含外部输入的非线性自回归模型及其在实时混合模拟中的应用

传统实时混合模拟对数值子结构多采用有限元计算,对于较复杂或自由度较多的结构,容易导致计算机在指定积分步长内无法完成结构下一步响应的计算。为了提高计算效率,该文提出一种基于代理模型的实时混合模拟方法,采用含外部输入的非线性自回归模型代替有限元计算。以非线性数值子结构和自复位阻尼器试验子结构组成的单自由度体系为对象,使用数值模拟的数据来训练代理模型,并对该模型进行实时混合模拟试验验证。试验结果表明,基于代理模型的实时混合模拟与传统实时混合模拟结果十分接近,具有替代后者的潜力。

基于移动平均线改进的多元非线性回归模型

在技术分析中常用移动平均线预测股价未来走势,但普通移动平均线仅考虑收盘价和时间的关系,存在一定局限性,因此提出了对移动平均线的分步改进:第一步,用成交额对移动平均线进行加权,得到成交额加权的移动平均线VTMA;第二步,借鉴指数移动平均值的计算公式对第一步的公式进行改进,得到成交额加权的类指数平滑移动平均线VTEMA;第三步,对第二步用三角移动平均值的计算方法进行双重平滑得到DVTEMA.为了预测股票次日收盘价,建立基于DVTEMA、MACD、KDJ、RSI的多元非线性回归模型.

基于GFRFs的非线性系统结构故障检测方法

为了能够更加准确高效地检测非线性系统的结构是否发生故障,提出了基于系统带外部输入的非线性自回归(NARX)模型的广义频率响应函数(GFRFs)故障检测方法。根据受检系统的NARX模型参数和一阶GFRF估算出系统的高阶GFRFs,通过比较受检系统与无故障系统结构的广义频率响应函数值,实现系统结构的故障检测。根据受检系统和无故障系统的GFRFs确定系统故障损害程度指数,进一步对故障程度进行评估。通过实验与其他检测方法进行对比,验证了所提检测方法的优越性。

轧机振动信号的非线性建模方法及其应用

研究了非线性自回归移动平均建模方法,采用该方法开发了轧机振动烈度模型,结果表明该模型是合适且有效的。

压电作动器的支持向量机迟滞模型

压电作动器被广泛应用于高精度定位领域,但是其固有的迟滞非线性会严重影响定位精度。为了准确地描述压电作动器的迟滞特性,提出了一种基于非线性自回归移动平均（NARMAX）的支持向量机（SVM）迟滞模型。为了建立SVM迟滞模型,首先需要将压电作动器的输入输出关系从一个多值映射问题转化为单值映射问题,对比了不同的单值映射对SVM迟滞模型精度及泛化能力的影响,提出了一种基于NARMAX构建单值映射的方法,建立了在全局上具有更高精度的压电作动器SVM迟滞模型。通过减小训练集中所包含输入信号频率的间隔,提高了模型在测试集上的精度。采用交叉验证的方法确定SVM模型中的参数,提高了迟滞模型在全局上的精度和泛化能力。结果表明,相比传统Bouc-Wen模型,所提出的模型在1 Hz处精度提高了8倍,在50 Hz处精度提高了60倍。通过位移跟踪实验,证明了基于SVM迟滞逆模型的前馈＋反馈（FF＋FB）控制能够有效提高跟踪精度,相较于PID反馈控制,其跟踪误差最多可降低73.9%。

西安市出生缺陷趋势数学模型预测研究

目的采用灰色预测模型、ARIMA自回归移动平均模型和NAR非线性自回归动态神经网络模型分别预测西安市出生缺陷率,探索出生缺陷的流行趋势和可能的未来走向。方法对2003-2015年在西安市各级开设产科的医疗保健机构出生的孕28周至生后7 d所有围产儿进行出生缺陷监测并收集资料。用2003年10月至2015年9月出生缺陷监测数据对西安市出生缺陷发生率数据分别构建数据模型,将同时期实际出生缺陷发生率与模型拟合数据进行比较,评价模型的预测性能,并预测西安市2016至2017年每季度出生缺陷发生率。采用Excel软件进行数据录入,SPSS 16.0软件包进行统计学分析,Matlab软件进行灰色模型预测和神经网络模型预测,ARIMA自回归移动平均模型使用R软件进行预测。结果灰色预测模型提示2016至2017年度西安市各季度出生缺陷率(‰)分别为9.62、9.67、9.72、9.77、9.82、9.87、9.92、9.97,呈缓慢上升趋势。ARIMA模型预测显示2016至2017年度西安市各季度出生缺陷率(‰)分别为11.98、12.83、11.28、11.78、12.23、11.73、11.80、12.00,仍在较高水平相对狭窄的区间波动。NAR神经网络模型预测西安市出生缺陷率(‰)为13.24、17.91、10.55、16.08、16.47、9.42、11.99、11.68,在2016年到达出生缺陷率峰值,2017年相比2016年开始出现下降。比较3种模型对出生缺陷发生率的发展趋势预测,灰色预测模型、ARIMA模型、NAR模型的均方根误差分别为1.353 009、1.181 373、0.555 347。结论 NAR模型对出生缺陷数据预测更可靠,ARIMA模型次之,灰色预测模型误差相对较大;加强出生缺陷的预防和控制工作仍然是今后较长一段时间的公共卫生重点工作。

