基于混沌神经网络理论的城市深基坑沉降量预测模型

通过分析城市深基坑沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市深基坑沉降量预测的混沌神经网络模型;并利用此模型对上海某深基坑沉降量进行了预测,取得了较为满意的预测效果.     

基于小波分解与重构的混沌时间序列预测

提出一种通用的混沌时间序列预测方法.算法首先通过小波分解与重构将具有混沌特征的时间序列分解为一个低频信号和多个高频信号;对不再具有混沌特征的信号分支采用神经网络模型预测;对具有混沌特征的信号分支采用基于非线性混沌动力学的预测模型;最后将各分支的预测值组合获得最终预测值.通过月平均太阳黑子数这一典型混沌时间序列的预测实验表明该方法比传统的神经网络预测方法和混沌预测方法的预测精度高,可以较好地应用于混沌时间序列的预测中.     

速射火炮立靶密集度序列建模

为了准确地分析速射火炮的立靶密集度,将时间序列分析方法引入射击效力分析,用时间序列建模方法对速射火炮的立靶密集度试验数据建立了数学模型,证明了立靶密集度数据的相关性是不可忽略的。模型比较与模型验证的结果表明,相对于一阶模型,该文建立的模型预测误差更小,精度更高,为更好地分析武器系统射击效力奠定了基础。     

模糊时间序列的最优预测方法

以模糊时间序列的 Ｆ Ａ Ｒ（ｐ ）为基础,建立了模糊时间序列的最优预测原则、计算原理及计算方法,探讨了实时预测途径,并通过仿真验证了所建立的最优预测方法的有效性。     

基于ARMA时间序列模型的国防费预测

国防费预测是指对未来国防费的客观支出过程及其变动趋势的分析和测算。在判别国防费时间序列平稳 性的基础上,利用ADF 单位根方法检验时间序列的单整阶数,借助Eviews 统计软件构建我国国防费自回归AR 模 型和移动平均MA 模型,对我军未来5 a 的国防费进行预测分析。结果表明：该方法是可行的,能准确预测中短期 我军国防费水平,客观正确反映我国国防费增长规律。     

火炮射击过程中航向变化的数学建模

介绍了将非平稳时间序列直接建模的方法应用于火炮射击航向变化的数学建模,对某火炮射击时的试验数据进行了建模分析,得出了射击过程中火炮身管的运动模型。     

一种改进的装备保障能力并联预测模型

为了提高装备保障能力的预测精度,针对当前预测算法及其组合模型存在的问题,提出了一种改进的并联预测模型。利用文本挖掘选择预测指标及权重,改进了区间标度算法并构造了不等距、多尺度区间的模糊时间序列模型。改进了粒子群优化方法中微粒速度和位置及惯性权重值的算法,使用该方法优化了支持向量机参数并建立预测模型。依据改进的模糊时间序列和支持向量机预测模型建立了改进的并联预测模型,通过计算预测权重值并将预测值与预测权重值组合形成并联模型的预测值。通过案例证明了该预测方法具有更高的精度。     

基于时间序列的GPS误差建模及单点定位精度研究

研究了以数据处理方式提高GPS单点定位精度的方法,详细阐述了时间序列法在GPS误差一阶差分序列建模中的应用。根据实测数据建立了适合GPS误差一阶差分序列的AR(n)模型,采用最小二乘法求得了模型参数值;利用条件期望有效实现了误差序列的一步预测;通过对观测值的实时修正提高了普通GPS接收机的定位精度。文中最后得出的高程误差曲线图及误差概率分布图说明了该方法的有效性租可靠性。     

基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论,建立了完整的时序预测模型,运用于陀螺漂移平稳时间序列的预测.通过仿真实验结果,证明了该方法的有效性和可行性.     

基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论，建立了完整的时序预测模型，运用于陀螺漂移平稳时间序列的预测。通过仿真实验结果，证明了该方法的有效性和可行性。     

基于平稳时间序列分析的陀螺漂移性能预测的研究及实现

提出了基于平稳时间序列分析的陀螺漂移性能预测方法,设计了融数据测试和性能预测为一体的硬件电路,采用可视化编程语言编制了相应的性能预测程序.实验结果表明,该方法能够很好地预测陀螺漂移性能变化趋势,并且能够比较精确地给出性能预测值.     

