一种基于滑动差分的车辆边缘检测新方法

在基于视频的交通监控系统中,车辆的快速、有效提取是车辆检测中的一个重要环节。在彩色图像中,当车辆出现在道路上时,因为车辆与道路相比颜色上有较大的差异,所以在车辆的边缘像素点上会发生颜色的突变。本文以此为依据,结合车辆的几何信息,提出了一种新的车辆提取算法。此方法通过对彩色图像进行逐行扫描的方式,利用滑动差分滤波器,确定每行的车辆边缘像素点,进而将车辆从图像中提取出来。实验证明,该方法能简单有效地提取车辆。

基于差分自回归滑动平均模型的风电场短期风速预测

目前,风力发电的并网规模越来越大;但是鉴于风力发电特有的间歇性和随机性,难免会对电力系统的稳定运行和电能质量造成巨大影响;也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效地解决该问题。依据风速序列的自相关性以及时序性,提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型。重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测,给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。

采用滑动窗时域有限差分法对不规则地形电波传播预测

为了解决大区域电波传播精确预测时计算量大的问题,采用滑动窗时域有限差分方法对不规则地形上短波频段的地波传播进行预测。将经典FDTD(finite-difference time-domain)与脉冲追踪相结合,采用UPML吸收边界处理有耗地形,使垂直于地面的二维FDTD计算区域随脉冲传播而滑动,在迭代过程中保存必要的场分量,处理后得到不规则地形上的路径损耗与传播路径的关系曲线,并与经典的几何绕射理论的计算结果进行了比较。结果表明,其优点在于保持FDTD全波时域分析准确性高的特点同时降低了计算量。讨论了计算区域在滑动过程中由于包含的后向波信息的局部性对计算结果的影响,以及顶部吸收边界对侧向波的反射带来的误差。数值仿真结果表明了此方法的有效性。

基于滑动倒谱的自动语言辨识

滑动差分倒谱在自动语言辨识的研究中获得了广泛的应用.但是滑动差分倒谱并没有利用语音信号的静态倒谱信息,在方言辨识中的研究表明静态倒谱比差分倒谱含有更多的特征信息.为此,提出了滑动倒谱(SC)的概念,并与滑动差分倒谱特征矢量进行了对比研究.首先利用开发集的语音考察了滑动差分倒谱和滑动倒谱的控制参数在不同取值的情况下对识别性能的影响,利用爬山法确定了这2类特征矢量达到局部最优控制参数组合的路径,然后利用测试集的数据对优化后的2类特征矢量建立的模型进行了闭集辨识和开集辨识.2种情况下的测试结果都表明滑动倒谱的性能优于滑动差分倒谱.并且这2种参数还具有特征互补性,将它们进行决策级数据融合可以进一步提高系统的性能.

ETS和SARIMA流行趋势中的性能比较模型在预测北京市猩红热

收集2004—2019年北京市猩红热月发病人数和人口学资料,采用描述性统计方法和Joinpoint回归调查猩红热的流行病学变化趋势。北京市猩红热发病的平均年度百分比变化为(AAPC=1.866,95%CI:-2.968~6.941;t=0.816,P=0.428),流行趋势总体保持稳定,每年的4—6月和11—12月为发病高峰,呈双季节模式。最优SARIMA模型和最优ETS模型预测的平均绝对误差(MAD)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均误差率(MER)、方根百分比误差(RMSPE)五个误差指标分别为0.586、0.623、0.751、0.296、0.785和0.318、0.282、0.438、0.282、0.338,可见ETS模型的预测准确性高于SARIMA模型,可用来对北京市猩红热流行趋势进行预测预警,从而为猩红热动态精准化防控提供参考依据。

基于SARIMA模型的高校人工智能就业趋势研究

文章利用大数据相关技术,采用Nagao算法、单尺度Retinex(Single Scale Retinex,SSR)算法、季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型,对人工智能专业的就业趋势和供需关系进行分析和预测。研究表明,人工智能专业的就业形势较为乐观,未来几年将持续保持高速增长。同时,及时掌握人工智能专业的就业趋势和供需关系,提高毕业生的实践能力,加强对人工智能专业毕业生就业市场的研究,并深入挖掘人工智能技术的应用价值,以期为社会提供更多的高质量人工智能人才。

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归(ridge regression,RR)解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了有效的预测模型。

