混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

离心压缩机叶轮旋转失速的相空间重构及分形特征

结合非线性动力学中的相空间重构和分形理论,提出了一种分析离心压缩机叶轮旋转失速动力学特征的方法.采用数值方法对低速离心压缩机(LSCC)叶轮旋转失速状态进行了模拟,得到了失速工况下叶轮出口多个位置的气流压力时间序列.对各压力时间序列进行相空间重构,构造出一低维动力系统,其时间延迟和嵌入维数通过运用C-C方法得出.对重构的动力系统的相图进行了分形特征分析,计算了相应的分形维数.研究表明:叶轮旋转失速后系统的压力信号具有混沌特性,在相图上表现为具有分形结构,揭示了旋转失速后系统的动力学特征.计算分析分形维数后发现,数据采集点位于相同半径处计算得到的分形维数相近,约为3.39;数据采集点的半径增大时,分形维数减小.     

基于相空间重构和神经网络的压气机机匣静压预测

建立了基于相空间重构和径向基神经网络的压气机机匣静压的预测模型。对试验数据进行相空间重构,分析其混沌特性,根据重构相空间的最小嵌入维数确定网络输入参数的个数,采用K均值聚类的方法优化网络的拓扑结构,根据时间序列的最大李亚普诺夫指数确定预测模型的最大有效预测步数,利用径向基神经网络的强大非线性映射能力,实现对时间序列的非线性预测,试验结果证明了该方法的有效性。该方法对压气机趋势监控具有一定的参考价值。      

基于混沌理论滚动轴承振动稳健化试验数据的动态分析

提出改进的Huber M方法是以中位数和Huber M方法两种稳健化处理相融合的一种对数据进行稳健化处理的方法.用中位数和数据平均值相似度判断数据是否有变异,根据变异率变化趋势确定变异率.发现在0%~10%变异率范围内,滚动轴承振动数据的连续性和可信度随着变异率的增加而增强.用混沌理论分析滚动轴承的动态特性,发现同一批次的滚动轴承振动有相同的时间延时、嵌入维数、最大Lyapunov指数,其中最大Lyapunov指数均大于0即属于混沌特征,进一步计算最大可预测周期,最大可预测周期为667个单位.滚动轴承振动时间序列物理空间的中位数和相空间的估计关联维数为非线性非单调性的内在运行机制,为滚动轴承振动的动态分析进一步提供可靠的依据.      

转子碰摩振动响应的非线性时间序列分析

针对碰摩转子系统的非线性特性 ,采用动力学非线性时间序列分析的方法对其振动响应进行了分析研究。基于动力学重构的基本理论 ,对碰摩转子响应进行了状态空间重构。在此基础上 ,进一步对碰摩转子系统振动响应进行了相关维数的估计 ,不同的相关维数值表明了系统是处于周期或拟周期运动 ,还是处于含有拟周期的混沌运动 ,或者是明显的混沌运动。系统碰摩严重时的相关维数值会比碰摩较轻时的相关维数值大 ,进一步对实验数据的计算结果也证实了这一点。     

平面混合层中混沌特征的实验研究

用热线风速仪和数据采样技术得到混合层中瞬时速度时间序列。计算了给定流向位置处,沿垂直于混合层的方向（横向）上不同点的流速功率谱、相关维数和相关熵;分析了流场的混沌特征;给出了流场横向变化特点。     

滚动轴承振动性能状态演变的非线性特征和不确定性特征的灰关系分析

为了更加全面有效地监测滚动轴承服役过程中其振动性能状态的演变历程,用关联维数和盒维数表征振动性能状态演变的非线性,用振动数据瞬时值的波动范围和平均值的波动范围表征振动性能状态演变的不确定性。运用灰关系分析法求解参数序列之间的灰置信水平,进而分析轴承振动性能状态演变的非线性特征和不确定性特征之间的非线性相关程度。两个案例表明：总体上来看,关联维数和盒维数均有减小的趋势,瞬时值的波动范围和平均值的波动范围都有增大的趋势,而且它们在突变点处有某种意义上的对应关系。非线性特征参数序列和不确定性特征参数序列总体上有负相关关系,且不确定性参数序列与关联维数的灰置信水平均比其与盒维数的灰置信水平要高。     

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.      

