多变量自回归模型在三江平原井灌水稻需水量预测中的应用

应用多变量自回归模型ARV (n) ,利用三江平原腹地———富锦市 1985～ 1999年气象资料 ,按水稻生育期划分 6个生育阶段 ,建立了井灌水稻生育期内需水量预测模型。经模型拟合与预测 ,效果良好 ,可以为该地区开展节水灌溉、灌溉用水管理、合理开发利用地下水资源 。

快速多变量自回归模型的意识任务的特征提取与分类

给出了一种有效的多变量自回归(MultivariateAutoregressive,MVAR)模型参数和阶数估计的快速算法,通过QR分解技术减少了多维矩阵求逆的运算量,提高了模型估计的速度.利用该算法对4个实验对象的3种不同意识任务的脑电(EEG)信号进行特征提取,并将得到的特征向量作为径向基函数神经网络的输入进行训练和分类测试.分类结果表明,利用该方法进行EEG信号的特征提取,分类的正确率明显高于单变量自回归模型,而且算法运算速度快,可以用于不同意识任务EEG信号的在线特征提取与分类系统.

组LASSO罚多变量自回归模型脑电特征分工类

自回归(AR)模型和多变量自回归(MVAR)模型是脑机接口(BCI)系统脑电信号(EEG)常用的特征提取方法。AR模型没有考虑多通道间的相互关系,MVAR模型虽然考虑了多通道间相互关系,但是会出现模型过参数化问题。为解决MVAR模型过参数问题,本文提出采用组LASSO罚MVAR模型对脑电信号进行特征提取,采用梯度下降和块坐标下降相结合的方法估计模型参数,然后采用线性支持向量机(SVM)对提取的特征进行分类。实验结果表明,组LASSO罚MVAR模型的分类正确率达93%,高于MVAR模型、LASSO-MVAR模型和6阶AR模型的识别正确率。

多变量自回归和多线性主成分分析结合的多通道信号特征提取研究

脑机接口(BCI)系统通过从脑信号中提取特征对其进行识别。针对自回归模型特征提取方法和传统主成分分析降维方法处理多通道信号的局限性,本文提出了多变量自回归(MVAR)模型和多线性主成分分析(MPCA)结合的多通道特征提取方法,并用于脑磁图/脑电图(MEG/EEG)信号识别。首先计算MEG/EEG信号的MVAR模型的系数矩阵,然后采用MPCA对系数矩阵进行降维,最后使用线性判别分析分类器对脑信号分类。创新在于将传统单通道特征提取方法扩展到多通道。选用BCI竞赛IV数据集3和1数据进行实验验证,两组实验结果表明MVAR和MPCA结合的特征提取方法处理多通道信号是可行的。

影响“怪潮”发生的海洋要素多变量自回归相关分析

多变量自回归模型的建立可以分析"怪潮"灾害区域内部的风速、潮位、流速之间的线性关系。针对模型阶数的确立采用了AIC准则和FPEC准则这两种方法,均得出了最适模型阶数为3阶。根据计算得出的最适模型阶数,分别采用极大似然法和系数矩阵递推法来计算自相关系数矩阵。比较这两种方法计算出的系数矩阵的拟合效果可以得出极大似然法效果更好。而由极大似然法得出的系数矩阵可以分析,各海洋要素的大小与其之前时刻的大小有很大的关系。对于不同海洋要素之间的相互关系,潮位的大小与其之前时刻的风速大小相关,流速的大小在很大程度上受其之前时刻潮位大小的影响。

基于多变量AR模型的脑电相干性分析及其在脑区协作机制研究中的应用

研究脑皮层不同区域之间功能协作的机制一直是认知和神经科学关注的重要问题之一。基于多变量自回归模型的动态相干性分析方法 ,被用于观察不同脑区在认知过程中的同步化 ,结果显示 ,人在感知和识别物体时 ,相关的脑区自动地发生了同步化的神经活动 ,这种同步化被证实是不受干扰刺激影响的 ,但被干扰的注意力确实影响了与判断和主动运动有关的脑区的同步化 ,而且这种影响的趋势与反应时间的分析结果一致。

多变量AR建模方法在工作模态参数辨识中的应用

对于一些大型工程结构,有时很难甚至无法测量结构的输入信号,只能利用实测的响应数据进行工作模态识别。针对这一实际工程情况,首先利用工况下结构的响应数据作相关分析,继而对相关分析后得到的多组数据构造多变量自回归(AR)模型,依据逐步最小二乘法和准则函数优化思想确定模型阶次和估计模型参数,并由模型参数矩阵的特征值分解确定结构的工作模态参数,最后利用TH6350大型镗铣加工中心主轴系统进行试验验证,结果对比表明,这种方法不仅能够有效提取结构动态特性参数,而且还能提供有关激励和结构振型的信息。

