基于小波分析与支持向量机的时间序列预测

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。     

IIR数字滤波器的序列约束Chebyshev设计方法

 进行无限冲击响应(IIR)数字滤波器的无约束Chebyshev设计时,得到的滤波器幅值响应通常在过渡带存在明显过冲现象,且通带边缘的群延迟误差较大。本文提出一种序列约束Chebyshev(SCC)方法,在通带和阻带最大频率响应(FR)误差小于某给定值ρ的条件下,使过渡带频率响应误差(相对某个具有单调幅值特性的过渡响应函数)的Chebyshev模最小,并通过收缩和对分找出ρ的最小值。该方法不但可以使通带和阻带最大频率响应误差尽可能小,还能减小过渡带幅值响应的过冲以及带边群延迟误差。仿真实例表明了该方法的有效性。     

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...     

基于遗传算法的飞机维修拆卸/装配序列规划研究

飞机维修拆卸/装配序列规划是整个飞机产品维修作业的重要组成部分,同时也是飞机远程诊断与远程维修的重要研究内容。针对飞机维修过程中拆卸/装配序列规划问题的特点和要求,本文从维修产品的拆卸/装配过程稳定性、拆卸/装配方向和拆卸/装配工具的改变次数三个方面来设置目标函数,解决了零件数量大的产品规划计算效率不高且没有考虑产品的维修过程稳定性问题。本文开发出了基于遗传算法的飞机维修拆卸/装配序列规划系统,并结合具体产品进行了验证。     

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。     

广义时变ARMA序列预测方法

提出一种广义时变ARMA序列预测方法,给出时变序列和广义时变序列的预测公式及其均方误差。该方法能够对均值、方差、自回归系数和滑动平均系数都随时间变化的广义时变序列(或信号)进行分析和预测,可广泛应用于气象、通信、自动控制、结构响应分析和故障诊断等领域。大量计算表明,本文方法与传统方法相比,具有更高的预测精度。      

纤维缠绕复合材料圆环壳线型设计与优化

由微分几何理论，导出了纤维缠绕圆环壳曲面的滑移和架空判据。基于薄膜理论和网格理论，结合圆环壳几何特征，得到了内压作用下纤维螺旋加环向缠绕圆环壳的平衡方程组，给出了均衡缠绕线型的确定方法。以稳定缠绕条件和壳体强度要求为约束，缠绕层最小质量为优化目标，利用收敛效率较高的序列二次规划算法（SQP）求得了不同爆破压强下的各项最优均衡缠绕参数。文中的设计方法真实反映了环壳结构特征和实际工程设计要求，算例表明可直接应用于纤维缠绕环壳的初步设计。     

相关系数平稳序列的估计与识别

本文提出了通过观测序列确定不可直接测得的相关系数平稳序列模型参数的方法,详细讨论了相关系数AR(p),MA(q)和ARMA(p,q)序列状态方程的参数估计,为非平稳序列的滤波、预测和平滑提供了依据。文中还给出了观测系统参数的识别方法,与传统方法相比,本文方法考虑了测量噪声的均值和方差随时间变化情况,具有更高的识别精度。      

基于CCD的底片判读仪透射屏厚度精确测量

提出了一种利用线阵CCD传感器作为接收装置，以8253编程芯片实现自动测量并实时显示测量结果的底片判读仪透射屏厚度测量系统。文中主要论述了该系统的工作原理和软硬件的实现途径，并分析了系统的测量误差；文章最后列出了实测数据，证明了系统的可行性和先进性。     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。