排序方式: 共有13条查询结果,搜索用时 31 毫秒
1.
时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于"原始时间序列是无噪的"这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。 相似文献
2.
为降低捷联惯导系统误差参数标定过程对高精度转台的要求,提出一种基于最大似然估计的模观测标定方法。在考虑噪声影响的情况下建立加速度计的误差参数模型,运用最大似然估计法对误差参数进行标定计算,并将标定结果的精度与所考虑参数模型的克拉美限相比较。结果表明,与传统标定方法相比,该方法标定精度相当,降低了对标定转台的要求,减少了标定时间,有较高的工程应用价值。 相似文献
3.
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. 相似文献
5.
基于数据关联的故障快速检测 总被引:1,自引:0,他引:1
多数情况下,快速实时地进行故障检测是很重要的。将故障看做是通过多传感器观测的动态模型,进行多传感器多模型概率数据关联,以各个模型的关联结果和设定的阈值为依据,可以有效地实现故障检测。联合概率数据关联(JPDA)算法是解决多传感器多目标跟踪的一个有效方法,文中通过分析概率数据关联算法,对联合概率数据关联算法进行了改进:(1)通过正确地选择阈值,移除小概率事件,进而建立一个近似的确认矩阵;(2)根据被跟踪目标故障跟踪门的相交情况,将跟踪空间进行数学划分,形成若干相互独立的区域;(3)对同一区域内公共有效量测的概率密度值进行衰减,计算出关联概率。仿真对比表明,本文的改进算法能显著减少计算时间,有效提高故障检测的快速性和实时性。 相似文献
6.
7.
8.
9.
10.