基于区间B样条小波基函数时变多变量AR模型的时变结构参数识别

研究的是时变动力学结构的参数识别问题。仅利用线性时变结构的多个加速度响应测量数据,将区间B样条小波函数作为时变基函数,构造了基于区间B样条小波基函数的时变多变量自回归模型,并推导了时变结构瞬时频率的识别方法。利用该法对一个三自由度线性时变结构进行了仿真研究,针对结构瞬时频率周期变化,突变和线性变化三种不同的情况分别进行了瞬时频率识别,并在加速度响应数据中加入了不同信噪比的高斯白噪声以检验识别方法的抗噪能力。最后对一个具有质量时变特性的悬臂梁结构进行了实验研究,实验结果充分说明了区间B样条小波基函数时变多变量自回归模型对时变结构参数识别的可行性,有效性和良好的抗噪能力。

基于向量自回归模型的辛烷值损失问题研究

依据某石化企业催化裂化汽油精制脱硫装置运行四年产生的大量数据和从催化裂化汽油精制装置采集的325组样本(每组样本中都有367个操作变量),针对辛烷值损失的优化问题,从数学建模的方向出发,在对样本数据进行预处理的基础上,使用二次特征筛选的方法从367个操作变量中筛选出数学建模的主要变量,综合考虑变量之间的非线性和相互强耦联性,基于多变量自回归对数线性方程建立了汽油精制过程中的辛烷值损失预测模型。

有效连接分析在脑功能磁共振数据中的发展和应用

大脑是一个高度复杂的神经网络系统,随着磁共振成像技术的快速发展,目前研究逐步深入到人类大脑并行神经网络和不同脑区间的信息流,以更全面深入地探索脑功能机制。有效连接分析是近年来在脑功能网络方面的一个研究热点。对人脑功能网络进行有效连接分析,可能对神经精神疾病的病理机制和脑功能异常状态下的功能逻辑有着更好的理解。本文着重对有效连接的几种经典方法(包括结构方程模型、多变量自回归模型、格兰杰因果分析和动态因果模型)的算法原理、存在的问题、算法比较、最新发展及在大脑功能磁共振成像数据中的应用做简要介绍。

基于ZigBee技术的人体健康监测平台

基于ZigBee技术,采用脉搏、ECG和SpO_2等微型传感器,感知人体生理信号;利用多变量自回归模型进行算法处理和数据融合,提高信号的可靠性和准确度;通过ZigBee无线网络,将信号传送到终端设备,开发一种对人体的心率、脉搏和血压进行同时、实时、随时监测系统,由此诊断人体的健康状况。实验表明,该平台性能稳定,在数据采集和传输等方面均达到了设计要求。

基于核学习算法的驾驶精神疲劳分级研究

为了有效地评测人的驾驶精神疲劳状态,本文提出了一种基于核学习算法的精神疲劳分级方法。该方法首先用多变量自回归模型(MVAR)提取于前额、顶叶、枕叶共6个通道的多维脑电信号特征组成特征向量。然后用核主分量分析(KPCA)和优化支持向量机(SVM)对基于脑电信号(EEG)的驾驶精神疲劳进行分级。经过对3位受试者在3个状态下的驾驶精神疲劳进行分类,平均分类精度达到89.47%。分析显示,应用KPCA并结合优化SVM方法有效地降低了特征空间的维数,可实现较高精度的驾驶精神疲劳分级。

CAR和SVM方法在郑州冬半年大雾气候趋势预测中的试用

以郑州冬半年大雾日数为对象,在分析其气候特征的基础上,尝试大雾日数的气候趋势预测。首先选择气候预测中常用的环流特征量作为因子群,通过相关筛选,选取与预测对象相关系数较大的环流特征量作为预测因子,然后分别采用多变量自回归(CAR)和支持向量基(SVM)回归两种方法,建立郑州冬半年大雾日数预测模型。CAR方法回报正确率为88%,SVM方法回报正确率为82.4%;经2002/2003-2005/2006年4 a的独立样本试报,两种方法平均预测准确率(Ts)均为75%。

一种基于ECG信息推断的心脏运动信号预测方法

提出一种基于时变多变量回归模型利用ECG信号和心脏运动信号相关性进行预测的预测方法,该方法将ECG信号非平稳心率变化信息的全过程通过模型中互相关项引入心脏信号预测中,以克服单纯的基于线性模型预测方法的不足,增强了对心脏信号中非平稳变化的适应能力,提高了估计的精度。通过对偶卡尔曼滤波器对模型的状态和参数分别进行估计,完成心脏运动信号的实时预测,并通过比较实验验证了算法的有效性。

