考虑局部趋势的非一致性水文频率分析方法

变化环境下水文序列常表现出非一致性,导致基于独立同分布假设的频率分析方法受到严峻挑战,故亟需研究适用于非一致性水文序列的频率分析方法。针对具有趋势变异的水文序列,提出了一种考虑局部趋势的非一致性水文频率分析方法:以具有局部与整体趋势识别能力的滑动窗口趋势分析法诊断序列;构造时变概率分布模型组,采用融合了贝叶斯理论的广义极大似然法估计模型参数;优选模型并按照等可靠度原则推求设计值及置信区间。应用该方法对甘肃石羊河流域红崖山水库站年径流量序列开展了实例研究,结果表明从设计值及95%置信区间角度看,所提方法与现行的一致性频率分析方法及考虑整体趋势的时变分布方法相比存在一定的差异,揭示了在准确识别序列局部或整体趋势成分的基础上,开展非一致性水文频率分析有助于合理估计设计值。

汽车零部件压装曲线局部趋势判断算法研究

汽车零部件压装曲线局部趋势判断的现有实现算法存在诸多的缺陷,在实际运用过程中经常导致测控软件的误判。为了满足汽车零部件压装过程中日益严格的监控和考核要求,本文提出了一种新的阈值限定算法。在实验室的100多次试验和工厂中逾10万次的压装应用中,该算法的正确率均达到了100%,表明该算法具有极高的可靠性。

闽江流域年径流序列整体与局部趋势特征分析

应用Mann-Kendall法和滑动平均法以及差积曲线法,对闽江流域竹岐站1936-2004年径流序列的整体趋势特征和局部趋势特征进行了分析。结果表明：闽江流域径流整体趋势减少,但无显著性;滑动平均法和差积曲线法划分时段分析局部趋势,呈现分阶段增加或减少趋势,但也都没有显著性;只是丰水期的趋势变化程度在丰枯期划分的三个时段中最大,增加相对明显。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

局部线性趋势模型单位根检验量分布与Bootstrap检验

本文引入局部趋势概念,研究数据生成和检验式都含有趋势单位根过程中伪t检验量的分布,结果表明该分布为标准正态分布与第四种DF分布的混合体,并揭示了向这两类分布转化的条件。为摆脱伪t检验量受到特定参数约束而不能用于实证分析的困境,本文提出了Bootstrap检验方法,并从理论上证明该方法可用于水平检验和功效研究,埃奇沃思展开进一步证实该方法能够降低水平扭曲。蒙特卡洛模拟结果显示,Bootstrap检验量具有最高检验正确率,检验功效在一定条件下也能与标准正态分布的检验结果相媲美,说明Bootstrap方法可以用于此类模型的单位根检验。

基于局部加权周期趋势分解算法和注意力机制的变压器顶层油温多步预测

首先,应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。

基于局部去趋势波动分析的油菜光谱红边位置确定方法

对油菜的冠层光谱进行研究,利用局部去趋势波动分析提出了一种红边位置的提取方法,并与最大一阶导数光谱法、倒高斯拟合法、线性四点插值法、拉格朗日插值法、多项式拟合法、线性外推法等6种常见的红边位置确定方法作对比。以油菜角果期冠层光谱红边位置所对应的多重分形指标Hurst指数和另外6种方法提取的红边位置所对应的光谱值为特征,用支持向量机和随机森林2种分类器建立定性识别模型,识别直播和移栽2种种植方式、1万株/667m^2和2万株/667m^22种密度。以平均识别率为评价指标,结果表明,利用局部去趋势波动分析的提取方法具有较好的识别率和稳定性。