基于纵向修正ARIMA的负荷聚合商潜力计算及调峰策略

负荷聚合商组织需求侧资源参与调峰市场和电能量市场时,存在负荷预测准确度不够导致合同购电量误差大、市场界限模糊导致考核结算重复等问题,因此文中提出基于纵向修正差分自回归滑动平均(autoregressive integrated moving average,ARIMA)模型的负荷聚合商潜力计算和调峰策略。首先,利用纵向修正ARIMA算法预测基线负荷,构建负荷聚合商的调峰潜力测算模型,挖掘需求侧资源的可调节能力,为电力市场交易提供数据基础;其次,制定电能量市场与调峰市场的负荷偏差考核方式,以月度滚动时域综合结算收益最大为目标,构建考虑偏差考核的负荷聚合商调峰模型;最后,基于某典型地区负荷聚合商月度历史负荷数据,对所提方法进行算例分析。结果表明考虑负荷偏差考核的负荷聚合商调峰策略可以提升聚合商的调峰收益约23.7%,降低负荷聚合商峰谷差约10%,验证了文中方法的合理性和有效性。

基于自适应高斯混合模型与静动态听觉特征融合的说话人识别

对特征参数和高斯混合模型进行改进,提出了一种特征域和模型域混合补偿的方法用于解决说话人识别特征受噪声影响较大以及高斯混合模型随训练样本长度减小而性能下降的问题。通过模拟人耳听觉,给出了基于伽马通滤波器的伽马通滤波倒谱系数;考虑其只反映了语音的静态特征,提取了能够反映语音动态特征的伽马通滑动差分倒谱系数。基于因子分析技术,利用移动因子表示高斯混合模型的自适应过程,通过训练语料较充分的说话人模型中的均值向量补偿受训练语料长度影响较大的分量的均值向量。仿真实验表明:在纯净背景下,本文方法的识别率达到了98.46%;在不同噪声环境下,本文提出的混合补偿方法能有效提高说话人识别系统的性能。

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。

一种改进动态特征参数的话者语音识别系统

研究语音动态特征参数提取问题,在话者语音识别过程中,动态特征参数可以有效提高识别率。但是传统算法在其提取过程中存在大量干扰冗余信息,造成了识别率降低并带来运算速度的降低。为解决上述副作用,提出在说话人识别系统中,使用一种动态时频倒谱系数参数的方法。上述方法在不减少反应话者个体特征分布特性的前提下,可消除冗余信息并降低样本特征的维度。利用上述方法提取语音特征参数并输入混合高斯-通用背景模型进行说话人语音分类。在Matlab上仿真结果表明,动态时频倒谱系数可有效改进话者语音识别系统的识别正确率。

居住环境宽带电磁辐射的分析与预测

针对居住环境内电磁辐射在周期性规律中混有较多高频分量,导致传统时序建模方法和神经网络方法预测性能受限的问题,提出了一种小波分解与季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型相结合的混合预测方法.该方法根据辐射数据的时频特性,利用SARIMA模型对小波分解得到的主要周期分量和细节分量进行分层预测,以适应居住环境内多种发射源形成的复杂电磁辐射状况.实验结果表明,该方法不仅比单一时序建模方法以及神经网络方法具有更高的预测准确度,而且具有更强的异常值适应性与稳定性.

融合韵律与动态倒谱特征的语音疲劳度检测

通过语音实现疲劳度检测具有操作简单、无创伤和实时性等优点.为了提高语音疲劳度检测的性能,将韵律特征与动态倒谱特征相融合,采用高斯混合模型作为分类器进行语音疲劳度检测.分别考察了梅尔频率倒谱系数、滑动差分倒谱特征以及韵律特征的检测性能.实验结果表明,在单特征时,梅尔频率倒谱系数比滑动差分倒谱特征和韵律特征的检测性能好,对于融合特征,检测性能均比单特征好,将三个特征融合后,检测正确率可达91%.

BSTS和SARIMA模型在河南省丙肝发病趋势预测中的性能比较研究

目的探讨河南省丙肝疫情的时间序列特征,比较贝叶斯结构时间序列(BSTS)和季节性差分自回归滑动平均(SARIMA)模型在丙肝发病趋势预测中的性能。方法收集2013年1月—2022年9月河南省丙肝发病数据,采用普雷斯科特(HP)和相乘季节分解法解析数据的周期和季节模式。使用2013年1月—2021年6月数据分别构建SARIMA和BSTS模型,2021年7月—2022年9月数据测试预测准确性。结果2013—2022年河南省共报告丙肝267968例,2月的季节因子最小(0.85),3月和4月的季节因子较大(分别为1.22和1.11)。BSTS模型预测的平均绝对误差(307.65)、平均绝对百分比误差(18.86%)、均方根误差(409.57)、平均误差率(0.17)、均方根百分比误差(0.27)均小于SARIMA模型(分别为469.29、27.80%、532.59、0.26、0.34),敏感性分析结果相似。使用BSTS模型预测2022年10月—2023年12月河南省丙肝发病总数为27981(95%CI:14729~41612)例,月均发病数为1865(95%CI:982~2774)例。结论河南省丙肝发病处于下降趋势,季节性明显;BSTS模型在动态预测丙肝发病趋势方面优于SARIMA模型,具有更好的应用价值。

