基于一类非线性时间序列模型的锂离子动力电池建模研究

伴随着新能源产业的飞速发展,锂离子动力电池作为一种高效的储能方式,已成为电动汽车的重要组成部分。在电池管理系统的功能中,电池的高精度建模至关重要。在实际应用中,电池不是一个线性系统,其输入和输出由于外部扰动等原因表现出非线性特征,从而直接影响参数识别效果,进而影响模型精度。鉴于此,本文对锂离子动力电池进行了Hammerstein-ARMAX(Autoregressive MovingAverage with Extra Input)模型构建,并对模型参数的估计方法进行研究,旨在提高模型的准确性。实验结果表明了该方法的有效性。

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型。但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunctionmodels)。与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构。在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考。

误差为线性时间序列下的回归模型

本文获得线性时间序列加权和的渐近正态性，推广和改进了Tran等人在[1]中得到的结果．还得出了另一种通常采用的g(x)的近邻型估计的渐近正态性．

线性回归与时间序列加法预测模型

线性回归和时间序列预测模型各有千秋 ,本文将它们结合起来 ,提出了一种线性回归与时间序列加法预测模型 ,它提高了拟合度和预测能力。

非线性门限自回归模型用于时间序列的外推预报

对一些呈非线性变化的时间序列，如果勉强用线性统计模型来描述，效果往往不理想。本文利用非线性的自激励门限自回归模型（ＳＥＴＡＲ）、开环门限自回归模型（ＴＡＲＳＯ）对我省记录年代较长的烟台年降水量序列进行建模分析，并探讨分析了模型的稳定性，最后利用稳定的ＳＥＴＡＲ模型进行外推预报。

基于m-WOD序列非参数回归模型线性加权估计的完全收敛性

利用m-WOD序列的性质和概率不等式,研究了基于m-WOD序列的非参数回归模型线性加权估计的完全收敛性并得到了其收敛速度.首先,给出了研究需要用到的预备知识.然后,证明了m-WOD序列的非参数回归模型线性加权估计的完全收敛性及其收敛速度.最后,以最近邻估计为例,验证了相应的完全收敛性及其收敛速度的正确性.

基于非线性时间序列的门限自回归模型建立

目前门限自回归模型是最受大家关注的预测模型。本文以太阳黑子非线性时间序列为研究对象,建立门限自回归预测模型。通过一些相关分析技术来确定预测模型中的门限区间个数和门限值的寻优范围,然后优化门限值和TAR模型的自回归系数。通过实验结果分析表明,门限自回归预测模型能够对非线性时间序列进行精确预测。

基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

多元线性回归与时间序列模型在股票预测中的应用

根据上证00001股股票的日线数据,建立多元线性回归和时间序列的预测模型,在对未来数据未知的情况下,利用R语言分析软件预测得出多元线性回归模型和时间序列模型中的回归参数,并评估模型精度。计算结果显示,模型的拟合精度较高,可以较好地拟合该股票数据。

遗传门限自回归模型在气象时间序列预测中的应用

提出了建立门限自回归模型（TAR）的一套简便通用的方法。用基于实码的改进遗传算法,可同时优化门限值和自回归系数,解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型在气象预测中的广泛应用提供了有力工具。实例计算的结果说明:通过门限值的控制作用,TAR模型可有效地利用气象时序资料所隐含的时序分段相依性这一重要信息,限制了模型误差,保证了TAR模型预测性能的稳健性,提高了预测精度。该方法具有通用性,在各种气象非线性时序预测中具有广泛的实用价值。

时间序列自回归模型预测茶园小绿叶蝉种群动态的探讨

选定西湖龙井茶叶原产地的优质丰产茶园、普通丰产茶园、山林间茶园、种质资源圃和茶-林间作等5类代表性茶园,从2007年4月20日～12月26日,5 d 1次调查假眼小绿叶蝉种群数量,作为时间序列自回归模型的数据源。据此对自回归模型预测假眼小绿叶蝉种群动态的可行性、建模步骤及准确性验证进行了探讨。与其他相关预测模型相比,自回归模型显得简便易行实用。

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.