基于ESN的航空发动机状态组合预测方法

基于回声状态网络(ESN)预测模型,结合小波分析和主元分析,提出一种组合预测方法.首先对含噪非线性时间序列进行小波降噪,并重构时间序列产生训练样本,再将训练样本通过主元分析进行降维处理,降维后的时间序列数据则输入ESN模型进行预测分析.对控制飞机动力输出的动压参数非线性时间序列数据进行了仿真对比实验,结果表明:组合预测方法的5步和单步预测速度累计提高了66.97%,预测的平均平方误差、标准均方根误差和归一化绝对误差也均有较大提高.该方法与传统基于ESN的预测模型相比,能有效地提高预测的效率和精度,是一种有效的非线性时间序列预测方法.      

基于边界值的多元混沌发动机性能预测算法

首先提取航空发动机排气温度数据序列的边界值,并且证明了边界值序列具有混沌特征.其次提出了一种基于多元相空间重构的发动机状态混沌预测算法,实现对排气温度的预测.通过检验排气温度预测值是否超过所规定的红线,从而进行发动机的健康状态排查.作为验证实例,使用一组某机型发动机实际飞行数据对该预测算法进行了验证,结果表明:该组合算法降低了预测模型的时间复杂度,并大大提高了疑似异常点的预测精度.该方法可以为这种机型发动机故障预测提供决策依据.      

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

气体润滑轴承-转子系统非线性动力学特征的实验

对高速气体润滑轴承转子系统进行了稳定性试验研究.通过轴心轨迹、频率耦合三维图、频谱和分叉图,分析了系统非线性行为特征.实验证明气体润滑轴承-转子系统中的气膜涡动是系统非线性失稳的主要原因,气膜涡动导致的倍周期分叉是系统进入混沌振动的必由途径.通过调整系统固有频率和气膜润滑涡动频率之间的耦合关系,使得失稳转速远离设计转速;以及利用试验中所证实的混沌"有界"性质,有效的控制振幅,将是提高转子-轴承系统非线性稳定性的新途径.      

卷积和离散过程神经网络及其在航空发动机排气温度预测中的应用

 针对航空发动机排气温度的变化过程受复杂非线性时变因素的影响而难以用精确数学模型描述的问题,提出了卷积和离散过程神经网络(CSDPNN)模型,并将其应用于航空发动机排气温度(EGT)预测。该模型以离散样本作为直接输入,采用卷积和算法实现对时间累积效应的处理。相较于以连续函数作为输入的过程神经网络(PNN),不需要拟合离散样本得到连续函数后进行正交基展开,减少了精度损失,具有更高的预测精度。给出了卷积和离散过程神经网络模型的学习算法,并通过对Mackey-Glass混沌时间序列的预测对提出的方法进行应用说明和验证。通过航空发动机EGT预测实例,并与卷积和离散过程神经网络模型的连续函数输入过程神经网格以及传统人工神经网络(ANN)的预测结果进行了对比。结果表明,相较于连续函数输入过程神经网络以及传统人工神经网络,卷积和离散过程神经网络具有更高的预测精度,且对于EGT的预测具有较好的适应性,因而为航空发动机EGT预测提供了一种有效的方法。     

时间序列关联维数在非线性系统运动性态识别中的应用

 在非线性动力系统维数较高、数学模型难以建立时, 利用时间序列分维数对系统的动力学性质进行了研究。通过对一经典非线性方程的分析, 得出利用随参数变化的时间序列分维数图, 可以很好地识别非线性系统从确定性状态到分叉或浑沌状态的临界参数点或区域。最后将此方法应用于一单盘Jeffcott 转子模型的分叉参数点识别及一转子运动状态识别, 得到了比较满意的结果。     

具有不对称间隙的二元机翼自激振动的混沌分析

利用数值方法分析了无预荷载情况下具有不对称间隙的气动弹性非线性与结构非线性耦合的二元机翼颤振问题的动力学响应.通过研究速度比U*/U*L从零逐渐增大到1时系统的全局演化规律,发现在无预荷载的不对称分段线性系统中存在混沌运动形式,并对其进行具体分析,得到产生混沌的原因,为进一步控制和减小颤振提供理论帮助,对飞机的飞行结构设计及飞机结构的日常维护具有指导意义.     

Chaotic Temporal Variability of Magnetospheric Radio Emissions

Nonthermal magnetospheric radio emissions provide the radio signatures of solar-terrestrial connection and may be used for space weather forecasting. A three-wave model of auroral radio emissions at the fundamental plasma frequency was proposed by Chian et al. (1994) involving resonant interactions of Langmuir, whistler and Alfvén waves. Chaos can appear in the nonlinear evolution of this three-wave process in the magnetosphere. We discuss two types of intermittency in radio signals driven by temporal chaos: the type-I Pomeau-Manneville intermittency and the interior crisis-induced intermittency. Examples of time series for both types of intermittency are presented. This revised version was published online in August 2006 with corrections to the Cover Date.