利用时序模型进行科研资金预测的方法

利用时序分析的方法研究了数据较少、信息短缺情况下的图解预测法 ,并把这种预测方法运用于科研资金预估中 ,结果表明其精确度可以满足要求 ,并有较好的实用性。     

时序法预测股市的新途径

文章在传统的经典时序法模型的基础上进行了改进,把时序法与技术分析结合起来,并对时序法得出的趋势进行二次时序法处理.从经典时序法对趋势的判断,转为对趋势的变动进行判断,使之更能适应股票市场的多变性,并能够有效的应用于实践,其具体方法是二次时序法和引入反转因子.     

非线性预测控制模型方法综述

预测控制(MPC)算法经历了30余年的发展,展现出强大的生命力。近年来,非线性MPC已逐渐成为MPC研究的热点。非线性系统多样性给非线性MPC研究造成了困难,主要体现在模型选取、能量函数求解和非线性算法等诸多方面。非线性MPC以非线性模型为基础,这也是非线性MPC区别于线性MPC的根本因素。论文针对非线性预测模型进行了总结和评述。     

决策支持系统中基于神经网络的非线性预测方法

本文说明了在决策支持系统中引入人人工神经网络模型进行预测的原因，并介绍了在DSS中用于非线性预测所采用的神经网络模型，以及基于这种网络模型进行非线性预测的基本原理和具体的学习算法。     

河南省投资与经济增长问题研究

河南省固定资产投资高速增长,对经济增长的拉动作用不断增强,呈现高投资高增长态势,属于典型的投资拉动型经济增长模式.但是投资效益不断走低,预示河南省正在进入工业化的新阶段,正在由高速增长阶段向次高速增长阶段过渡,投资结构、产业结构、经济布局亟待调整升级,经济转型亟待加快.要加快经济转型必须加快投资转型.在强化投资拉动基础上,注重投资、消费、出口的协调拉动,不但要扩大投资的规模,还要提高投资效益,加快投资结构和产业结构调整优化升级,优化投资环境,激活民间投资,吸引外来投资,加强基础设施建设投资,促进经济持续稳定健康快速发展.     

基于非线性预测的逆传播神经网络算法优化策略研究

逆传播神经网络算法是人工神经网络用于非线性预测的主要学习算法。它具有思路清晰，结构严谨，操作性强等特点，但同时也存在预测精度低，收敛速度慢等问题，本文从神经网络模型的结构出发，对学习算法提出了一系列改进和优化措施，以加快网络的学习速度，并增加模型的稳定性。     

基于非线性模型预测控制的火箭垂直回收姿态控制方法

针对火箭垂直回收着陆段强扰动、强参数不确定性、箭体姿态动力学高动态变化的飞行特性,提出了一种基于非线性模型预测控制的火箭垂直回收姿态控制方法。首先,基于四元数构建姿态控制数学模型;然后,在非线性模型预测控制框架下求解控制指令;同时,引入反馈校正机制与变时域策略以提升控制精度,进一步利用ESO观测扰动。仿真结果表明,控制器响应速度快、跟踪精度高,观测器能够有效观测并补偿扰动,具有较强的扰动鲁棒性。     

基于长短期记忆网络时序数据趋势预测及应用

为了研究状态监测大数据对设备运行状态的估计和预测,提出了一种人工经验与主成分分析相结合的长短期记忆网络方法(AEPCA-LSTM),利用运行过程中的监测时序数据对设备运行趋势进行预测.通过基于人工经验的主要成分分析方法(AEPCA)从状态监测系统中提取与目标变量最相关的状态变量作为输入;利用长短期记忆网络(LSTM)对...     

基于非线性预测的发动机转速限控方法

研究对发动机最大转速进行非线性预测限制的方法。将发动机动态过程描述为二阶的V olterra级数模型,并由此建立它的非线性闭环预测模型。根据输入约束和控制目标,提出转速预测限制的滚动控制算法。对此进行了仿真,在超量的加速供油下,得到了预测限制的供油变化线和转速变化线。与比例反馈限制方法比较表明,预测控制方法能够解决燃烧延迟和发动机转子惯性的影响,准确实现转速限制,且其控制算法的计算量小,能符合实时性要求。      

