民航安全指数结果分析与预测

为了预测民航运行的安全水平,针对评价结果数据序列样本少、不确定性大的特点,选择灰色区间预测方法,建立了民航安全评价的区间预测模型.给出了民航安全指数计算结果,分析了民航运行的安全水平现状,展示了这一安全评价体系的功能和使用方式.通过实例验证了民航安全评价的灰色区间预测模型的正确性,给出了下一年度民航综合安全指数的预测区间.结果表明:灰色区间预测方法是可行的.      

压力传感器动态校准不确定度评定

压力传感器动态校准不确定度是表征其测量精度的重要指标.提出一种用于压力传感器动态校准不确定度评价的灰色方法.首先,使用正弦压力发生器产生标准的正弦压力信号驱动被校传感器,获取传感器特征输出;然后采用灰色关联分析处理传感器特征数据,得到权重数列;之后建立灰色模型并计算出各校准频率点的灰色偏度;最后采用加权最小二乘法去拟合以得到的工作频率范围内所有频率点的不确定数据,建立起被校压力传感器的动态校准不确定度模型.设置了幅值变化及不变两种情况下的实验验证方案,使用本文所提灰方法及黄方法分别对各方案下的数据进行处理;实验结果的对比表明:两种方案下所得动态校准不确定度曲线模型具有一致性;其中幅值变化情况下,两种方法在指定校准频率点所得校准不确定度的相对误差优于6%,在测试频率点相对误差也小于10%;幅值不变情况下,在大部分频率点处所得相对误差普遍小于5%,部分优于0.018%.实验分析证明,所提灰方法能很可靠地评估压力传感器动态校准不确定度.      

动态测试实时误差的灰色预测及其精度估计

将灰色预测应用于可重复动态测试过程,根据可重复动态测试的特点,采用统计方法有效地减小随机误差的影响,用其平均值建立预测模型,并对产生预测误差的各种因素加以分析,采用统计所得的各点方差值建立预测值精度的估计模型。实例证明,误差预测模型及精度估计模型都具有较好的效果。     

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解（POD）方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。      

一种基于灰色预测控制的动态测量误差修正系统

以灰色理论的灰色预测控制为基础理论 ,结合动态测量误差修正 ,在测量系统加以外控制量 ,把动态测量过程中的实时误差预测修正灰色模型GM (1,1)作为控制模型进行灰色预测控制。     

基于灰色递阶预测的动态插值生成方法

根据灰色系统白化插值生成理论和建模机理 ,分析动态测量中灰色模型插值的可行性。并将动态测量数据建立白化插值生成灰色模型 ,进行动态测量插值预测 ,验证其可行性。由于动态测量特性和灰色模型预测的局限性 ,对模型的测量准确度提出较高要求。因此 ,提出改进白化插值生成灰色模型 ,采用基于灰色递阶预测的动态插值生成方法 ,以保证长期预测插值的动态测量特性。     

基于距离信息修正的自由段弹道预测法

雷达具有测距精度比测角精度高的特点,充分利用这种测量的不对称性,提出一种基于距离信息修正的自由段弹道预测法.该方法是在雷达观测的弹道导弹自由段运动数据的基础上,采用滑动窗口中点平滑法处理观测数据,再次利用距离信息对轨道根数进行动态微分修正,提高观测数据的利用率和弹道预测的精度.仿真试验表明,该方法明显优于基本椭圆弹道法,大大提高了弹道预测的精度.      

基于灰色预测的加速试验机理一致性判定方法

确定失效机理一致性条件是保证加速试验正确性的前提之一.由于现有的一致性判定方法只能利用加速试验数据,不能指导加速试验设计,因此需要一种基于强化试验数据的一致性判定方法.针对工程中强化试验数据少的特点,选取可以处理少数据的灰色预测,给出了一致性判定的新方法及流程.该方法通过将灰色预测中的GM(1,1)和等维新息模型相结合,找出强化试验数据的趋势改变点,在加速试验之前得到机理一致性变化的条件.通过在加速度计中的应用案例,验证了该方法的可行性.     

