顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

基于正交最小二乘估计的非线性时间序列的预测

在对非线性时间序列的短期预测中经常采用局部线性化的预测算法 ,原有的算法使用普通最小二乘法 (LS)估计近似线性模型的参数。对于存在噪声的数据 ,该算法的数值稳定性较差。本文在对非线性空间进行局部线性化的基础上 ,采用正交最小二乘方法 (OLS)对线性模型同时进行结构选择与参数辨识 ,改善了数值的病态特性 ,增强了算法的稳定性     

中国国防费时间序列预测模型构建

文章综合运用B-J时间序列建模方法,对中国国防费时间序列平稳性进行了判别;采用单位根方法检验了时间序列的单整阶数;利用自相关函数和偏自相关函数判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q));构建了中国国防费时间序列模型,并进行了分析和预测。     

基于偏最小二乘特征提取的支持向量机回归算法

为了提高SVM的建模质量,简化建模难度,提出了PLS-SVM组合回归建模方法.该方法通过PLS对样本数据进行降维、去噪以及消除共线性处理后,再进行SVM回归建模.不仅保持了SVM良好的模型性能,而且使SVM具备特征提取功能.实验结果表明,该方法是可行的,采用此法构建的SVM模型,泛化性能优于没有特征提取的SVM.     

基于卫星云图历史资料反演云团非线性预测模型

针对线性预测方法难以有效描述云团的非线性、非平稳变化的困难,基于经验正交函数分解(EOF)和遗传算法参数优化结合的思想,提出了一条云团非线性预测模型反演的方法途径。首先将卫星云图序列作EOF的时、空分解;在此基础上,引入遗传算法对EOF的时间系数序列进行了动力模型重构和模型参数反演,建立了EOF时间系数的非线性微分方程组;再通过时、空函数合成,构造了云团演变的动力预报模型。试验结果表明,反演的云团预报模型能较为合理地描述特定季节区域内云团演变的基本趋势,预测结果与实际云图的主要特征基本相符,尤其是实现了云图3h以上的中、长时效的客观预测。     

改进非等间距GM(1,1)-BP模型的导弹退化状态预测

为提高导弹退化状态预测的精度,结合导弹测试数据不等时间间隔的特点,提出了一种基于改进非等间距GM(1,1)-BP模型的导弹退化状态预测方法。对传统非等间距GM(1,1)模型的背景值和初始条件进行优化,引入新陈代谢思想,在此基础上,构造灰色模型拟合值与实际值的差值序列,进而建立差值序列的BP神经网络预测模型,还原得到最终预测值,提高了预测精度。此设计方法结合了灰色模型对趋向性数据的预测优势和BP神经网络强大的非线性拟合能力,达到了取长补短、相得益彰的效果。通过导弹测试数据的预测实例,验证了方法的有效性和优越性。     

航空发动机的可预测模型建模与应用

提出了一种基于混沌理论和支持向量的预测方法.通过重构相空间的饱和嵌入维数,确定支持向量机的最佳输入变量;通过计算混沌序列的最大Lyapunov指数,确定支持向量机预测模型的最大有效预测步数;利用支持向量机强大非线性映射能力、网络结构的自动最优化特性,实现时间序列的非线性预测.最后,应用于某型发动机压气机的试车时间序列数据建模与分析,结果证明该方法具有较高的预测精度.     

基于测试数据时间序列的导弹故障预测

提出基于导弹测试数据的时间序列预测方法。以实际测试数据为例,建立了导弹故障预测模型。在对原数据序列分析基础上进行了趋势拟合,并进行了残差序列的识别及模型拟合,应用经过模型检验和参数检验后得到的组合模型进行参数预测,证明了不论是点预测还是区间预测,都能有效地提高导弹故障预测准确性。     

GM(1,1)和SVR的雷达电子部件状态趋势预测模型

为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋向性数据的预测优势和SVR模型对数据波动的强适应性,达到了取长补短、相得益彰的效果。实验结果表明该组合模型不但具有更高的预测精度,而且对不同预测对象有更强的适应能力。     

SVM异常数据识别的比例风险预测模型

剩余寿命预测在设备维修管理中扮演着重要的角色,准确的剩余寿命预测对制定维修策略起着至关重要的作用,从而可以有效避免设备故障的发生.提出一种基于支持向量机(SVM)异常数据识别的比例风险模型(PHM)用于剩余寿命的预测,该模式利用支持向量机和比例风险模型分别实现异常状态数据的识别和剩余寿命的预测.案例研究表明,SVM -PHM模型较PHM模型具有更好的预测精度.     

