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。

基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用

提出了一种新的基于主流形识别的非线性时间序列降噪方法。新的降噪方法将一维时间序列重构到高维相空间,利用非线性降维方法找出动力学系统在相空间中具有全域正交坐标系的低维主流形,然后根据主流形反求一维时间序列,进而达到降噪的目的。对洛伦兹信号进行的数值试验证明,与奇异谱分解等现有非线性分析方法相比,基于主流形识别的降噪方法能更加有效地消除混沌时间序列中的高斯白噪声。将该方法应用于带有断齿故障的齿轮箱振动信号的故障分析中,成功地提取出了淹没在带噪信号中的冲击特征。

局部投影算法及其在非线性时间序列分析中的应用

引入了非线性时间序列的局部投影消噪算法。该算法将时间序列先进行相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中不同的分量。通过Lorenz模型的数值仿真分析,证实了该算法在消除非线性时间序列中随机噪声的效果。此外还讨论了局部投影算法在提取微弱特征信号中的应用。

非线性时间序列井间连通性分析方法

基于非线性时间序列的油藏动态分析方法是把油藏视为一个黑箱非线性系统。建立了单井非线性自回归模型和井组非线性自回归滑动平均模型。前者适用于没有进行注水开发的新油藏,后者是针对已经进行注水开发油藏的时间序列模型。在井组非线性自回归滑动平均模型中,注入井对地层注水视为对油藏系统的输入信号,生产井的产油量、产水量、含水率和井底压力视为对输入信号的系统响应。这种非线性模型通过支持向量机的方法建立起来,然后通过对这个非线性系统的敏感性分析确定生产井和注水井的动态连通关系,并且根据模型可以预测下一个时间段生产井的动态响应。利用该方法针对大庆油田20口井的动态进行了分析,结果表明,85%的预测结果和实际地质认识是符合的。

基于非线性时间序列法研究人体步行稳定性

目的应用非线性时间序列分析方法,研究健康老年与青年志愿者的步行稳定性,为更全面评估人体的动态平衡、预测跌倒风险提供重要依据。方法应用VICON运动捕捉系统,采集肌骨系统健康志愿者(7名老年和10名青年)在不同步速(80%、100%1、20%自然步速)下的运动学数据,提取志愿者在30个连续步态周期中,第7颈椎和第10胸椎在前后和左右方向上的位移,以及下肢各关节屈曲伸展和外展内收运动角度,计算位移和运动角度变化的最大Lyapunov指数,比较分析老年与青年组之间步行稳定性差异,以及步速对人体步行稳定性影响。结果青年组步行稳定性优于老年组,并在某些运动节段呈现显著性差异(P<0.01);老年和青年的步行稳定性随步速增加而降低(P<0.05)。结论应用非线性时间序列分析方法中的最大Lyapunov指数,能有效并定量地评测人体步行中各运动节段的稳定性。

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数 (RBF)神经网络用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题 ,并用于热电厂热负荷预测。预测结果表明 。

估计非线性时间序列嵌入延迟时间和延迟时间窗的C-C平均方法

重构相空间是非线性分析的基础,利用关联积分导出的C-C方法是估计相空间重构参数延迟时间τd和延迟时间窗τw的有效方法。由于混沌系统的初值敏感性和实际序列长度有限并带噪,使得C-C方法估计出的τd和τw具有波动性。为了降低估值偏差,借鉴谱估计中平均法的思想,提出一种不同于已有文献利用整段序列估算τd和τw,而采用对序列分段估值后取平均的方法,并重点讨论了带噪序列的τd和τw估值及序列长度对估值的影响。数值仿真证明这种平均处理方法对τd和τw的估值具有较好的有效性和可靠性。

非线性时间序列的相空间重构技术研究

分析了混沌时间序列相空间重构中常用的C-C方法所存在的四点不足,提出了改进的C-C-2方法。该方法改进了时间序列关联积分的计算方法和参数,利用混沌序列周期N的概念,提出了通过寻找Scor(t)的第一个属于混沌序列周期N的局部极小峰值,来确定最优延迟时间窗口的判断方式;并只寻找平均?S2(t)的第一个极小值来确定最优时间延迟,所得结果更合适、稳定,而且将原算法的抗噪能力由30%提高到80%。

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 .