基于灰色预测的加速试验机理一致性判定方法

确定失效机理一致性条件是保证加速试验正确性的前提之一.由于现有的一致性判定方法只能利用加速试验数据,不能指导加速试验设计,因此需要一种基于强化试验数据的一致性判定方法.针对工程中强化试验数据少的特点,选取可以处理少数据的灰色预测,给出了一致性判定的新方法及流程.该方法通过将灰色预测中的GM(1,1)和等维新息模型相结合,找出强化试验数据的趋势改变点,在加速试验之前得到机理一致性变化的条件.通过在加速度计中的应用案例,验证了该方法的可行性.     

基于粒子群优化LSTM的股票预测模型

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。      

太阳10.7 cm射电流量中期预报模型研究(Ⅱ)

太阳活动指数中期预报一直是空间环境业务预报的难点之一.本文在自回归方法模型的基础上,利用太阳活动区面积、位置等参数与10.7cm辐射流量之间的定量关系,根据活动区面积衰减规律,建立了一个基于活动区参数及演化规律的改进型太阳活动指数中期预报模型.通过对预报测试实例分析发现,在日面出现较大活动区导致F_(10.7)迅速增长并超过历史数据峰值的情况,在日面活动区消亡导致指数突然出现平静期的情况,新模型的预报准确性相比自回归模型有很大提高,预报的平均相对误差下降约5%～9%.由此可见,新模型在某些特定条件下提高了原有模型的精度.该研究为提高业务型太阳10.7cm射电流量中期预报模型的预报精度奠定了基础.     

结合光球磁场特征物理量的质子事件短期预报

利用描述太阳活动区光球磁场复杂性和非势性特征的三个物理量(纵向磁场最大水平梯度|▽_hB_z |_m, 强梯度中性线长度L, 孤立奇点数目η)建立了质子事件短期预报模型, 验证了磁场特征物理量对质子事件短期预报的有效性. 目前已建立或使用的太阳质子事件短期预报模型中仍然没有正式将磁场特征物理量作为预报因子. 由于太阳质子事件是小概率事件, 其物理产生机制尚不完全清楚, 这些预报模型往往存在虚报率偏高或报准率偏低的问题. 本文试图将原有质子事件模型所用的传统因子与磁场特征物理量结合起来, 利用神经网络方法建立一个更为有效的质子事件短期预报模型. 利用1997--2001年的训练数据集1871个样本建立了输入层为传统预报因子的模型A以及输入层为传统预报因子和磁场特征物理量的模型B. 通过对2002--2003年973个样本的测试数据集进行模拟预报发现, 模型A与B在具有相同质子事件报准率的情况下, 模型B的虚报率明显降低. 这进一步验证了磁场特征物理量在质子事件短期预报中的作用, 进而可以加强对太阳质子事件的实际预报能力.      

用灰色模型预测卫星太阳电池阵输出功率

研究了GM（1，1）模型的建模方法，建立了太阳电池阵输出功率的GM（1，1）预测模型，针对电池出输出功率具有随季节波动的变化趋势，提出了采用实时在线的方法，建立动态新息GM（1，1）预测模型，经实例预测验证，动态新息GM（1，1）模型可明显地提高预测精度，且能对电池阵输出功率的波动趋势正确预测。     

Forecast of recurrent geomagnetic storms

Long-term forecast of space weather allows in achieving a longer lead time for taking the necessary precautions against disturbances. Hence, there is a need for long-term forecasting of space weather. We studied the possibility for a long-term forecast of recurrent geomagnetic storms. Geomagnetic storms recur with an approximate 27-day period during the declining phase of a solar cycle. These disturbances are caused by the passage of corotating interaction regions, which are formed by interactions between the background slow-speed solar wind and high-speed solar wind streams from a coronal hole. In this study, we report on the performance of 27-day-ahead forecasts of the recurrent geomagnetic disturbances using Kp index. The methods of the forecasts are on the basis of persistence, autoregressive model, and categorical forecast using occurrence probability. The forecasts show better performance during the declining phase of a solar cycle than other phases. The categorical forecast shows the probability of detection (POD) more than 0.5 during the declining phase. Transition of the performance occurs sharply among the declining phases and other phases.     