对我国经济增长的实证研究

经济增长的长期模式和短期模式受到越来越多的关注。本文研究了劳动力和资本两大投入要素与经济增长的长期关系和短期关系。本文在一般经济增长模型基础上，建立ECM模型进行实证研究。实证结果表明，从长期和短期来看劳动力投入和资本投入对经济增长的贡献都很显著，且劳动力投入的贡献大于资本投入的贡献。     

混沌时间序列的神经网络预测研究

研究了一类特殊非线性系统——混沌系统的预测问题。混沌是一种普遍存在的非线性动力学行为,混沌时间序列难以预测和控制,文章先是通过重构系统状态相空间分析混沌时间序列,然后采用多层前向神经网络对其进行预测。对典型的Lorenz和Mackey-Glass混沌序列预测结果表明,如果训练样本足够多,网络结构简单适当,训练后的网络具有很好的泛化性能,说明神经网络预测方法具有较好的工程实用价值。最后分析神经网络初始权值设置对预测性能的影响,指出改进方向。     

动态数据建模中时间序列采样间隔的研究

动态数据建模认为,平稳连续随机过程是白噪声激励相应的线性时不变连续时间系统的输出,为便于计算机处理,需要确定对连续随机过程进行采样的采样间隔,通常人们采用仙农采样定理来对待。文中阐述了对动态数据建模中时间序列采样的问题,用多项式插值的采样理论进行了研究,指出在动态数据建模中,若要使从连续时间随机过程到离散时间序列的统计特性得到保持,采样频率应大于系统最大极点自然频率的6倍。     

蒸汽用量的时序分析

本文利用多元时序分析方法，建立蒸汽用量的二维时序预测模型ARV（1，2），并得到满意的拟合结果。     

AR模型在时间序列误差分析中的应用

为检测某火控系统的性能,采用统计量分析和AR模型预测相结合来对火控系统实时解算的数据进行分析的一种方法。根据分析结果可以看出,距离误差和航向误差是两种不同类型的误差,距离误差主要是由随机的量测误差构成的,而航向误差主要是系统误差。     

基于时间序列的空中交通流量灰预测模型算法

利用灰色预测理论,给出了一种空域内空中交通流量进行预测分析的算法——空中交通流量灰预测法,并利用Matlab软件作为计算工具,对管制区域、机场等空域流量的预测进行了仿真,计算结果以图表和图形的形式给出直观说明,验证了该算法的有效性。     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

基于加权多元线性回归的两步式时间同步算法

时间同步在通信、计算机、测控等网络中是一项重要技术。针对目标时钟在多同步源时的时间同步问题,从统计学中参数估计的角度建模,提出了一种基于WMLR (Weighted Multiple Linear Regression,加权多元线性回归)的两步式时间同步算法。此算法分为粗同步和精同步2个阶段,通过给不同的时间信息加权的方式提高同步精度,并且可以计算不同同步源之间存在的系统误差。结果表明,这一算法通过合理应用来自不同同步源的时间信息,可以提高时间同步的精度及稳定性。由于模型的普遍性,这一基于WMLR的算法也可以应用于其他类似的多源参数估计的场景中。     

混沌时间序列预测算法的优度评价

将优度评价方法运用于混沌时间序列预测算法评价中,确定评价算法的指标体系。建立混沌时间序列预测算法关于各评价指标的关联函数来刻画各评价对象的优秀程度并计算关联度。计算出各评价对象的优度值,将其用于对各算法的综合优度的比较。实例证明,该方法直观、实用,可为混沌时间序列预测算法评价提供定量的依据。     

基于时间序列分析的装备可用度预测方法

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列。基于奇异值分解滤波算法,将原始序列分解为趋势成分和随机成分,分别应用粒子群训练的径向基神经网络模型和函数系数自回归模型进行组合预测,充分体现了2类模型的各自的优势。实例分析,验证了模型和算法的有效性。实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF和FAR进行预测更好。     

确定时间序列协方差函数的方法

提出一种确定时间序列协方差函数的方法,它首先根据(多元)时间序列构造其互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列,然后采用谱分析和多点平均方法对互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列的趋势项进行分离,分别求得其周期项和非周期项的函数表达式,再综合给出整个趋势项函数。从而得到原时间序列的互协方差函数、互相关函数或自协方差函数、自相关函数的函数形式,并通过最小二乘方法确定其中的待定参数。该方法可用于时间序列协方差函数的建模、分析和预测,并且计算简单易行、精度高,便于实际应用。