基于线性时变参数离散灰色模型的在线故障预测系统设计

为实现故障预测的实时性,克服设备实际数据处理能力的局限,采用了线性时变参数离散灰色模型(linear time-varying parameters discrete grey model,TDGM),并对其建模所用的最小二乘法采用递推算法,形成了递推建模法,解决了实时建模预测所面临的建模序列取舍、计算和存储量巨大等难题,并采用视情剔除旧数据的方法克服了递推建模法存在的"数据饱和"现象,完成了在线故障预测系统(online fault prediction system,OFPS)的初步设计。实例仿真验证表明:该系统运行稳定可靠,计算和存储量在可承受范围之内,预测效果良好,可以应用到实际设备中。     

组合预测法在战时单兵日均物资需求预测中的应用

分析、研究、预测战时物资需求量,进而拟制相应的物资保障方案,是提高战时物资保障计划性和有效性的客观要求。利用灰色预测法和趋势预测法建立模型并进行预测,在对比分析各种物资需求预测方法的基础上,建立了基于最小二乘法加权的战时单兵日均物资需求的组合预测模型,为我军进行战时物资需求预测提供了一种可借鉴的方法。     

军用飞机燃油消耗多元线性回归模型

为了解决军用飞机非标准动作燃油消耗建模问题,利用实际飞参数据,采用多元线性回归方法进行建模分析。建立了燃油消耗量与飞行时间、油箱平均油量、平均高度、平均速度、T1温度、T4温度、N2转速、高度变化量、飞机外挂的多元线性回归模型,并对回归模型进行统计性检验和验证。结论显示:模型拟合度较好,符合军用飞机飞行耗油规律,对军用飞机非标准动作燃油消耗规律研究具有重要意义。     

基于CNN-LSTM的在轨卫星故障预测分析

在役考核中,对遥测参数进行监控与分析,是评估在轨卫星工作状态及健康状况的重要途径.为解决在线多任务故障预测问题,提出了结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的数据挖掘模型,并运用了一种基于误差反馈的权重自调整机制.利用某型卫星(含故障)遥测参数的仿真数据进行分析处理,实验结果表明:在线CNN-LSTM模型以最小的信息损失进行建模,对比单一模型以及传统的回归模型,CNN-LSTM模型不仅在测试集上取得了最小平均绝对百分比误差12.61％,同时模型预测性能在长时间预测中优于离线模型.     

ESD EMP能量耦合线性化建模

针对利用非线性建模方法研究静电放电电磁脉冲(Electro Static Discharge Electro Magnetic Pulse,ESD EMP)能量耦合存在计算复杂、模型收敛性能较差的问题,基于ESD辐照实验提出了一种非线性系统线性化建模方法。该方法是将系统响应与激励间的非线性关系转化为线性关系后,利用带遗忘因子的递推最小二乘法进行线性回归来建立模型。首先利用3.5 k V ESD实验数据进行建模,然后应用3.5 kV、4.5 kV ESD实验数据进行模型验证,2种情况下的拟合度均达到94.303 3%。结果表明:线性化建模能有效降低建模难度,且模型精度较高,为ESD能量耦合研究提供了一种简便有效的建模方法。     

基于差分和神经网络的同步辐射光源图像压缩方法

针对常见的图像无损压缩方法效果不佳问题,提出了一种基于图像差分和神经网络的同步辐射光源图像无损压缩方法。通过图像差分以减少图像序列内部的线性相关性,训练神经网络模型以学习图像序列内部的非线性相关性,得到预测概率分布,结合算术编码压缩。为加速预测和编码过程,将像素值按位分裂为两部分进行并行处理。基于上海同步辐射光源图像的测试表明,相较于便携式网络图形、JPEG2000和自由无损图像格式等,该方法可将压缩率提升20%以上,像素位分裂可以缩短30%的模型预测和编码时间。     

基于微惯导随机误差时间序列建模的改进组合导航方法

针对低精度、低成本微机电惯性测量单元随机误差建模效果不理想会极大影响组合导航性能的难题,采用时间序列分析方法建立了微机电惯性测量单元随机误差的自回归滑动平均模型,通过对卡尔曼滤波器的状态变量进行增广,建立系统动力学方程和观测方程,实现对零偏误差的在线估计。实测数据分析验证了该随机误差建模的有效性。实测数据处理结果表明,该方法能够显著提高低成本微惯性解算外推精度,增强微惯性/卫星组合导航可靠性。     

基于视频图像的目标识别与跟踪算法

研究了基于视频图像的目标识别与跟踪算法。主要应用了Hog特征和支持向量机(SVM)分类器设计完成对目标的侦察识别。当侦察到目标时,采用高斯模型对目标和背景建模,结合卡尔曼滤波预测估计方法和均值漂移(mean-shift)理论,实现目标跟踪和定位功能。最后通过缩微环境中的案例演示,验证了所提算法的可行性。     

军事时间序列预测分析初探

为了更好地对军事领域中的时间序列进行预测 ,作者以ARMA(p ,q)模型为基础 ,编制了ARMA预测软件 ,同时考虑到军事领域中诸多序列往往连续的和非平稳的时间序列 ,于是在ARMA预测软件的基础上增加了连续型时间的离散化模块和非平稳型时间序列的平稳化处理模块 ,使得预测更趋科学和合理 ,并且在战例分析上得到了令人满意的结果     

激光陀螺漂移测试数据的处理与分析

根据获得的激光陀螺漂移测试数据,利用时间序列分析的方法对漂移数据进行了建模,得到了漂移数据的时间序列模型;在此基础上用Kalman滤波的方法对数据进行了处理;从时域和频域两方面对滤波结果进行了分析.结果表明,采用的建模和滤波方法能有效提高陀螺的精度.