台实现了Petri网对一次任务的仿真算法,求出了备件储备量,并对不同的备件保障方案进行了对比,采用逐个对比的方法得出库存量的最优值。通过最后的计算实例,对仿真方法进行备件储备量确定的可行性进行了验证。     

机载装备分系统级机电产品贮存备件研究

对空空导弹基层级备件的计算模型进行了研究.并通过工程实例,对基层可更换单元弹上机电分系统级备件的计算模型进行分析,提出应按正态分布模型进行空空导弹分系统级备件计算的结论.     

基于贝叶斯理论的武器备件需求模型检验

分析了几种备件需求函数及其适应范围;针对小样本数据,构建了运用层次分析法对武器备件需求进行专家评判的三级递阶结构模型,提出了一种基于专家评判和贝叶斯理论的需求分布函数确定方法;通过该方法对后验分布进行检验,有效地利用了先验信息,可以被看作是传统预测方法的推广和延伸;最后通过实例验证了该研究的正确性和可行性。     

基于遗传算法的弹药装备备件优化模型研究

结合当前弹药装备备件优化配置的工程需求,建立了基于遗传算法的备件优化模型。在弹药装备战备完好率和费用的共同约束下,利用遗传算法收敛速度快、全局寻优能力强、编程实现简单等特点,实现了对该模型的求解,得到了弹药装备备件的最优配置。最后,以某弹药装备为案例进行了分析,结果表明,遗传算法能有效地解决弹药装备备件的优化问题。