一种星载GNSS-R海风反演的卡尔曼滤波模型

针对传统星载全球卫星导航系统反射计(GNSS-R)测风,通过建立经验性的地球物理模型函数(GMF)进行风速反演时,会因反射信号数据质量较差而出现异常结果,若执行严格的数据质量控制,则会降低数据利用率,最终影响星载GNSS-R测风的空间覆盖率的问题,提出1种基于卡尔曼(Kalman)滤波的风速反演算法:利用差分整合移动平均自回归模型(ARIMA)得到状态方程和观测方程,并将GMF反演的风速值作为观测值,从而建立Kalman滤波模型,实现星载GNSS-R风速反演的实时校正和优化。实验结果表明,该方法的风速反演均方根误差能够满足风速测量要求,并有效提升星载GNSS-R测风的空间覆盖率。

基于约束卡尔曼滤波的短时交通流量组合预测模型

为了克服单一的交通流预测模型性能不稳定的问题,提出了基于约束卡尔曼滤波的短时交通流量组合预测模型。约束卡尔曼滤波组合预测模型以各单一预测模型的权重为状态变量,交通流量为观测变量,预测结果是单一预测模型的加权和,加权系数由约束卡尔曼滤波方程递推动态确定,最后通过广深高速公路上采集的交通流量数据对算法进行了验证。结果表明,在不同预测步长情况下,约束卡尔曼滤波组合预测模型要优于最佳的单一预测模型或与其持平,并且不受某一较差的预测模型影响,具有较高的鲁棒性。

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average,ARIMA)的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4%、3.0502%、1.432 6%、1.908 4%,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明:综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。

基于ARIMA模型的未知观测噪声协方差矩阵的卡尔曼滤波技术

针对雷达测量数据中存在的非平稳误差的问题,同时在观测噪声协方差矩阵未知的情况下,提出了应用自回归和滑动平均(ARIMA)模型对非平稳数据进行数据建模,在此基础上推导出观测噪声协方差矩阵的递推公式,并以ARIMA模型中新序列作为状态向量进行卡尔曼滤波与预测。通过仿真实验验证,本文提出的方法可以合理有效地抑制误差,提高预测精度。

基于自回归滑动平均模型的风力发电容量预测

利用时间序列分析法对富锦风电场风电机组发电容量时间序列进行分析,通过长自回归模型法建立了基于这些数据的自回归模型(AR)和自回归滑动平均模型(ARMA)。在建模过程中,采用3种定阶方法分别建立了不同的ARMA模型,并在对比分析了不同模型的优缺点之后对其进行加权平均综合处理,最终得到较理想的预测模型,使风力发电容量短期预测的归一化平均绝对误差降到7%以内。

统计模式识别和自回归滑动平均模型在设备剩余寿命预测中的应用

为了对设备预知性维护研究提供支持,采用统计模式识别(SPR)方法对设备进行性能评估,获取设备健康指标;再运用自回归滑动平均模型(ARMA)对设备剩余寿命进行预测,建立了基于设备健康状况的设备剩余寿命预测模型.对生产过程中刀具加工设备寿命预测进行分析和验证结果表明,该设备评估和预测方法是有效且实用的.

基于卡尔曼滤波融合算法的空气质量指数预测

分析了卡尔曼滤波算法的基本原理及其对空气质量指数(AQI)的预测机制。利用自回归滑动平均模型(ARMA)为卡尔曼滤波建立数学模型,提出了将径向基函数(RBF)神经网络融合于卡尔曼滤波,实现了新的融合算法对AQI进行预测。根据AQI时间序列的特点,建立了自回归预测模型,进而建立卡尔曼滤波的状态方程和测量方程。采用随机梯度逼近训练算法训练RBF神经网络,用RBF神经网络的输出作为卡尔曼滤波测量方程的观测值。仿真结果表明,融合了RBF神经网络后的卡尔曼滤波预测算法改善了单一方法预测滞后的现象,减小了误差,提高了预测精度。

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.

