导读:本文包含了非线性时间序列论文开题报告文献综述及选题提纲参考文献，主要关键词:平滑先验法,最小二乘,趋势项,Matlab编程
非线性时间序列论文文献综述
王大维,汪浩[1]（2019）在《一种剔除GPS坐标时间序列非线性趋势项的方法》一文中研究指出GPS站点坐标的时间序列通常由信号的周期项、趋势项及噪声组成,其中,坐标时间序列的非线性趋势项是非平稳时间序列分析处理中的一个重要内容。本文引入了平滑先验滤波法来剔除GPS坐标时间序列的非线性趋势项,并与传统的最小二乘方法进行对比。先后分析了最小二乘和平滑先验法消除趋势项的方法原理,并利用Matlab对两种方法进行实现,进而对比分析两种方法消除趋势项效果。结果表明:相比最小二乘方法,平滑先验法能够有效地消除GPS坐标时间序列中的非线性趋势项。(本文来源于《测绘与空间地理信息》期刊2019年11期）
罗帅,丁勤卫,李春,黄致谦[2]（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[3]（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[4]（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）
K.D.Prasangika（丁小敏）[5]（2019）在《非线性时间序列分析中几种非参数方法的研究与应用》一文中研究指出在传统的参数回归模型中,模型的函数形式是在模型适合数据之前指定的,目标是估计模型的参数.相比之下,在非参数回归中,目标是直接估计回归函数,而不是明确指定其形式.这里我们描述如何拟合几种非参数回归模型.非参数回归方法有很多种,如核光滑法、局部线性回归法、二次光滑局部线性回归法、替代条件估计法、惩罚回归法、小波法、光滑样条法、正交回归法等.局部线性回归方法因简单方便而被广泛应用,但方差较大.虽然局部线性方法的渐近性质很好,但是对于稀疏数据误差很大,所以不会常用.因此,人们对局部线性回归方法做了进一步的改进,经过两次光滑,称为二次光滑局部线性回归方法.在数据独立的情况下,改进后的方法会降低渐近偏差的阶数.在实际问题中数据是可能相关的,如时间序列.从统计上看,时间序列分析具有很强的适用性,在现实生活中得到广泛应用,在经济、金融、天气预报、机械、化工等许多领域都有应用.线性时间序列的研究较多,但实际数据往往是非线性的.一些学者已经开始使用非参数回归方法如局部线性回归来分析非线性时间序列数据.本研究的重点是将非参数回归方法应用于非线性时间序列数据.首先,使用自激阂值自回归模型和加性自回归模型生成两个模拟数据集.在非参数回归方法中,替代条件估计法、惩罚回归法和局部线性回归法被用于模拟非线性时间序列数据.介绍了双光滑局部线性回归方法作为一种新的非参数回归方法在非线性时间序列分析中的应用.对于相关数据,经过两个平滑步骤后,从h2到h4的估计具有减小的渐近偏差,同时保持渐近方差在相同的阶上,这比局部线性回归方法更优化.利用模拟时间序列数据集展示了局部线性回归法和双平滑局部线性回归法的性能.非参数方法、交替条件期望算法、惩罚叁次回归、局部线性和双光滑局部线性回归方法被应用于四个真实数据集(BOVESPA指数、SENSEX指数、FTSE指数和标普S120指数).使用最流行的参数方法Box-Jenkins拟合的模型和使用非参数回归方法拟合的模型使用误差度量均方根误差进行比较.尽管双平滑局部线性回归方法对除BOVESPA指数数据集之外的所有实时序列数据集都优于局部线性回归方法,但交替条件期望算法优于双平滑局部线性方法.最后,选择交替条件期望算法作为斯里兰卡科伦坡证券交易所模拟标普SL20指数的最合适方法。(本文来源于《华中师范大学》期刊2019-06-01）
张宁宁[6]（2019）在《复杂系统中非线性时间序列的若干问题研究》一文中研究指出在复杂系统中,随着时间的推移产生的一系列数据,称之为时间序列。时间序列中各时间点的数据往往是不独立的,然而许多传统的统计方法都要求数据是独立的,很明显不适用于时间序列的分析。另外时间序列往往是非线性的,许多性能良好的线性方法也不能很好地应用在非线性时间序列上。因此,本文针对非线性时间序列展开若干方面的研究。具体说来,首先我们使用改进的熵方法来度量复杂系统中非线性时间序列的复杂度。然后,我们分析非线性时间序列之间的交叉相关性,提出去趋势移动平均偏交叉相关性分析的方法来准确度量非线性时间序列间的交叉相关性,并将其应用于股票指数的研究。最后,本文在金融时间序列预测方面做了尝试,提出了集成经验模式分解与多维k近邻结合的方法预测股票指数的收盘价和最高价。首先,本文探究复杂系统中时间序列的复杂性。我们提出加权多元复合多尺度样本熵方法和加权符号置换熵方法来度量时间序列的复杂性。加权多元复合多尺度样本熵作为时间序列复杂度的测度技术,不仅解决了多元多尺度样本熵因为粗粒化过程导致不准确结果的问题,而且克服了多元多尺度样本熵方法不能检测到信号的突变,忽略不同模式之间的差异这些局限性。加权符号置换熵通过对每个向量进行加权解决了置换熵忽略相同顺序的序列幅值可能不同这一缺点。此外,加权符号置换熵使用符号化的方法有效地监测信号突然的动态变化。其次,本文分析复杂系统中非线性时间序列之间的交叉相关性,提出去趋势移动平均偏交叉相关分析,该方法结合了去趋势移动平均处理方法和偏交叉相关分析方法的优点,不仅探究了两个信号之间的幂律关系,而且消除了其他信号对于所研究信号的潜在影响。为了证明新提出方法的优点,我们用人工生成的模拟数据检测其性能,并与传统的去趋势移动平均交叉相关分析进行了比较。结果表明,当由其他共同因素建立的虚拟相关关系存在时,该方法能较好地揭示系统间的真实相关关系。最后,本文在时间序列预测方面做了一些探索工作。为了同时预测股票指数的收盘价和最高价,本文提出了一种集合经验模式分解和多维k近邻模型相结合的两阶段预测方法。综合集合经验模式分解和多维k近邻模型的优点,提出的集合经验模式分解和多维k近邻模型相结合的方法对短期预测具有较高的预测精度。并将其扩展到二维情形,同时预测了四种股票指数的收盘价和最高价。(本文来源于《北京交通大学》期刊2019-05-01）
