导读:本文包含了非线性时间序列预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:序列,时间,风速,模型,混沌,门限,燃气轮机。
非线性时间序列预测论文文献综述
罗帅,丁勤卫,李春,黄致谦[1](2019)在《风速时间序列混沌特征分析及非线性短期预测》一文中研究指出针对风能发电及天气预报等领域中一直是难点和重点的风速时间序列预测问题,首先分别通过相图法和最大Lyapunov指数法定性定量确定风速时间序列具有混沌特征;在此基础上,针对风速时间序列混沌特征结合相空间重构理论进行预测,根据C-C算法确定嵌入维数及延迟时间,将混沌理论应用于Volterra自适应模型,建立新的风速预测模型;以Lorenz方程为例验证该预测模型的准确性,并通过预测风速对比实测风速,进行误差分析。结果表明:风速时间序列具有明显的混沌特征;风速时间序列的混沌特征表明其长期预测是不现实的,但其确定性结构表明其具有短期可预测性;以预测Lorenz方程数值解的方式验证了Volterra自适应预测模型的准确性,其预测误差控制在10~(-4)以内;Volterra自适应预测模型可以对实测风速时间序列进行准确的预测,预测误差控制在0.1 m/s内。(本文来源于《能源工程》期刊2019年05期)
黄致谦,丁勤卫,李春[2](2019)在《风速时间序列非线性短期预测》一文中研究指出针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。(本文来源于《热能动力工程》期刊2019年09期)
孙妍[3](2019)在《基于虚拟预测的月径流量时间序列非线性混沌预测》一文中研究指出根据非线性动力系统的基本理论实行径流量建模和预测,将预测精密度作为一种辨识器材用以分析径流量的动力性状。潮河流域戴营站月径流量时间序列的非线性混沌性状判别探究成效证明,该时间序列蕴含一定的混沌性状。根据径流量的混沌特性,结合虚拟现实预测的思想,利用加权一阶局域多步预测模型对径流量实行非线性混沌预测,结果表明,结合虚拟预测思想的预测方式在长期预测中存在着较高的精密度。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2019年03期)
常月,冯宇旭,曹显兵[4](2018)在《基于非线性时间序列模型的股票分析与预测》一文中研究指出时间序列模型在股票价格的分析与预测中有着极其重要的应用.本文针对沪深300日收益率建立了ARIMA-GARCH拟合模型.首先对数据进行对数处理、平稳性检验、自相关检验、偏自相关检验和ARCH效应检验,然后消除条件异方差性,最后通过实证分析得到了模型的有效性与准确性.(本文来源于《数学的实践与认识》期刊2018年22期)
沈力华[5](2018)在《基于随机映射神经网络的非线性时间序列建模预测研究》一文中研究指出非线性时间序列建模预测是复杂系统数据驱动控制的一个重要研究方向,已被广泛应用于工业系统故障分析与预测、工业过程控制、金融市场数据预测、河流流量和降雨量预测、温度预测以及剩余使用寿命预测等多个领域。通过对复杂系统进行分析,建立相应的时间序列预测模型,能够使人们更深入的理解系统内部特性,并能够更好的实现系统控制与决策。随机映射神经网络作为神经网络的一种,具有更快的收敛速度,能够得到全局最优解,学习简便等优点,已在非线性时间序列预测中得到了较好的预测性能并取得了丰硕的成果。因此,本文针对非线性时间序列建模预测问题展开研究,对两种随机映射神经网络进行改进,优化网络结构,提高预测模型鲁棒性,建立优化组合模型。最后,将改进的随机映射神经网络应用于数控机床进给系统时间序列预测中。论文的创新性研究主要包括以下四方面:提出修正的正则化极端学习机预测模型框架。针对极端学习机预测时间序列时隐层节点数不易选择,时间序列经极端学习机进行高维空间映射后容易产生冗余信息和过拟合的问题,本文对极端学习机结构展开研究,通过对基于_1L范数、_1L和_2L混合范数的正则化方法进行修正和优化,求取极端学习机输出权值的稀疏解,在提高模型预测精度的同时优化网络结构,从而得到一种修正的正则化极端学习机预测模型框架,基于该框架提出四种修正的正则化极端学习机预测模型,所提模型在继承_1L范数变量选择能力的基础之上,有效避免了基于_1L范数正则化方法有偏估计导致模型预测精度低的问题,在得到模型稀疏解优化网络结构的基础之上提高了模型预测精度。