基于Matlab的时间序列分析和动态数据建模

介绍了Matab语言的特点，结合火控精度测定数据实例着重讨论了其在时间分析和动态数据建模方面的优越性以及应用。在实际工作中使用Matlab可以大大提高试验的效率。

捷联惯组历次测试数据时间序列建模与预报

提出了捷联惯组历次测试数据时间序列分析法。针对惯组历次测试数据少,小样本建模困难的问题,提出了通过二次修正插值的方法,构建惯组历次测试数据建模分析所需的时间序列。为解决惯组历次测试数据小样本建模问题提供一种可行的途径。最后通过时间序列预报,预测惯组误差系数的变化趋势,为使用、分析、挑选惯组提供了理论依据。

动态数据系统的时间序列建模策略

传统的基于相关性分析方法进行建模的局限性和"危险性"主要表现在:估计的样本自相关是非常坏的估计,经常会有大的方差,彼此之间是高度相关的,可能给出原来序列结构一个完全失真的图像,不能较准确和全面地反映系统特性。提出了基于动态数据系统的时间序列建模方法,将时间序列看作是随机系统对不相关的或相互独立的"白噪声"输入响应的一种实现方式。对平稳时间序列,以自回归滑动平均模型为基本模型,并以额值为1递增拟合,用F检验判断拟合的改善程度,最后用残差分析判断模型的适用性。对非平稳序列,需先分离出确定性趋势,对剩余平稳随机部分建模分析。用该方法对隧道位移监测数据建模分析,预测与实测吻合较好,表明该方法具有适用性好、精度高且便于编制程序实现等优点。

动态数据建模中时间序列采样间隔的研究

动态数据建模认为,平稳连续随机过程是白噪声激励相应的线性时不变连续时间系统的输出,为便于计算机处理,需要确定对连续随机过程进行采样的采样间隔,通常人们采用仙农采样定理来对待.文中阐述了对动态数据建模中时间序列采样的问题,用多项式插值的采样理论进行了研究,指出在动态数据建模中,若要使从连续时间随机过程到离散时间序列的统计特性得到保持,采样频率应大于系统最大极点自然频率的6倍.

基于Transformer的时间序列插补技术研究

本文旨在解决多元时间序列数据中的缺失值插补问题,提升时间序列数据插补的效果。时间序列数据是反映随时间变化的随机变量的结果,在物联网应用中得到广泛应用。然而,数据缺失问题是时间序列处理中的一个重要挑战,因为大多数下游算法需要完整的数据进行训练。本文通过总结以往时间序列建模过程中采用的插补方法,改进了一种基于Transformer模型的插补模型,并在多个数据集中验证了本文中插补模型的效果。通过本文的研究,可提高时间序列预测的准确性和实用性,对于物联网应用和其他领域中的时间序列分析具有一定的实用价值。

时间序列异常检测综述

海量的时间序列数据给异常检测领域带来了新的契机与挑战,尤其是多元时间序列的异常检测正在成为新的研究热点,然而,这一方面的研究目前仍处于初步阶段。通过整理国内外相关文献,从时间序列特征、检测方法、评价指标三个方面阐述了研究进展,并着重分析了基于深度学习的时间上下文建模主流算法的优缺点及其研究趋势。

过程工业大数据建模研究展望

人们对大数据的认识已从"3Vs"(Volume—大容量;Variety—多样性;Velocity—处理实时性)、"4Vs"("3Vs"与Value—价值)、到现今的"5Vs"("4Vs"与Veracity—真实性).在此背景下,首先分析过程工业大数据的"5Vs"特性;接下来,综述现有数据建模方法,并结合过程工业大数据特有性质(包括:多层面不规则采样性、多时空时间序列性、不真实数据混杂性)论述现有数据建模方法应用于工业大数据建模时的局限;最后,探讨过程工业大数据建模有待研究的问题,包括:1)多层面不规则采样数据的潜结构建模;2)用于事件发现、决策和因果分析的多时空时间序列数据建模;3)含有不真实数据的鲁棒建模;4)支持实时建模的大容量数据计算架构与方法.

经济时间序列的非线性建模和计算机仿真计算

研究了经济类数据的非线性特征 ,提出利用 Logistic类混沌时间序列通过一个线性滤波器来实现对该种时间序列的建模。指出经济类时间序列的功率谱具有 1 /f特性 ,其分形维数较高 ,而经过一个特殊的线性滤波器后 ,可以用一个低维的非线性系统建模。

一种动态数据的新建模法及其预报应用

文章提出了一种新的动态数据建模法 ,利用观测的数据序列 ,先用双向差分原理反导出一个非线性常微分方程。以此作为微分动力核 ,然后运用自忆性原理建立预报模式 ,我们称之为数据机理自记忆模式 (Data basedMechanismSelf memoryModel) ,简称为数忆模式 ,缩写为DAMSM。多个实例计算表明 ,数忆模式的预报准确率是比较令人满意的 。

基于时间序列模型的机载火控系统精度检测

根据机载火控系统和雷达观测的数据 ,利用时间序列及模型的有关理论 ,用MATLAB进行了仿真和火控精度测定。

运用改进系统建模法对南海气象数据的建模研究

在系统建模理论的基础上,运用改进的动态数据建模方法,对南海气象数据中的温度进行建模并验证了模型的适用性。根据模型推导出格林函数、逆函数和自协方差函数等,并讨论了南海气象数据中温度模型的稳定性、可逆性和合理性。对系统的频率特性和谱函数进行分析讨论,并给出建模过程中的一些图像。根据模型的适用性检验发现,对所研究的气象数据而言,ARMA(4,3)模型是最合适的,具有平稳可逆性。所有的建模和分析过程在MATLAB上实现。实验结果表明这种建模方案简便易行,能够快速准确地确定系统的合理模型。