谷佩洪[7]（2019）在《非线性时间序列误差分布函数估计渐近性质》一文中研究指出对于一般的线性自回归模型,预测产生的误差一方面来源于模型本身,另一方面来源于模型中的随机项(误差),而预测得到的置信区间便取决于误差的累积分布函数(C.D.F)。前人提出了一种线性条件下误差的累积分布函数的估计方法,即用误差的核分布估计(K.D.E)替代C.D.F。本文在此基础上提出了非线性自回归模型的误差C.D.F的估计方法。我们证明了非线性模型的核估计方法同样也满足相应的渐近性质,即误差的累积分布函数可以被其核分布估计函数替代。在数据分析方面,我们首先利用模拟数据验证误差估计方法的渐近性和有效性。然后结合实际股票数据,标普500指数,应用非线性自回归模型进行估计、预测与分析。最后我们尝试把这一方法推广到长记忆时间序列的估计与预测分析中。我们结合模拟数据,总结长记忆参数d对误差估计产生的影响。(本文来源于《南京大学》期刊2019-04-29）
刘政军,张琨,刘长军[8]（2019）在《铝合金振动焊接过程非线性时间序列模型分析》一文中研究指出针对7系列超硬铝在传统熔焊过程中易出现热裂纹、气孔和焊接接头软化等问题,研究振动焊接工艺过程中,焊接工艺参数变化与焊接接头强度间的非线性关系机理,建立基于焊接过程工艺参数测量数据的7075超硬铝振动焊接接头强度非线性时间序列预测模型.文中在7075超硬铝振动焊接过程参数测量数据的基础上,建立了焊接过程参数时间序列,并在此基础上研究建立了焊接过程系统相空间重构参数及确定性检验方法.根据重构相空间的相点演化轨迹与焊接接头强度参数间的非线性关系,建立相空间相点演化轨迹的人工神经网络拟合模型,对焊接接头的断后伸长率、抗拉强度、硬度、焊缝余高、晶枝最大粗度、晶粒数量等物理参数进行计算.根据建立的模型进行的一系列焊接接头强度试验显示.结果表明,该模型的预测结果可以满足工程需要,具有工程实用价值.(本文来源于《焊接学报》期刊2019年03期）
张贝贝,安百国,张宝学[9]（2019）在《基于Copula函数的非线性时间序列聚类》一文中研究指出时间序列数据的聚类是对面板数据或多维时间序列根据序列相似度进行分组。聚在同一组的时间序列具有相近的模型参数,尤其是当序列较短时聚类后能够得到更精确的参数估计。现存的时间序列聚类方法的距离度量大都基于时间序列的线性假设,但是现实中时间序列通常是非线性的。本文提出了一种基于Copula距离测度的非线性时间序列数据的聚类方法,它利用了Copula函数获取时间序列的非线性相依结构。作为一种非参数的距离度量,基于Copula函数的距离度量能够识别动态相关结构的相似性。大量的模拟实验和实证研究验证了我们所提方法的有效性。(本文来源于《数理统计与管理》期刊2019年03期）
戴海亮,孙付平,朱新慧[10]（2018）在《中国区域内IGS站时间序列的非线性变化分析》一文中研究指出以中国区域内8个IGS站时间序列为研究对象,对其非线性变化的规律进行分析.首先,对这些测站时间序列进行频谱分析提取周期项,结果表明周年频谱是绝大部分IGS站共有的非线性运动规律,只是振幅大小不同;其他周期项则不具有普遍性,并且在垂直方向上周期规律最明显.然后采用叁角函数法对时间序列中的周期规律进行拟合,结果显示叁角函数法能更加直观地体现出非线性变化的规律,有利于进一步分析非线性变化的性质与机制,对建立和维持高精度地球参考框具有重要的参考价值.(本文来源于《全球定位系统》期刊2018年06期）
非线性时间序列论文开题报告
（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。
（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。
非线性时间序列论文参考文献
[1].王大维,汪浩.一种剔除GPS坐标时间序列非线性趋势项的方法[J].测绘与空间地理信息.2019
[2].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
[3].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
[4].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
[5].K.D.Prasangika（丁小敏）.非线性时间序列分析中几种非参数方法的研究与应用[D].华中师范大学.2019
[6].张宁宁.复杂系统中非线性时间序列的若干问题研究[D].北京交通大学.2019
[7].谷佩洪.非线性时间序列误差分布函数估计渐近性质[D].南京大学.2019
[8].刘政军,张琨,刘长军.铝合金振动焊接过程非线性时间序列模型分析[J].焊接学报.2019
[9].张贝贝,安百国,张宝学.基于Copula函数的非线性时间序列聚类[J].数理统计与管理.2019
[10].戴海亮,孙付平,朱新慧.中国区域内IGS站时间序列的非线性变化分析[J].全球定位系统.2018