全球稀土消费预测模型研究

为了准确把握全球稀土消费变化,本文在分析单整自回归移动平均(ARIMA)模型与非线性灰色伯努利(NGBM)模型特点的基础上,采用粒子群优化算法(PSO)对非线性灰色伯努利模型的参数进行了优选,建立了ARIMA耦合PSO-NGBM的全球稀土消费的时间序列预测模型。该模型将全球稀土消费时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用PSO-NGBM模型对其非线性残差进行估计,最终合成为整个序列的预测结果。预测结果表明,耦合模型的预测准确率显著高于单一的ARIMA模型的预测准确率,从而证实了耦合模型用于全球稀土消费预测的有效性。

EMD与NARX神经网络的风电场总功率组合预测

探索构建对风电场总功率进行直接预测的高精度组合预测算法。考虑到风速的非平稳性导致风电总功率表现为非平稳时间序列,采用NARX神经网络作为初步预测模型,提出了经验模态分解与NARX神经网络相结合的混合预测模型。对风电场总功率非平稳时间序列进行经验模态分解,得到不同频带本征模式分量的平稳序列。对不同频带的平稳分量建立相应的NARX神经网络预测模型,并将各分量模型的预测值进行等权求和得到最终预测值。此外,为研究不同时间间隔对预测结果的影响,采用某大型风电场时间间隔为5 min与15 min的数据进行实验。预测结果表明,提出的组合预测模型适合于总功率预测,其预测效果比传统模型的效果更佳,且时间间隔为5 min的数据比时间间隔为15 min的数据预测精度更高。

电磁发射系统监测量预测方法

对设备监测量的数值预测是进行故障预测与健康管理(PHM)研究的重要环节之一。以电磁发射系统中分段供电直线电机的定子温度为例,分别基于自回归积分滑动平均(ARIMA)模型、卡尔曼滤波模型、反向传播(BP)神经网络模型和一种新的以工况信息为外部输入的非线性自回归神经网络(NARX)模型,实现了对定子温度多时间尺度的预测。ARIMA模型为其他三种模型提供了时序数据分析时确定阶数的依据。在不同于训练数据集的试验数据上应用四种预测模型,比较和分析了四种方法得到的多时间尺度预测结果:对于不超过1min的短时温度预测,四种方法都具有较好的效果;对于1~4min的中长时间预测,引入工况信息的NARX神经网络方法具有优势。四种方法对分段供电直线电机定子温度预测都不具有超过4min的预测能力。

基于NARX神经网络的光伏发电功率预测研究

为了较准确地预测光伏发电系统的发电功率,建立了动态神经网络预测模型。该模型采用有外部输入的非线性自回归神经网络(NARX)结构,考虑太阳能辐射量和电池板温度对光伏发电功率的影响,利用NARX神经网络强大的非线性映射和泛化能力,进行了发电功率的预测。结果表明,利用NARX神经网络预测光伏发电功率是可行的,并且与传统BP神经网络相比,具有良好的适应性和预测精度。

基于Nonnegative Garrote的ARX和ARMA模型定阶方法

针对传统ARX和ARMA模型定阶方法计算量大和稳定性不强的缺点,提出采用非负绞杀法对ARX和ARMA模型进行定阶。通过分析ARX和ARMA模型的特点,对常规非负绞杀方法进行了改进,使其更适用于动态系统辨识问题,进而给出了相应的求解算法。仿真实验的结果表明了该方法的有效性,且在稳定性上优于传统的信息量准则法。

激励函数可调的NARX神经网络

提出了一种隐层神经元激励函数可调的具有外部输入的非线性回归(NARX)神经网络,它在进行权值调整的同时,还对各隐层神经元激励函数的参数进行自适应调节;并推导出激励函数参数的学习算法,从而使NARX神经网络更符合生物神经网络.通过系统辨识的仿真实例,说明了隐层神经元激励函数对网络性能的影响,还验证了文中提出的NARX神经网络具有更快的收敛速度,并且能有效地避免算法陷入局部最小.