探测Antrim页岩气生产力区域趋势和其它空间表述的经验方法以及利用局部非参数评估技术改进资源预测的重要性

本项研究的主要目的是：（1）研究通过历史生产数据揭示的非常规天然气资源建立区域趋势的经验方法；（2）确定是否需将更多的区域趋势知识加入到一套以前建立的局部非参数资源预测算法中，以便对评估成果产生影响。把三种不同趋势方法应用于来自密歇根盆地泥盆系Antrim页岩气区的公开有效生产数据（井的最终采收率（EUR）共计80英亩单元）。这种方案可用于鉴别页岩气区内网格EUR值的东南．西北趋势。在一般意义上，这与该州的主要裂缝和构造方向一致。然而，资源预测算法中包括的这种趋势并不能改善最终结果。进一步分析结果表明，网格EUR值之间存在有可能抑制区域趋势作用的群集。虽然相关地质文献中提供了一些可能的解释，但出现这种群集的成因并不能完全理解，且有时会导致获得不可预测的结果。通过应用适当数据，更好地理解这种群集现象可以获得控制Antrim页岩气产量的有关因素及其相互作用的重要信息。进而，有助于为更好地评估Antrim页岩气区或其它页岩气区的资源而建立一种更普遍的方案。

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

基于组合代理模型的三角履带轮多工况疲劳优化

应急救援车辆的三角履带轮需要在各种地形和路况条件下具备高机动性和可靠性。针对三角履带支撑架在多工况疲劳优化中的计算时程过长问题,以组合代理模型来加速优化求解,为了保证代理模型的精度,提出新的代理模型评价指标。首先,对可更换三角履带轮的支撑架在四个工况下的疲劳寿命进行分析;然后,以克里金模型和响应面模型为基础对支撑架的质量及四个工况的疲劳寿命进行组合代理模型的构建,其中,为了在寻优过程中更易逼近组合代理模型的全局最优点,使得预测值和观测值具有一致的凹凸性,提出了局部趋势误差作为构建组合代理模型的评价标准;最后,对支撑架的数学模型进行了尺寸优化。结果表明,组合代理模型不但保证了计算精度,而且具备一定的鲁棒性,减重后的三角履带轮在保证质量的前提下寿命提高了43.59%。

生理时间序列的一种符号化分析方法

提出了一种分析生理时间序列的方法,即对重构的相空间进行符号化分析.因生理时间序列通常是非平稳的,为去除时间序列中的局部趋势、提取时间序列的波形特征,相空间中的向量被归一化,从而具有相同的均值和标准差.然后,引入最大拓扑熵(MTE)原则来寻找相空间的适当划分以实现向量的符号化.采用Logistic映射和人体运动信号检验的结果表明,用MTE原则比用最大熵原则得到的划分更接近最优划分.原时间序列的波动特征用出现的字模式个数与所有可能的字模式个数之比以及字模式分布概率的Shannon熵来描述.对人体运动信号的分析结果表明,该方法能够有效区分不同生理状态下的时间序列.

基于多重分形理论的油菜缺素叶片特征提取

为描述油菜缺素叶片图像的特征,该文提出了一种基于多重分形去趋势波动分析方法,即局部多重分形去趋势波动分析。该方法确定的hij(q)指数能有效刻画叶片图像每个像素点的多重分形特征,并以所有像素点hij(q)的平均值Lhq表征每幅图像的多重分形特征。选取4种油菜缺素叶片图像进行试验,结果表明所提取局部多重分形去趋势波动平均指数Lhq能很好地区分叶片,并通过方差分析指出当q={-10,-9,-8,-7,-6}时的Lhq区分效果最好。最后基于每个像素点的hij(q)指数利用模糊C均值聚类对缺镁油菜叶片图像进行模糊分割,并与传统的灰度值分割及经典的基于容量测度的Holder指数分割进行了对比试验,结果表明以上述hij(q)为特征具有最佳的分割效果。

基于HDAD的异构航空数据异常检测的研究

飞行数据记录仪(FDR)在每一次飞行中都记录了大量的航空观测数据,航空数据属于多元时间序列,具有高维和异构的特点。为了检测出其中的异常飞行记录,提出了一种异构航空数据的异常检测模型HDAD(Anomaly Detection for Heterogeneous Data)。HDAD模型分别使用基于局部趋势的向量表示法SMV(Slope-Mean Vector)和基于变化点的方法分别对连续特征的时间序列和离散特征的时间序列进行压缩表示。经过验证试验表明SMV表示法与SAX,PCA相比,能够更加精确的表示时间序列的信息。通过仿真,使用HDAD模型对合成航空数据集与真实航空数据集进行异常检测,实验结果表明,所提出的HDAD模型能够检测出FDR数据中可能存在的潜在异常,有助于航空公司对FDR数据进行进一步的分析。

