基于滤波原理的时间序列差分隐私保护强度评估

针对目前相关性时间序列差分隐私保护方法没有统一的攻击模型,且不同方法的隐私保护强度无法进行横向比较和度量的问题,设计一种攻击模型。由于这些方法加入的噪声是独立同分布的,且相关性时间序列可以看作短时平稳过程,根据信号处理中滤波的原理,设计一个线性滤波器作为攻击模型以滤除部分噪声。实验结果表明,该攻击模型有效,并为各方法的隐私保护强度提供了统一的度量。

时空相关面板数据模型估计方法研究

文章将局部空间相关性和时间序列相关性引入面板数据模型分析框架,提出时空相关面板数据模型。在模型估计上,为克服极大似然估计法(ML)在运算上的困难,文章提出采用等权重GMM和最优权重GMM估计方法估计模型误差项方差系数及序列相关系数,并在此基础上,提出采用可行广义最小二乘法(FGLS)估计模型参数,解决了经济计量实证研究中同时存在空间相关性与序列相关性情形下的参数估计。

基于混合模型的油松林分蓄积量预测模型的建立

【目的】建立预估精度高的林分蓄积量混合模型,为北京地区不同初期密度油松林分提供个性化模型方程,为森林经营和采伐利用提供重要理论依据。【方法】以北京地区76块油松连续清查样地为研究对象,按初期的油松林分密度(ID)将油松样地分为Ⅰ(ID<400株/hm^2)、Ⅱ(400≤ID<800株/hm^2)、Ⅲ(800≤ID<1 200株/hm^2)、Ⅳ(1 200≤ID<1 600株/hm^2)、Ⅴ(ID≥1 600株/hm^2)5个水平,选用以断面积和优势木平均高为自变量的线性模型构建油松蓄积量基础模型,在基础模型上分别考虑油松林分的密度水平效应、样地效应和嵌套两水平效应,用R语言的nlme模块建立油松混合效应模型,并用平均绝对误差||、均方根误差RMSE、决定系数R^2 3个评价指标检验模型的拟合效果。【结果】拟合嵌套两水平混合模型决定系数R^2为0.998 2,高于密度水平效应和样地效应2个单水平混合模型,且||和RMSE均小于2个单水平混合模型;嵌套两水平混合模型的、RMSE分别为0.069 8和0.100 6,比基础模型降低了78.86%和82.39%。指数函数异方差结构和[ARMA(1,1)]时间序列相关性结构加入混合模型后,模型拟合精度均有一定提高。【结论】单水平和嵌套两水平混合模型拟合精度均高于基础模型,嵌套两水平混合效应模型拟合精度优于基础模型和单水平混合模型,指数函数能够消除数据间的异方差,[ARMA(1,1)]结构能够较好地表达样地间的误差相关性。

基于非线性混合模型的落叶松云冷杉林分断面积模型

以吉林省汪清林业局金沟岭林场20块落叶松云冷杉样地为研究对象。首先选择传统的回归方法从4个常用的断面积模型中找出模拟精度最高的模型作为基础模型,利用基础模型及模拟数据构建非线性混合模型,考虑样地效应,采用SAS软件进行模拟,选择模型收敛及其对数似然值、AIC和BIC值最小的混合模型作为最优模型;然后,在此基础上考虑断面积连续观测数据的时间序列相关性,并把间伐强度以哑变量形式考虑进去,再进行混合模型的模拟;最后,利用验证数据对混合模型方法与传统的非线性回归模拟方法进行精度比较。结果表明:林分密度指数作为自变量的Schumacher式的模拟精度最高,而考虑样地效应的混合模型模拟精度优于传统的回归模型方法;一阶自回归误差结构矩阵模型在解释断面积的时间序列相关性时不仅提高了混合模型的模拟精度,而且能够很好地表达连续观测数据间误差分布情况;同时考虑样地的随机效应、观测数据的时间序列相关性及间伐强度的混合模型模拟精度比传统的非线性回归方法模拟精度高。

面向有损链路的传感网压缩感知数据收集算法

基于压缩感知的数据收集算法在能量受限、数据冗余的无线传感网中有巨大的应用潜力,现有研究大多假定无线链路理想.通过实验说明,有损链路丢包会严重影响压缩感知数据收集算法的数据重构质量.提出了一种基于重传与时间序列相关性预测(CS data gathering based on retransmission and time series correlation prediction,简称CS-RTSC)的数据收集算法,将有损链路上的丢包建模为随机丢包和块状丢包,设计了基于滑动窗统计的丢包类型预判算法,在检测到链路丢包时判断丢包类型,对随机丢包采用重传恢复,对块状丢包设计了基于时间序列相关性预测算法恢复.仿真结果表明:该算法能够有效降低有损链路丢包对CS数据收集的影响;在网络丢包率达到30%时,CS数据重构的相对误差仅比理想链路下的CS相对重构误差高0.1%.