高边坡开挖变形的非线性时间序列预测分析

在岩体高边坡开挖过程中,可以得到现场的位移监测数据,如何利用现场监测数据来预测高边坡的开挖变形是一件很有实用价值的工作。根据高边坡开挖变形时间序列的非线性特征,应用局域法对三峡高边坡的位移进行了预测分析。把局域法的思想引入到神经网络中去,按照寻找邻近点的原理构造出训练样本,通过神经网络得到的预测值与局域法得到的预测值很接近,并且可以大大地节约计算时间。计算结果表明,对于岩土体工程中的一维监测数据,通过非线性时间序列分析方法可以对其进行预测分析,该方法具有较高的实用价值。

基于双树复小波与非线性时间序列的降噪方法

针对双树复小波变换传统软阈值降噪方法对实、虚部树系数分别进行阈值处理时提取的强背景噪声下轴承故障特征信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真问题,利用故障信号小波变换系数具有周期性与双树复小波系数模震荡小等特点,提出双树复小波变换与非线性时间序列方法相结合的强背景噪声下轴承故障特征提取方法。对故障信号进行双树复小波变换,获得各层小波系数并求模,选择系数模周期性较强层系数进行非线性时间序列处理,增强系数中周期性成分,抑制随机噪声;对增强后系数进行软阈值处理消除直流成分对提取结果的影响;将处理后系数还原为复数形式进行双树复小波重构,可成功提取弱故障特征信号。仿真、试验信号处理结果表明,该方法能有效提取强背景噪声下的故障特征信号。

PSO-RBFNN模型及其在岩土工程非线性时间序列预测中的应用

岩土工程受力变形演化是一个典型的非线性问题,其演化的高度非线性和复杂性,很难用简单的力学、数学模型描述,但可用粒子群优化径向基神经网络对岩土工程应力、位移非线性时间序列进行动态实时预测。网络径向基层的单元数通过均值聚类法确定后,所有其它参数:中心位置、形状参数、网络权值,均通过粒子群优化算法在全局空间优化确定。工程实例应用表明,该模型预测结果准确、精度高,有良好的应用前景。

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。

基于相重构和主流形识别的非线性时间序列降噪方法

提出了一种基于相重构和主流形识别的非线性时间序列降噪方法.带噪的时间序列在高维的相空间中其本质特征隐含在一个低维的主流形中,利用局部切空间变换方法提取其主流形,再根据主流形对时间序列进行重构,就可以达到降噪的目的.与现有的非线性时间序列消噪算法不同,基于主流形的消噪算法更强调时间序列的整体结构.数值仿真分析的结果验证了该降噪方法能有效地消除非线性时间序列中的高斯白噪声.

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上,首次提出混合广义自回归条件异方差(MixtureGeneralizedAutoregressiveConditionalHeteroscedasticModel简记MGARCH)模型;给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分条件;给出该模型参数估计的EM算法;利用BIC定阶准则对MGARCH模型的各成份进行定阶;计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力,有广阔的应用前景。

基于神经网络的非线性时间序列故障预报

对模型未知非线性系统,将系统输出组成时间序列并通过空间嵌入的方法转化为一个离散动态系统．利用线性AR模型拟合时间序列的线性部分,用神经网络拟合时间序列的非线性部分并补偿外界未知的扰动,提出了通过对状态的观测实现时间序列一步预测的方法．利用滚动优化的思想将一步预测推广,提出了时间序列的N步预测方法,证明了时间序列预测误差有界．通过对预测误差进行概率密度估计和检验,提出了故障的预报方法．对F-16歼击机的结构故障预报结果表明了方法的有效性．

转子碰摩振动响应的非线性时间序列分析

针对碰摩转子系统的非线性特性 ,采用动力学非线性时间序列分析的方法对其振动响应进行了分析研究。基于动力学重构的基本理论 ,对碰摩转子响应进行了状态空间重构。在此基础上 ,进一步对碰摩转子系统振动响应进行了相关维数的估计 ,不同的相关维数值表明了系统是处于周期或拟周期运动 ,还是处于含有拟周期的混沌运动 ,或者是明显的混沌运动。系统碰摩严重时的相关维数值会比碰摩较轻时的相关维数值大 ,进一步对实验数据的计算结果也证实了这一点。

非线性时间序列高性能仿真算法研究

系统相空间重构和几何特征值计算是非线性动力系统仿真的重要过程。因其算法时空复杂度较高而计算耗时,为实时仿真非线性时间序列带来了困难。对相图重构算法和几何特征值计算算法进行了优化,使其时间复杂度有不同程度的降低;进而并行化这些算法,使其效率进一步提升,最后算法运行时间缩短为原运行时间的1/30。以长程睡眠脑电数据分析和仿真为例,分析结果表明关联维的高低能够反映出睡眠的阶段,据此对非快速眼动睡眠期的仿真预测与实际结果相符。

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Ra-dial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-RBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.

日径流非线性时间序列分析模拟预报

以实测日径流资料为基础 ,首先判断时间序列的非线性性 ,而后利用神经网络理论非线性方法对实测的日径流非线性时间序列进行分析研究 ,以此说明非线性时间序列的建模与预测。