基于时变功率谱的激光器调谐瞬时线宽测量方法研究

半导体激光器的线宽通常采用激光外差测量技术,通过差拍信号的功率谱密度函数来确定,受傅里叶变换方法的限制,得到的均是在一定时间段内的静态平均线宽。为了获得半导体激光器在电流调谐过程中的瞬时线宽特性,提出了利用时变功率谱获知调谐瞬时线宽的相干和非相干测量方法,并分别进行了理论分析和实验验证。首先对半导体激光器输出光信号及差拍信号进行了时间-频率域下的数学描述,确定了时变功率谱与调谐瞬时线宽的关系;其次,针对差拍信号的趋向性特征,提出了趋势局部均值分解方法,并研究了利用分解出的乘积函数建立差拍信号及激光器输出光信号的时变功率谱的方法;最后利用非相干和相干测量法分别获得了分布反馈式半导体激光器在50~51及50~100mA锯齿波电流调谐过程中的瞬时线宽。

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.

局部曲面正切曲率与流线曲率的水流路径算法

在局部特殊地形如细窄的沟渠等地带,水流方向可能是惟一的,即当前点的水应全部流入下游惟一的格网点,此时若采用多流向算法不仅会导致水流方向产生较大误差,而且可能影响区域汇水面积的精确计算。为解决此问题,本文提出了一种水流路径算法,该算法通过以各格网点为中心建立3×3窗口范围内的局部趋势面,利用该点在局部趋势面中的正切曲率和流线曲率选取合适的单流向或多流向算法来确定并计算该点的水流流向及流量分配比例。最后通过实例证明了该方法在水流累积量计算中的良好效果,并在一定程度上为格网DEM沟谷段和分水线段的提取奠定了基础。

局部平稳性未知条件下STAR模型的线性性检验

本文讨论了局部随机游走STAR模型、局部随机趋势STAR模型的线性性检验问题,构造了Wald类检验统计量,推导出了这些统计量的极限分布,并分析了这些统计量有限样本下的统计特性;本文提出了在局部平稳性未知的条件下,进行STAR模型的线性性检验方法,构建了稳健的检验统计量。检验功效与检验水平分析表明,该统计量具有良好的检验水平及较高的检验功效。

基于建筑物激光点云边缘线自动提取提高DSM精度

在机载激光雷达扫描过程中,建筑物背面的地面边缘线常常被遮挡,无法获取精确的建筑物背面边缘点信息,在利用获得的激光点云进行三维重建时,使得创建数字表面模型(DSM)的精度较低。为消除背面边缘点缺失造成的DSM精度降低,提出了一种建筑物地面缺失边缘线的自动提取算法;通过提取建筑物侧面和地面局部点云的拟合趋势面,计算两相邻局部趋势面的交线,并补充缺失部分的边缘点数据;最后采用补充了边缘点的建筑物激光点云重建了建筑物的DSM,并对边缘点补充前后的DSM精度进行了对比仿真实验。仿真结果表明,通过提取和补充建筑物的边缘点可有效提高建筑物重建DSM的高程精度。

基于区域缠绕法的复杂型体轨迹规划研究

针对参数化缠绕方法不适于复杂型体缠绕轨迹规划的问题,提出了区域缠绕法。该方法通过对纤维缠绕受力分析,基于网格理论和局部趋势面理论,建立了纤维稳定缠绕数学模型,并给出了算法实现流程,为纤维缠绕复杂型体提供理论基础。

基于STL的海表面温度预测算法

海表面温度是海洋科学研究中重要的参数之一,有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性,首先利用基于局部加权回归的周期趋势分解方法将原始海表面温度序列分解为周期项、趋势项和余项,挖掘海表面温度的潜在信息并去除序列中的随机噪音,再结合长短期记忆网络模型的优点,搭建神经网络来预测未来5天内的海表面温度。通过与其它模型的预测效果进行对比,实验结果表明,本文方法在预测海表面温度时具有较好的预测精度,能够实现海表面温度的有效预测。