基于纵向数据非线性混合模型的杉木林优势木平均高研究

以江西省大岗山实验局不同初植密度的杉木林为研究对象,选择修改的Richards模型形式,考虑样地效应,采用SAS软件进行非线性混合效应模型的模拟,利用AIC和BIC值评价模型模拟效果。在此基础上考虑优势木平均高连续观测数据的时间序列相关性,并把初植密度以哑变量形式考虑进去,再进行混合模型的模拟。最后,利用验证数据对混合模型方法与传统的非线性回归模拟方法进行精度比较。研究结果表明,修改的Richards形式的优势木平均高与林龄关系的非线性混合效应模型,其估计精度比传统的回归模型估计精度明显提高,增加随机效应参数个数能够提高模型的估计精度。一阶自回归误差结构矩阵模型在解释优势木平均高的时间序列相关性时不仅提高了混合模型的模拟精度,而且能够很好的表达连续观测数据间误差分布情况;同时考虑样地的随机效应、观测数据的时间序列相关性及不同初植密度的混合模型模拟精度比传统的非线性回归方法模拟精度高。

基于LoCo的震前地磁场Z分量异常信号分析

对甘肃岷县-漳县6.6级地震震前震中距1 000 km内的13个地磁台站的地磁场Z分量的分钟值进行数据分析,研究其在地震前的地磁变化规律。文中将台站分为4组,随后按组计算两两台站间的LoCo评分,尝试提取与地震事件相关的异常信号,发现:(1)四组数据出现了较为一致的异常信号,主要为两次临震异常,第一次为7月初至7月6号,持续时间通常为4～6天,第二次为7月8日～7月9日,通常为2天;(2)四组台站的LoCo计算结果总体上均呈现"平稳—震荡—平稳"的特点;(3)异常出现时刻和异常的持续时间较为一致;(4)异常最低值出现时间基本统一,均出现在第一点中捕捉到的两次异常信号。结果表明,该方法虽然不能明确指出提取到的异常信号与地震事件的确切联系,但该方法能够从地磁场观测数据中提取异常信号,且提取到的异常信号与地震事件相关度良好。

MULTIVARIATE ABSOLUTE DEGREE OF GREY INCIDENCE BASED ON DISTRIBUTION CHARACTERISTICS OF POINTS

The analysis result of absolute degree of grey incidence for multivariate time series is often inconsistent with the qualitative analysis. To overcome this shortage, a multivariate absolute degree of grey incidence based on distribution characteristics of points is proposed. Based on the geometric description of multivariate time se- ries, the neighborhood extrema are extracted in the different regions, and a characteristic point set is constructed. Then according to the distribution of the characteristic point set, a characteristic point sequence reflecting the ge- ometric features of multivariate time series is obtained. The incidence analysis between multivariate time series is transformed into the relational analysis between characteristic point sequences, and a grey incidence model is established. The model possesses the properties of translational invariance, transpose and rank transform invari- ance, and satisfies the grey incidence analysis axioms. Finally, two cases are studied and the results prove the ef- fectiveness of the model.

Interval Sampling Method for Steady-State Simulation Output Analysis

A new algorithm namely the interval sampling method, applicable to the analysisof steady-state simulation output is proposed. This algorithm uses the time series analysisto carry out conrrelation analysis of the steady-state simulation output so as to obtain theobservation data which are actually uncorrelated in nature. On the basis of theseuncorrelated data gathered, some satisfactory deductions cam be made on the data under re search. A comparison between batch means method and the interval sampling method hasbeen performed by taking the M/M/l queuing system as an example. The results attestedthat the interval sampling method is mere accurate than the batch means method.

Dynamic multivariate multiscale entropy based analysis on brain death diagnosis

The recently introduced multivariate multiscale sample entropy(MMSE)well evaluates the long correlations in multiple channels,so that it can reveal the complexity of multivariate biological signals.The existing MMSE algorithm deals with short time series statically whereas long time series are common for real-time computation in practical use.As a solution,we novelly proposed our dynamic MMSE(DMMSE)as an extension of MMSE.This helps us gain greater insight into the complexity of each section of time series,producing multifaceted and more robust estimates than the standard MMSE.The simulation results illustrated the feasibility and well performance in the brain death diagnosis.

DEPENDENCE ANALYSIS OF REGRESSION MODELS IN TIME SERIES

In this paper, the relative dependence of a linear regression model is studied. In particular, the dependence of autoregressive models in time series are investigated. It is shown that for the first-order non-stationary autoregressive model and the random walk with trend and drift model, the dependence between two states decreases with lag. Some numerical examples are presented as well.