结构方程模型的预测建模方法

提出一种结构方程模型的动态预测建模方法,从而可以在无须未来样本数据的情况下,预测系统要素之间未来的因果关系。采用矩阵谱分解,将协方差矩阵唯一分解为特征值矩阵和特征向量矩阵乘积的形式.分别应用经典的线性回归方法和高维群点主轴旋转预测方法对特征值矩阵和特征向量矩阵建立预测模型,提出一种协方差矩阵的后推预测算法.采用极大似然法,迭代估计未来结构方程模型的各种参数.仿真实验例示了该方法的主要计算步骤.计算结果显示,利用本模型得到的拟合值精度较高,预测模型真实可信,表明这种方法可以用于分析和预测结构方程模型.      

灰色系统理论在民用飞机生产成本预测中的应用

本论文将灰色系统理论应用在民机生产成本评估,建立了民机生产成本预测模型,对预测结果作了检验,充实了民机生产成本估算手段。     

An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series

The study of GNSS vertical coordinate time series forecasting is helpful for monitoring the crustal plate movement, dam or bridge deformation monitoring, and global or regional coordinate system maintenance. The eXtreme Gradient Boosting (XGBoost) algorithm is a machine learning algorithm that can evaluate features, and it has a great potential and stability for long-span time series forecasting. This study proposes a multi-model combined forecasting method based on the XGBoost algorithm. The method constitutes a new time series as features through the fitting and forecasting results of the forecasting model. The XGBoost model is then used for forecasting. In addition, this method can obtain higher precision forecasting results through circulation. To verify the performance of the forecasting method, 1095 epochs of data in the Up coordinate of 16 GNSS stations are selected for the forecasting test. Compared with the CNN-LSTM model, the experimental results of our forecasting method show that the mean absolute error (MAE) values are reduced by 30.23 %～52.50 % and the root mean square error (RMSE) values are reduced by 31.92 %～54.33 %. The forecasting results have higher accuracy and are highly correlated to the original time series, which can better forecast the vertical movement of the GNSS stations. Therefore, the forecasting method can be applied to the up component of the GNSS coordinate time series.     

时间序列法在临近空间大气风场预报中的应用

受多种因素影响，临近空间大气环境要素复杂多变，预报难度很大.本文采用时间序列法中的自回归滑动平均（ARMA）模型对临近空间大气风场开展统计预报方法研究，基于廊坊（39.4°N，116.7°W）中频雷达在88km高度的大气纬向风数据开展预报试验.本次预报试验的样本数据为2015年9月24日至10月24日风场数据，利用过去7天数据对未来第8天风场数据进行预报.试验结果显示，ARMA模型对临近空间大气风场预报有一定的适用性.当风场变化规律性较强，即样本数据风场呈现出比较显著的24h周期性变化时，ARMA模型预报效果较好；当风场发生突变时，预报效果变差.与实测数据的对比结果表明，ARMA模型预报结果的误差在9~27m·s-1，预报效果优于同阶自回归（AR）模型，略优于高阶AR模型.      

乏信息空间机械臂随机振动信号的灰自助评估

经典的统计学方法无法解决乏信息数据的评估问题。结合自助法和灰色系统理论,提出一种实现乏信息空间机械臂随机振动数据估计的灰自助方法。运用自助法对乏信息振动功率谱密度进行自助再抽样得到大量样本数据;利用灰色系统理论和最大熵理论建立灰自助模型,构建振动功率谱密度在不同频率点的灰自助分布。利用灰自助方法得到随机振动功率谱密度的真值估计和区间估计。提出了可靠度偏差和区间准确度2个指标对区间估计进行评价。灰自助方法与灰色方法和自助法的对比与测量实例表明,真值估计平均相对误差小于5%,在不同置信度水平下区间估计的准确度高于97%。      

Using Back Propagation Neural Network Method to Forecast Daily Indices of Solar Activity F10.7

The solar 10.7 cm radio flux，F_10.7，a measure of the solar radio flux per unit frequency at a wavelength of 10.7 cm，is a key and serviceable index for monitoring solar activities.The accurate prediction of F_10.7 is of significant importance for short-term or long-term space weather forecasting. In this study，we apply Back Propagation （BP） neural network technique to forecast the daily F_10.7 based on the trial data set of F_10.7 from 1980 to 2001.Results show that this technique is better than the other prediction techniques for short-term forecasting，such as Support Vector Regression method.