基于非线性自回归神经网络模型对生活垃圾产生量的预测

旨在建立生活垃圾产生量预测模型,更好的预测生活垃圾产生量,以便有序筹划生活垃圾处置设施和构建灵活的收运调配体系。方法采用非线性自回归神经网络(NAR),通过调整延迟阶数和隐含层神经元个数等模型参数,建立基于生活垃圾产生量的历史时间序列预测模型。实验结果显示,NAR神经网络时间序列模型对于北京市生活垃圾产生量有较好的预测能力,当延迟阶数为5,隐含神经元个数为10时,预测模型测试集的r值为0.9717,平均绝对百分比误差为3.385%,均方根误差为5051.831 t/w,预测模型通过了残差序列非自相关检验,预测效果较好。结论表明针对生活垃圾产生量数据可以开展NAR神经网络模型非线性自回归预测,且可不用考虑其它相关影响因素数据的可获得性,具有一定的便利和实际应用意义。

基于改进非线性自回归网络的洪水预测算法

针对流域的洪水预测具有高度非线性和随机性的问题,提出了一种混合预测模型用于流域的洪水预测.该模型是一个集成了数据预处理模块的具有外部输入的非线性自回归神经网络,采用小波变换进行时间序列分解,利用多基因遗传编程进行细节缩放,以提高时域和频域特性的提取能力,进一步捕获时间序列的非平稳性,与NARX结合可以大幅提高洪水预测的准确性,利用栾川水文站15年中所测水文数据对所提模型进行验证和测试.实验结果表明,相比较于传统算法和其他预测算法,所提出的算法具有更高的预测准确度和性能,可广泛应用在洪水预测等领域.

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.

基于非线性自回归神经网络和随机森林算法的核电汽轮机组出力优化

针对国内某核电站夏季工况出力不足的问题,提出一种基于非线性自回归神经网络和随机森林算法优化核电汽轮机组出力的方法。非线性自回归神经网络能实现季节性时间序列的准确预测;随机森林算法对异常值不敏感、具有较强的泛化能力,被广泛应用于分类和回归问题。文中应用非线性自回归神经网络建立海水温度时间序列预测模型,应用随机森林算法建立海水温度和电功率设定值对高压调节阀开度和热功率的影响关系的回归模型,将2个模型相结合,获得未来24h的电功率设定值优化曲线,机组运行人员可根据该优化曲线调整机组出力。通过该核电站的历史运行数据,验证了该方法的有效性,采用电功率设定值优化曲线设定机组出力,将在保证机组运行参数不超限的情况下,有效提升机组的夏季出力,提升机组经济性。

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.

具有外生变量部分线性自回归模型的样条估计

考虑自回归模型Yt=θ^TXt＋g（Zt）＋εt,t=1,…,n,其中Xt=（Yt-1,…,Yt-d）^T,Zt为实值外生随机变量,θ=（θ1,…,θd）^T为待估参数向量,g为未知非参数光滑函数．基于多项式样条方法,在一定的条件下,给出了θ的估计的渐近正态性,得到了g的估计的收敛速度．模拟例子验证了所得的理论结果．

带控制变量的非线性自回归滑动平均模型在锚泊线动力分析中的应用

根据带控制变量的非线性自回归滑动平均(NARMAX)模型理论,建立了锚泊线的系统模型.该模型在进行系统识别时,将锚链上端点的运动时历作为系统的输入,锚泊线张力时历作为系统的输出,识别后得到的系统表达式可以用来预报锚泊线张力的时历.将模型预报结果与原时历进行比较,结果表明,NARMAX模型预报效果良好.

方差无穷非线性自回归序列的自加权L_1估计

对具有无穷方差的非线性自回归序列x_t=φ(x_(t-1),x_(t-2),…,x_(t-p),θ)+ε_t,E(ε_t^2)=∞,利用局部二次近似和连续函数空间C(R^q)上弱收敛随机过程最小点的渐近性质,证明了若存在δ≥1,使得E|ε_t|~δ<∞成立,则θ满足一定条件的自加权L_1估计θ_(L_1)是渐近正态估计,Wald检验统计量也具有通常的x^2分布,为模型的统计推断提供了理论基础.

带输入项的线性自回归模型在树木物候预测中的应用

带输入项的线性自回归模型是一种综合性预测模型，较之常用的树木物候预测模型更为优越。模型结构属动态随机差分模型范畴；集中了线性自回归和多元线性回归模型两者的优点；模型有时滞，使预测值不但和现时刻输入（长期天气预报结果）有关，还受历史输入及自身滞后量的影响，即削弱了长期天气预报结果对物候预测的影响，提高了精度；模型参数的修正采用递推最小二乘估计法，参数随预测期数的增加而不断修正，使预测值更靠近真值（观测值）。从日本樱花、绯红晚樱、刺槐３树种预测误差对比可明显看出，新法预测误差总是稳定在１～２ｄ内，而不致于如其他方法预测误差那样在１～１１ｄ不定。说明新预测方法更加符合树木物候动态随机变化之实际。

非线性自回归序列L_1估计的渐近分布

由于时间序列数据中经常出现的厚尾特征使得通常的估计方法不再具有渐近的正态分布,在误差项二阶矩有限的条件下考虑了非线性自回归序列的L_1估计.采用局部线性近似的方法得到了具有凸样本路径的随机过程,在此基础上利用凸样本路径随机过程弱收敛的性质证明了非线性自回归序列L_1估计的渐近正态性及无偏性.