提出鲁棒变分回声状态网络预测方法。针对现实复杂系统中,数据往往受多种噪声和异常点的影响,分析不同的概率分布对异常点的敏感性,最终选取高斯混合分布作为模型输出似然函数,由于边缘似然函数无法解析处理,因此,基于变分推理方法对模型进行求解,获得随机映射神经网络输出权值,提出一种对噪声和异常点具有鲁棒性的回声状态网络非线性时间序列预测模型,所提模型不但具有较强的非线性逼近能力,而且对异常点和噪声具有较强的鲁棒性。提出两种多随机映射神经网络组合优化预测方法。针对单一随机映射神经网络对数据信息表达不充分,基于Adaboost.RT提出一种改进的多核极端学习机预测模型。另外,基于双稀疏相关向量机,对相关回声状态网络的组合权值及由相关样本得到的基函数的权值同时进行学习,得到一种优化的多稀疏回声状态网络组合模型,该模型不需要采用交叉验证的方式确定回声状态网络的谱半径和稀疏度,只需确定相应的区间。预测结果表明,所提两种组合优化模型具有更好的适应性和更高的预测精度。提出基于随机映射神经网络的数控机床进给系统时间序列预测模型。将第二、叁、四章所提的几种模型和思想应用于数控机床进给系统时间序列的预测中,从模型结构、训练方法和多模型组合优化叁个方面提升模型预测数控机床进给系统时间序列的精度,实现进给系统速度响应时间序列的有效预测,为后续误差补偿奠定基础。具体包括以下叁方面内容:首先,提出基于修正的正则化极端学习的进给系统时间序列预测模型,优化网络结构,得到输出权值的稀疏解,从而提高模型的泛化性能;其次,提出基于鲁棒回声状态网络的进给系统时间序列预测模型,提高了预测模型的抗干扰能力;最终,提出基于PSO-RVESN的进给系统时间序列预测模型,进一步提升了模型预测进给系统时间序列的预测精度。(本文来源于《华中科技大学》期刊2018-11-01)
陈海英[6](2018)在《基于非线性时间序列分析的贵金属产品出口数据预测》一文中研究指出现代国际进出口贸易交流日益频繁,贵金属产品的出口数据也日益庞大,为适应时代现状对贵金属出口的交易数据除了要进行统计和分析外也需要实现进行数据预测,为此提出了数据预测模型,分别对贵产品出口数据的预测值和真实值进行计算,通过计算对预测数据进行修订实现模型的构建,并对该模型进行仿真实验和性能测试来验证模型的可行性和准确性,保证其使用价值。(本文来源于《中国金属通报》期刊2018年07期)
黄天羽,郭芸莹[7](2018)在《面向动作捕捉的非线性时间序列预测方法研究》一文中研究指出为研究面向动作捕捉的非线性时间序列预测的方法。通过对人体动作数据进行分析,研究并实现基于动作捕捉数据的预测方法,解决因传感器故障而引起的数据丢失、修正问题。通过模拟实验假设动作序列中某一个传感器发生故障,随后使用8种机器学习方法,利用6种指标进行评估,对比各种方法的预测效果,并将预测后的动作进行可视化。通过实验,随机森林、决策树、最近邻方法对数据的预测准确率能达到90%以上。由此,面向动作捕捉的非线性时间序列预测方法能够准确地还原动作。(本文来源于《系统仿真学报》期刊2018年07期)
杨朝赟[8](2018)在《基于ICA技术的时间序列线性和非线性预测》一文中研究指出在金融时间序列分析和预测领域,自回归滑动平均模型(Auto-Regressive and Moving Average:ARMA)和自回归求和滑动平均模型(Auto-Regressive Integrated Moving Average:ARIMA)两个经典模型至今仍有广泛的应用。独立成分分析(Independent Component Analysis:ICA)方法可以在隐变量和混合模型未知、隐变量分布未知的条件下,仅通过假设各隐变量之间具有统计独立性,从一组实际观测混合变量中恢复或提取相互统计独立的隐变量。该技术在金融时间序列、无线通信、信号处理、生物医学等许多工程领域得到了有效应用。本文重点研究基于独立成分分析方法的ARMA模型和门限自回归模型(Threshold Auto-Regressive:TAR)在金融时间序列预测上的应用,主要工作概述如下:1.