非线性位移时间序列分析模型的进化识别

引入进化算法的全局优化思想,结合时间序列分析的基本理论,提出了一种新的岩土结构变形非线性动力学演化特征的进化识别算法·设计了能自动确定输入时步长度以及非线性动力学模型结构和参数的分步进化方案,对非线性时间序列分析模型的结构和参数进行全局最优搜索·将该方法用于三峡永久船闸高边坡开挖变形的预测分析,取得了满意的效果,提供了一个有效的岩土工程设计与施工的分析工具·

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.

基于相关向量回归的非线性时间序列预测方法

针对非线性时间序列预测建模的复杂性和不确定性,提出一种基于相关向量回归的非线性时间序列预测方法。该方法在传统的核函数基础上,融入Bayesian推理框架,得到具有概率特性的预报结果,无须对误差/边界参数进行预估计,具有学习算法简单、易实现的特点。仿真计算表明,该方法能反映非线性时间序列的内在特性,预测结果较好。

基于非线性时间序列的预测模型检验与优化的研究

模型的适用性检验和参数优化是系统建模的最关键环节,对于预测模型的适用性检验,常采用残差方差图、最小信息准则和AIC准则等方法,存在计算量大、准确性低、模型不唯一等缺点.本文给出采用自相关系数和偏自相关系数的拖尾先对ARIMA模型检验,再对其进行F适用性检验,克服了由于观测样本的长度是有限的,偏相关的估计存在误差,拖尾时不能为ARMA定阶的缺陷,并采用具有超线性收敛性等诸多优点的变尺度法对模型参数进行了优化,得到了较为精确的、单一AIRMA模型,该方法可应用于网络流量模型的适用性检验和模型优化,为网络流量的预测、异常检测和服务器负载预测的应用奠定了坚实的基础.

时间序列的自回归模型在杨凌地区降水量预报中的应用

对平稳时间序列的理论和方法,自回归模型[1]的概念,定阶,模型建立,预报,平稳性进行了综述。通过对杨凌张家岗气象站1935—1955年的四季降水量建立自回归模型,利用所求得的模型对1956年的四季降水量进行了预报。结果表明,该模型对冬季降水量预报效果最好,接下来依次为秋季、夏季、春季。因此平稳时间序列预报方法适用于预报变化比较缓和、持续性和周期性比较好的天气,对变化剧烈的天气和转折性的天气的预报能力较差。

一类非线性系统的基于时间序列的多模型自适应控制

针对一类非线性离散时间系统,提出了一种基于时间序列的多模型自适应控制器(Multiple models adaptive controller,MMAC).该控制器首先利用聚类方法建立多个线性固定模型,然后,利用系统的时间序列和方向导数建立一个反映工作点变化趋势的局部加权模型,在此基础上增加了一个全局自适应模型和一个可重新赋值的自适应模型,并设计了一个切换机构选择最优模型实现控制.仿真结果表明该控制器不但具有良好的暂态性能、较快的控制速度,而且在相似的控制效果下,可以极大地减少模型的数量.

ANN非线性时间序列预测模型输入延时τ的确定

用神经网络 (ANN)建立非线性时间序列预测模型时 ,ANN输入数据延时间隔τ的选取是必须考虑的一个方面 .目前关于延时间隔τ选取的流行做法是 :将τ确定为相空间重构时的最佳延时τs.本文提出了与此不同的观点 ,即神经网络输入数据延时间隔τ的选取与τs 无直接关系 .综合考虑其他一些因素 ,认为ANN输入数据延时间隔τ取为 1是最为合理的 .

基于带回归权重RBF-AR模型的混沌时间序列预测

提出了用带回归权重的径向基函数(radial basis function,RBF)网络来逼近状态相依自回归(autogressive,AR)模型中的函数系数,得到了带回归权重的RBF-AR模型。在这种模型中,RBF神经网络的输出权重已不是单一的常量,而是输入变量的线性回归函数。一种快速收敛的结构化非线性参数优化方法被用来估计提出的模型,辨识出的模型用来预测两组著名的混沌时间序列:Mackey-Glass时间序列和Lorenz吸引子时间序列。实验结果表明,提出的模型在预测精度上要优于其他一些现存的模型。