我国教育投入与经济产出的长期均衡和短期动态实证

文章利用1952～2011年的样本数据，通过多变量自回归模型研究了教育投入与经济产出之间的动态相关性，并在此基础上使用协整理论和误差修正模型对教育投入的相关因素与经济产出之间的作用机制进行了系统分析。研究结论表明：我国教育投入与经济产出之间即存在长期稳定的均衡关系，也存在短期的动态联系。从长期来看，政府教育支出和教育基础设施建设对经济的产出弹性表现最为显著，分别达到1．413和1．257；从短期来看，经济产出仅对政府教育支出和高校在校学生的响应系数为正，分别是0．492和0．378。

基于AR模型的脑-机接口问题研究

在脑一机接口的研究中分类识别技术占有重要地位。将脑电信号中事件去同步化/相同步化现象作为特征信息,深入讨论基于AR模型的自适应算法(AAR)和多变量参数AAR模型算法(MVAAR)在脑电信号特征提取中的应用。结合三种分类器,对这两种算法进行了比较,实验证明两种方法的实验效果都很好,但是MVAAR算法比AAR算法能够达到更高的分类正确率,其阶次一般选取也比较低,数据仿真吻合度高,具有更强的通用性。

区域金融中介发展与经济增长关系的实证研究

本文用多变量向量自回归(VAR)方法,研究了中国东、中、西部三个地区金融中介发展与经济增长的长期关系。运用过度识别约束的协整检验以及弱外生性的检验方法,我们发现了东部和中部地区金融中介发展与经济增长存在双向因果关系,西部地区经济增长对金融中介发展具有弱外生性。同时,我们也发现实际利率在不同地区对经济增长和金融中介发展的作用效果不尽相同。

湖南省有色金属工业场地时空演变及其预测

通过收集大量湖南省有色金属工业场地的最新数据,从省级尺度进行分析,反映有色金属行业演变历程,为未来产业布局提供参考。以湖南省有色金属工业场地为研究对象,通过核密度分析方法和多变量自回归模型,揭示其时空分布规律,并预测其未来发展状况。研究结果表明:(1)1990—2019年有色金属工业场地数量明显增加,形成了以郴州为“核心集聚区”,多城市为“次核心集聚区”,并从集聚区中心不断向边缘扩散的空间演化格局;(2)多变量自回归模型能够很好地表达主控因子与场地数量的时序关联,模拟精度较高;(3)模型预测显示,在经济社会持续稳定发展的情景下,2020—2025年湖南省各市州有色金属工业场地的数量呈增长趋势,郴州、衡阳的采选和冶炼场地的增量和数量均较大,湘西的采选场地增量和数量较大,益阳、娄底的冶炼场地增量和数量较大。研究思路及方法对大区域范围内的工业或第三产业运营场所数量或规模的时空模拟及预测有借鉴意义。

基于ARIMA模型和LSTM神经网络的全球气温预测分析

近年来,全球变暖和极端天气频发引起了人们对全球气候变化问题的关注。在此背景下,本文主要针对全球变暖现象进行了量化分析和研究,广泛收集了全球陆地气温、海洋表面温度、全球二氧化碳排放量等各类相关数据,用Python进行数据处理和分析,综合运用ARIMA多变量自回归时间序列预测、LSTM长短期记忆网络等方法建立了数学模型,并利用Python、MATLB、SPSS软件对上述数学模型进行程序实现,最后得出了如下结论:(1)全球陆地温度从2021年来整体呈上升趋势,并于2040年达到该预测区间的最大值——15.64摄氏度。(2)未来20年,海洋温度整体上也呈上升趋势。通过数据趋势观察可以看出,当全球陆地气温降低时,海洋温度存在一定程度的升高,主要原因是海洋对热量的吸收。(3)二氧化碳气体的过量排放对全球气候变化产生了一定影响,预测结果显示,未来二氧化碳排放量将逐年增加,这与全球变暖的趋势吻合,因此减少二氧化碳气体的过量排放是减缓全球变暖的重要手段之一。

PDC方法在化工过程变量间因果关系分析中的应用

过程变量间的因果关系分析能够为过程结构分析和故障传播分析提供必要的知识。该文将生物医学领域应用较多的用来检测节点连接关系的频域分析方法(PDC)应用于化工过程,分析过程变量间的因果关系。用仿真实例验证了PDC方法的分析结果与变量间的实际因果关系相吻合,并试验性地将该方法应用于TE(Tennessee-Eastman)过程中,试验结果也表明PDC方法能够有效地检测化工过程中变量间的因果关系。