系统介绍了ARMA模型、TAR模型以及ICA的原理和方法;讨论了ICA的基本模型及基本假设,分析了基本模型固有的两个不确定性。最后,总结了实际应用中主要使用的经典的目标函数和优化算法。2.针对时间序列自相关结构精确分离问题,在平稳线性时间序列模型中引入ICA方法。论证了ICA方法用于时间序列预测领域并与经典的ARMA/ARIMA模型结合的可行性,提出ICA-ARMA/ARIMA模型。3种证券指数的实例验证结果证明了所提模型的有效性。3.考虑到线性模型在逼近实际问题时难以避免的局限性,引入参数非线性时间序列模型—TAR,将其与ICA方法结合,提出ICA-TAR模型,进一步提出了ICA-ARTAR模型,提升了时间序列预测的全面性和整体性能。证券指数的实例验证结果证明ICA-TAR/ARTAR模型的预测性能。本文选取国内股票市场分类综合指数及金融时间序列作为实践检验的对象,进行反复的实验验证,通过一次性混合运算和分步迭代计算两种方式展示了前向多步预测的实际效果。两种计算方式与不同的模型结合,有不同的适用性。最后在结论中讨论了整个方法运用的体会作为职能部门或证券市场从业者实际使用的参考。(本文来源于《西安电子科技大学》期刊2018-06-01)
郭子正,殷坤龙,黄发明,梁鑫[9](2018)在《基于地表监测数据和非线性时间序列组合模型的滑坡位移预测》一文中研究指出针对滑坡位移–时间曲线的非线性特征和以往预测模型的不足,提出基于地表监测数据和非线性时间序列分析的组合模型预测滑坡位移。以新滩滑坡和叁舟溪滑坡为例,通过对位移、降雨、库水位等资料的分析,研究滑坡的变形特征及影响因素。在利用逆序法和小波分析检验滑坡位移的趋势特征和周期特征的基础上,采用非线性组合模型进行预测,包括利用多项式拟合并预测趋势项位移;用一种基于小波分析的叁角函数法(WA-TF)对周期项位移进行预测;遗传算法优化选参的BP神经网络(GA-BP)对波动项位移进行预测。最终将各位移分量累加得到滑坡的累积位移预测值,并与监测值进行对比分析。结果表明非线性组合模型的预测精度高且具有较好的通用性,为滑坡位移定量预测提供了一种可行的思路。(本文来源于《岩石力学与工程学报》期刊2018年S1期)
张乔斌,王文华,贺星[10](2018)在《基于RBF神经网络的燃气轮机监测参数非线性时间序列预测》一文中研究指出针对常规方法对燃气轮机性能参数趋势分析缺乏外推能力的缺陷,基于某型燃气轮机低压涡轮出口温度的运行数据建立了非线性时间序列数学模型,并采用RBF径向基函数神经网络预测了燃气轮机重要监控参数的变化趋势。结果表明:RBF神经网络预测精度高,可为燃气轮机关键监测参数的预测提供一种新的方法。(本文来源于《海军工程大学学报》期刊2018年02期)
非线性时间序列预测论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非线性时间序列预测论文参考文献
[1].罗帅,丁勤卫,李春,黄致谦.风速时间序列混沌特征分析及非线性短期预测[J].能源工程.2019
[2].黄致谦,丁勤卫,李春.风速时间序列非线性短期预测[J].热能动力工程.2019
[3].孙妍.基于虚拟预测的月径流量时间序列非线性混沌预测[J].北京信息科技大学学报(自然科学版).2019
[4].常月,冯宇旭,曹显兵.基于非线性时间序列模型的股票分析与预测[J].数学的实践与认识.2018
[5].沈力华.基于随机映射神经网络的非线性时间序列建模预测研究[D].华中科技大学.2018
[6].陈海英.基于非线性时间序列分析的贵金属产品出口数据预测[J].中国金属通报.2018
[7].黄天羽,郭芸莹.面向动作捕捉的非线性时间序列预测方法研究[J].系统仿真学报.2018
[8].杨朝赟.基于ICA技术的时间序列线性和非线性预测[D].西安电子科技大学.2018
[9].郭子正,殷坤龙,黄发明,梁鑫.基于地表监测数据和非线性时间序列组合模型的滑坡位移预测[J].岩石力学与工程学报.2018
[10].张乔斌,王文华,贺星.基于RBF神经网络的燃气轮机监测参数非线性时间序列预测[J].海军工程大学学报.2018