非线性自回归模型辨识及其在结构损伤识别中的应用

分析了带有外部输入的线性/非线性自回归模型一般表达式(GNARX)与Volterra级数模型的相似之处,以及GNARX模型与带外部输入的自回归模型(ARX)之间的内在联系。根据GNARX模型结构特点,提出了一种基于参数离差率的结构剪枝算法,并用于模型结构辨识,通过数据仿真,验证了方法的可行性和有效性。最后,将GNARX模型结合提出的结构辨识方法,应用于钢板的损伤识别。结果显示,基于参数离差率的结构剪枝算法辨识GNARX模型结构,其损伤识别精度最高,体现了GNARX模型及其结构剪枝算法应用于结构损伤识别的优越性。

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题。针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法。在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数。故障预测仿真实验结果证明了算法的有效性。

一种收敛于全局无偏最优解的非线性自回归（NAR）预测

本文研究基于Ｖｏｌｔｅｒｒａ级数展开的非线性自回归预测模型的参数估计问题．从线性自适应ＩＩＲ滤波输出误差算法的观点，研究ＮＡＲ模型的参数估计问题，利用平均收敛条件，提出一可收敛于全局无偏最优解的新算法，解决了一般的预测误差算法的有偏解问题．

基于非线性自回归时序模型的振动系统辨识

针对线性和弱非线性振动系统进行了研究,提出采用非线性自回归时序(GNAR)模型进行系统频率辨识和判断系统性或非线性基本特征的方法。首先根据摄动法求解非线性微分方程的理论,论证GNAR模型与线性和弱非线性系统之间的本质联系,推导出GNAR模型系数与线性和非线性系统频率之间的解析关系;然后给出由GNAR模型系数和结构判断系统是否存在非线性及辨识系统频率和非线性项基本特征的方法;最后,以单自由度线性振动系统和无阻尼Duffing振动系统为算例验证该辨识方法的有效性和准确性。实验结果表明,基于GNAR模型的振动系统基本特征辨识方法具有较好的识别精度,能用于估计系统的动力学特性。

多维非线性自回归模型的投影寻踪学习网络逼近

本文研究基于投影寻踪学习网络的多维非线性自回归模型逼近的收敛性,证明了在 Lk（k为正整数）空间上,投影寻踪学习网络可以以任意精度逼近多维非线性自回归模型,并给出应用实例.

采用非线性自回归时序模型的汽车悬架隔振性能辨识

根据摄动法求解非线性微分方程理论,通过单自由度振动系统在单位脉冲激励下动力学方程的解析解,推导出了振动系统时域响应的非线性自回归时序(GNAR)模型表达式,获得了基于GNAR模型的悬架隔振性能主要指标计算公式。通过对某汽车悬架隔振参数辨识的试验结果表明,基于GNAR模型的悬架隔振性能辨识方法准确、便捷,能实现对在用车辆悬架隔振性能的快速辨识和评价。

重尾非线性自回归模型自加权M-估计的渐近分布

考虑非线性自回归模型xt=f(xt-1,…,xt-p,θ)+∈t,其中θ为q维未知参数,{∈t}为随机误差.在允许误差方差无穷的重尾条件下,构造θ的自加权M-估计,并证明了该估计的渐近正态性.最后通过数值模拟,在随机误差服从某些重尾分布的条件下,说明自加权M-估计比最小二乘和L1估计更有效.

基于小波的部分线性自回归预测模型及其在沪深股市中的应用

首先采用部分线性自回归模型对上海和深圳股票走势进行模拟预测,然后利用小波函数结合部分线性自回归模型建立小波预测模型,又分别对上海和深圳股票走势进行了模拟预测,最后对两种预测方法的预测结果进行了比较和分析.结果表明:小波预测模型比单纯的部分线性自回归模型预测精度高,在股票市场的预测中具有很好的应用前景.

基于小波的加外生变量部分线性自回归模型在石油价格预测中的应用

利用小波函数结合引入外生变量的部分线性自回归模型对WTI现货价格序列进行建模研究,并与部分线性自回归模型和加外生变量的部分线性自回归模型进行比较分析,结果表明:结合小波且加外生变量的部分线性自回归模型的预测精度较高,在石油市场价格预测中有较高的准确性.

部分线性自回归模型中误差矩的分段多项式估计

目的研究部分线性自回归模型中误差矩的估计。方法利用非参数分段多项式估计和最小二乘法进行讨论。结果给出了误差tε的k(k≥1)阶矩及误差方差σ2的估计的大样本性质。结论误差k(k≥1)阶矩的估计的收敛速度为T-1/2,T(^σ2T-σ2)/D^T依分布收敛于N(0,1),其中^σ2T和D^2T分别为σ2和Var(23ε)的分段多项式估计,T为数据个数。