基于车流量数据的SARIMA和LSTM组合模型的比较研究

针对同时具有周期性、长记忆性等多种特征的车流量数据,单一地SARIMA或LSTM模型往往拟合效果不理想,而其组合模型可以弥补单一模型的不足。结合线性和非线性预测方法,文中分别建立了三个SARIMA-LSTM组合模型,随后,对车流量数据进行了预测分析,通过与SARIMA、LSTM两种单模型拟合效果的比较分析表明:1)对含周期性和长记忆性的数据,组合模型的预测效果更优;2)基于MA滤波方法的组合模型三比其他两种方法在提升模型预测精度上表现更好。

EEMD⁃SARIMA⁃ETS组合模型在河南省人布鲁氏菌病发病趋势预测中的应用

目的探索集成经验模态分解(EEMD)⁃季节性差分自回归滑动平均(SARIMA)⁃基于状态空间的指数平滑(ETS)组合模型在人布鲁氏菌病发病趋势预测中的应用。方法采用周期分解法分解2005—2019年河南省人布鲁氏菌病的发病趋势和季节模式;采用EEMD方法分解序列包含的不同时间尺度本征模态分量(IMFs)和剩余分量,将数据划分为训练集(2005—2018年)和测试集(2019年),采用ETS和SARIMA模型分别模拟IMFs和剩余分量,构建EEMD⁃SARIMA⁃ETS组合模型,并将其预测准确性与单一SARIMA和ETS模型进行比较。结果2005—2015年河南省人布鲁氏菌病发病率呈上升趋势(APC=53.26%),2016—2019年呈下降趋势(APC=-18.65%),发病高峰在每年的3—6月。获得河南省人布鲁氏菌病发病的最优模型:ETS(A,AD,A)、SARIMA(2,1,3)(0,1,0)12,及由最佳ETS、SAR1MA模型构成的EEMD⁃SARIMA⁃ETS组合。EE⁃MD⁃SARIMA⁃ETS组合模型平均绝对百分比误差(10.36%)<ETS模型(16.20%)<SARIMA模型(27.31%),平均绝对误差、均方根误差、平均误差率和均方根百分比误差同样也小于单一的ETS和SARIMA模型。结论河南省人布鲁氏菌病是季节性疾病,EEMD⁃SARIMA⁃ETS组合模型能准确地预测其流行趋势,可为人布鲁氏菌病精准化动态防控提供参考。

基于雇员数据的时序模型比较

使用某地区的雇员数据进行研究,描述性分析并对多种时序模型展开预测分析,对模型预测效果进行应用对比。具体的研究工作与内容包括:使用描述性分析,展示雇员率的数字特征和分布情况;分别建立季节多元回归模型、三参数指数模型、季节性差分自回归滑动平均模型,并进行预测和分析结果;汇总3种模型的预测结果,分析论证了模型的可用性。

一种静态特征与动态特征结合的方言辨识方法

针对MFCC仅反映语音静态特征导致的方言识别率低的问题,而SDC由于考虑了前后帧差分倒谱的影响,能反映语音的动态特征;同时考虑方言的静态与动态特征,对普通话、上海话、广东话和闽南话4种方言进行MFCC特征和SDC特征提取,将其两组特征组合送入支持向量机进行辨识,并研究了针对4种方言的SDC的局部最优参数组合。仿真实验结果表明,同时考虑方言的静态与动态特征方法的识别率高达92.5%,但识别率的提高是以延长运算时间为代价的。

自动语言辨识的研究方法及发展概述

根据自动语言辨识研究中所采用的识别信息的不同,文章将研究中使用的方法归类为基于声学特征的方法、基于韵律特征的方法、基于音素识别的方法和基于高层语言信息的方法。通过对这些方法进行分类介绍并结合NIST的评测结果分析,阐述了近十几年来自动语言辨识研究的发展情况,最后对进一步研究中存在的问题和发展趋势进行了分析。

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。