麻醉深度的听觉诱发脑电提取技术

大量研究证明听觉诱发电位(AEP)在麻醉深度监测方面的临床意义.本文论述了移动平均模式(MTA)和外因输入自回归模式(ARX)提取AEP的原理,通过对两种提取听觉诱发电位的研究证明,ARX模式更能满足临床麻醉深度监测的实时性要求。

可重构功放的新颖NARX神经网络逆向建模研究

针对使用CAD软件设计射频微波电路繁琐且耗时长等缺点,提出一种新颖的带外部输入的非线性自回归(NARX)神经网络逆向建模方法。此方法采用具有激励函数的NARX神经网络(DAFNN)为模型以提高网络的泛化能力,利用支持向量机(SVM)替代模型的前馈部分完成数据分类,解决设计中的多解问题。然后应用于可以覆盖多个频段的可重构功率放大器中,实验表明,该方法在精度方面分别优于直接逆向建模方法和自适应η逆向建模方法99.86%和81.32%,计算速度方面优于直接逆向建模方法31.72%,可以降低射频微波可重构功率放大器的设计复杂度、缩短其设计时间。

基于神经网络技术的网络故障预测

文章通过对比不同种类的预测模型,找到一种能够适合预测宽带网络故障的方法。文中使用动态神经网络和自回归移动平均法来预测非线性系统,并对结果进行比较,并得到了比较满意的结果。对于每个测试用例,相关参数都进行了调整以适应相应的精度要求。

基于多反馈环结构提高硬件储备池记忆能力

针对单反馈环硬件储备池记忆能力不足的问题,提出一种基于多反馈环结构提高储备池记忆能力的方法.通过增加反馈环将更早输入信号产生的响应重新注入回储备池,使更早期的输入信号也影响储备池的内部动态,从而增强储备池的记忆能力.仿真研究了单个和多个反馈环结构的储备池的记忆能力及其在需要更长记忆能力的NARMA30任务中的预测性能.结果表明,把反馈环增加到10个,虚节点数为50时储备池的记忆能力由单反馈环的18.2提高到40.2.仅用两个反馈环,虚节点数为1000时NARMA30预测的归一化均方根误差可从单反馈环的0.27降到0.09.说明通过合理设置多个反馈环的参数,可以设计出任务需要的特定记忆能力,部分解决了储备池的适应性问题.

GNSS坐标非线性变化的差分长短时记忆网络预测

为了改进GNSS坐标非线性变化的预测方法,获得更高的预测精度,该文提出了一种基于一阶差分和长短时记忆(LSTM)网络的坐标非线性变化预测方法。首先综合利用奇异值分解和最大互信息系数准则对坐标时间序列进行降噪处理得到真实的非线性变化,接着利用谐波模型对其中的周期项进行提取和预测,剩余的未模型化成分经过一阶差分后采用LSTM网络进行预测,然后将两个预测结果进行综合得到坐标非线性变化的高精度预测结果。实验结果显示,该方法在20 d的预测步长内的平均绝对误差达1 mm以内,相比谐波模型、ARIMA模型和未经一阶差分的LSTM模型的预测方法精度至少提升了78%、25%和22%,具有更高的预测精度。同时经过对比也证明了该方法具有更好的适用性。

基于CSA-NARX模型的电梯钢丝绳动态张力预测方法

为了预测曳引式电梯钢丝绳的动态张力,对带有外部输入的非线性自回归神经网络(NARX)进行研究,利用变色龙优化算法(CSA)对其关键参数进行优化,提出了CSA-NARX神经网络模型。该模型在计算速度以及预测精度方面皆优于NARX基础模型。最后,利用提出的神经网络模型对电梯上行过程中钢丝绳的动态张力进行预测,其预测精度达到了97%。以传统的非平稳时间序列分析模型ARMA和LSTM为对比,所提出模型的精度更高,验证了所提出模型的有效性。

地铁车站施工过程中地表沉降的NARXNN时间序列预测模型

准确预测地铁车站开挖过程中的地表沉降已成为城市地下工程风险控制的重点和难点。针对传统时间序列预测模型预测时的单一线性和忽略施工因素影响的静态局限性,提出了带外部输入的非线性自回归神经网络(NARXNN)时间序列预测模型。该模型本身具有延迟单元和反馈结构,且通过引入施工影响因子作为外部输入的一部分,可以非线性动态地考虑地铁车站施工过程。运用NARXNN时间序列预测模型对北京地铁六号线北海北站开挖过程的地表沉降进行预测,结果表明:(1)与传统的ARMA时间序列预测模型相比,NARXNN时间序列预测模型适应性更好、准确性更高;(2)通过引入施工影响因子,NARXNN时间序列预测模型能够准确预测沉降历时曲线突变点处的变化趋势;(3)可以通过引入多组施工影响因子或优化施工影响因子的取值方法来进一步提高NARXNN时间序列预测模型的预测精度。