多维AR序列的最小二乘建模方法

以测量数据处理中广泛应用的最小二乘原理为基础 ,详细阐述了多维AR序列参数估计的最小二乘算法、阶数确定的F检验法 ,并对清江隔河岩大坝 1998年 5月、6月间洪水前夕平差后的GPS观测数据进行了建模和预报 。

对舰面温度数据的建模及其趋势和周期性分析

在系统建模理论的基础上,运用改进的动态数据建模方法,文章对某舰面温度数据进行建模并验证了模型的适用性,然后根据建立的模型进行了趋势和周期性分析.根据模型的适用性检验发现,对所研究的温度数据而言,ARMA(6,5)模型是最合适的,且其具有一定的线性趋势,但周期性不很明显.所有的建模和分析过程均在MATLAB上实现.

基于多维建模的滑坡监测数据挖掘

安全监测是研究和防治滑坡的重要手段之一,而位移监测又是滑坡监测中一种最常用的监测手段。滑坡位移监测数据的分析一般基于平面文件进行,而本研究则基于数据仓库的概念,深入分析滑坡位移监测时间序列数据,使用建模工具Power Designer建立了滑坡位移监测多维模型,在多维数据集的基础上进行数据挖掘分析。以长江三峡库区白水河滑坡位移监测数据为例,设计了滑坡监测数据多维数据集的维、概念层次和度量等,并在SQL Server 2005 Analysis Services软件中使用Microsoft时序算法实现数据挖掘,对滑坡位移进行预测分析,得到的预测数据与实测数据误差很小,表明Microsoft时序算法可用于滑坡监测数据的短期预测。

深基坑变形监测数据时序分析法的建模与预报

基坑变形监测的各种数据一般是以时间间隔构成的随机序列,用时间序列分析的方法进行监测数据的建模与预报是有效处理监测数据的一种手段。本文以基坑监测中有代表性的监测数据-锚杆拉力监测为例,用时序分析的方法对监测数据处理、分析、建立适合的模型以及对数据进行预报等过程进行研究和探讨。

船载设备动态测量数据的建模与参数估计

时间序列分析采用参数模型方式对动态数据进行分析与处理,通过对动态数据建立参数模型来获取动态数据的统计特性。对航天测量船外弹道测量数据,先采用3次B样条函数作为误差分离工具,分离出各测量元素的残差序列,然而运用时序模型选择方法、定阶准则及参数估计方法,为分离出的残差序列建立时间序列模型,确定各个残差序列的模型类型和阶数,估算出其系数,并对拟合结果作独立性检验。

MATLAB在运用系统建模处理南海气象数据过程中应用

介绍了MATLAB语言特点和系统建模方法的基本理论。根据南海气象数据的实际建模处理过程,给出了建模的详细步骤及其MATLAB实现过程以及MATLABTM的主要实现程序。试验讨论和结果表明利用MAT LAB语言可以方便地对南海气象数据用系统建模方法进行建模和处理,MATLAB在运用系统建模法处理南海气象数据方面具有明显的优越性。

非结构化数据特征建模与存储方法研究

为了能够为用户更加直观地提供易理解数据存储查询体验,该文引入时间序列非结构化数据,提出基于时间序列的非结构化数据特征建模及存储方法这一技术思路。以数据特征视角描述时间序列数据,运用此方法成功定义局部、细节数据特征之间的继承、组合具体关系,从而成功复用或定制数据特征类型。提出XML可拓展标记语言,能标记非结构数据不同特征,成功创建非结构化时间序列数据模型,可以表达非结构化时间序列数据,获得包含多个特征信息的子序列结构特征时间序列。依据通用型非结构化数据特征建模,统一定义建模过程,完成关系数据库存储结构设计,能够有效存储时间序列数据以及非结构化数据建模过程中的数据特征描述信息。

模糊时间序列分析初探

对模糊时间序列建模问题进行了理论探讨 。

融合注意力机制的时间卷积知识追踪模型

针对基于循环神经网络(RNN)的深度知识追踪模型存在的可解释性不足和长序列依赖问题,提出一种融合注意力机制的时间卷积知识追踪(ATCKT)模型。首先,在训练阶段学习学生历史交互的嵌入表示;然后,使用基于题目的注意力机制学习特定权重矩阵,从而识别并强化学生的历史交互对每一时刻知识状态不同程度的影响;最后,使用时间卷积网络(TCN)提取学生动态变化的知识状态,在这个过程中利用扩张卷积和深层神经网络扩大序列学习范围,缓解长序列依赖问题。将ATCKT模型与深度知识追踪(DKT)、卷积知识追踪(CKT)等四种模型在ASSISTments2009、ASSISTments2015、Statics2011和Synthetic-5这4个数据集上进行对比实验,实验结果显示,所提模型的曲线下面积(AUC)和准确率(ACC)均有显著提升,尤其在ASSISTments2015数据集上表现最佳,分别提升了6.83~20.14个百分点和7.52~11.22个百分点,并且该模型的训练时间与DKT模型相比减少了26%。可见,所提模型可以更准确地捕捉学生的知识状态,更高效地预测学生未来的表现。