基于混沌理论和BP 神经网络的某基地电力短期负荷预测

为了合理安排并优先保证军事基地中的电力调度问题,提出一种基于混沌时间序列和BP神经网络相结合的电力短期负荷预测方法。根据混沌理论及神经网络方法,先基于延迟坐标相空间重构技术,再应用互信息法和饱和关联维数法,选择延迟时间石和嵌入维数m,然后用BP神经网络来实现预测,并通过对海军某基地的电网的时间负荷序列进行实测仿真。仿真结果表明：相对误差均在5％vX内,且有33．3％的误差在1％以内,证明该预测方法具有较高的预测精度和应用价值。     

基于相似时段和PCA-ELM 的超短期风电功率预测

为提高风电场输出功率的预测精度, 提出一种采用相似时段选取原则和基于主成分分析(principal component analysis,PCA)与多层自编码极限学习机(multi-layer auto encoder extreme learning machine,ML-AE-ELM) 组合算法(PCA-ELM)的预测模型。通过关联度分析明确待测时段的相似时段范围,结合天气数据、机组状态和历史 功率构建训练和测试样本,利用预测算法完成样本的训练和测试,得到输出功率预测结果并验证。实验结果表明： 与常见的算法模型相比,该预测模型在不同装机容量和不同工作状态的风电场中均具有较高的预测精度,表现出良 好的预测稳定性和泛化能力。     

基于模糊推理的战时备件需求预测

针对战时多阶段备件需求的不确定性及阶段相关性特点,提出了基于模糊推理的战时备件需求预测方法。把体现作战意图的专家预测值与体现需求量阶段相关性的Markov 预测值结合起来,通过Mamdani 模糊推理规则及反模糊化给出最终备件需求预测值。采用语言变量描述备件需求量,定义了需求量模糊集合,并在Markov 预测需求量时直接采用该模糊集描述系统状态。实例表明该预测方法能有效用于缺乏历史需求记录的战时备件需求预测问题中。     

用于飞行动作评估的飞参数据预处理方法

为了预处理得到正确反映飞机飞行状态的飞行参数记录数据,介绍一种有效的用于飞行动作评估的飞参数据预处理方法.利用主成分分析相关性分析法提取与飞行动作最相关的几个参数数据,将各飞行参数的相关性融入多维自回归数据的预测估计过程,并对某型飞机的部分飞行参数数据进行实验分析,利用多维时间序列建模对其中 5 个参数的缺失数据进行一步预报得到估计值,与真实值进行比较得到的相对误差值都比较小(平均值 0.03),该结果表明:该方法能得到正确反映和重现飞机飞行动作的时间序列数据,可推广到任意一种多元时间序列来表示目标状态的情况.     

基于SAS的火控精度时间序列分析

为分析火控精度时间序列,采用SAS语言模块,分别从时间序列数据的预处理、时间序列建模、时间序列的预报方面,讨论了时间序列分析问题,并结合火控精度实验中的数据实例探讨了SAS的优越性和实用性。结果表明,利用SAS分析火控系统模型,可大大提高效率,能实时解决工程中发生的一些问题。     

基于SES 的不常用备件需求预测模型

在目前引进装备的需求预测中,针对历史数据较少和样本值具有大量零值的问题,采用一次指数平滑法（Single Exponential Smoothing,SES）进行不常用备件需求预测。分析指数平滑法初始值和加权系数对模型预测准确性的影响,建立舰艇间断性需求备件的预测模型,并对某型舰艇备件进行预测和分析,较好地实现了间断性需求备件的预测。仿真结果证明了该方法的可行性和有效性。     

脉动风速时程数值模拟

对高层、高耸和大跨轻柔等风敏感结构而言,风荷载是主要控制荷载,必须考虑风荷载的动力作用。分析了风速时程模拟方法的概况,包括传统的谐波叠加法、线性滤波法,以及近年来发展起来的小波分析、逆傅立叶变换法。采用AR法模拟了某索-桁移动机库的脉动风速时程。总结了各种方法的优缺点,展望了风速时程模拟的前景。