多元自回归滑动平均模型辨识与电力系统自适应阻尼控制

传统基于离线模型参数和典型运行方式设计的电力系统阻尼控制器存在适应性问题,提出一种基于辨识的自适应控制器设计方法,可解决一般自适应控制中快速性和准确性要求之间的矛盾。所用的多元自回归滑动平均模型(auto regressive moving averaging vector,ARMAV)辨识在电网正常运行过程中针对由负荷等随机扰动引起的类噪声信号进行;在综合考虑辨识误差、阻尼要求和稳定裕度基础上,提出阻尼控制零极点配置基本原则,并设计相应的遗传算法优化方法。为了充分检验上述辨识与控制系统的效果,基于广域测量平台对其进行软硬件实现,并在东北电网简化系统中进行实时数字仿真(real time digital simulation,RTDS)测试,实验结果说明了所提方法的可行性和有效性。

基于自回归滑动平均模型和粒子群算法的地震子波提取

基于自回归滑动平均(ARMA)模型理论,对地震子波进行参数化建模,采用累积量拟合法精确估计参数,使地震子波提取问题最终归结为一个多参数、多极值的非线性函数优化问题。对基本粒子群算法进行改进,通过自适应参数调整和边界约束,克服基本粒子群算法易陷入局部极值的缺陷,同时提高算法寻优精度和计算效率。仿真数据试验结果验证了改进的粒子群算法在地震子波提取方法中的有效性和稳定性。

一种确定自回归滑动平均模型最小阶次的新方法

针对经典Akaike信息准则(AIC)在模型定阶时缺少阶次范围下界而引起的模态遗漏问题,根据稳态图和AIC准则,提出了一种自回归滑动平均模型在模态参数辨识中的定阶方法.该方法先利用稳态图能够鉴别真假模态的特点,进行各阶模态频率的估计和均值的求取,进而根据模态稳定性判定准则计算出阶次范围下界,最后利用AIC准则确定最优的模型阶次.仿真结果表明,与经典AIC准则相比,所提出的方法定阶后进行模态参数的辨识,不仅识别出了经典AIC准则遗漏的第3阶模态参数(误差为0.18%),而且使第1、2阶模态参数的精度分别提高了2.31%和6.31%.对悬臂梁的模态实验结果表明:该方法不仅辨识出了经典AIC准则遗漏的第1阶模态参数,使其误差仅为0.62%,而且也大大提高了其他各阶模态参数的精度.

自回归滑动平均混合模型在红细胞供应量预测中的应用

目的探讨建立月悬浮红细胞供应量预测模型,为采供血提供参考。方法分别以浦东血站2007年1月-2014年6月的月红细胞供应总量、A+、B+、O+和AB+4种血型红细胞月供应量作为标本建立自回归滑动平均混合模型(ARIMA),用2014年7月-12月的实际值作为检验标本,用建立的最优模型预测2015年1-6月本站红细胞月供血量。结果经过序列平稳化、模型识别、建模和模型检验等步骤,月红细胞供应总量建立ARIMA(1,1,1)(1,1,1)12模型,调整决定系数(R2)=0.82,平均绝对百分比误差(MAPE)=5.98;A+型红细胞月供应量建立ARIMA(1,1,2)(1,1,1)12模型,调整R2=0.81,MAPE=8.42;B+型红细胞月供应量建立ARIMA(4,1,0)(1,1,1)12模型,调整R2=0.84,MAPE=7.23;O+型红细胞月供应量建立ARIMA(1,1,1)(0,1,1)12模型,调整R2=0.83,MAPE=6.63;AB+型红细胞月供应量建立ARIMA(1,1,0)(1,1,1)12模型,调整R2=0.80,MAPE=8.41。结论 ARIMA是一种短期预测精度较高模型,可用于红细胞供应量的预测。

乘积季节自回归积分滑动平均模型在长沙市手足口病发病率预测中的应用

目的:建立长沙市手足口病发病率的乘积季节自回归积分滑动平均模型(autoregressive integrated moving average model,ARIMA),探讨乘积季节ARIMA模型在手足口病疫情预测的可行性。方法:运用EVIEWS 6.0软件对长沙市2008年5月至2013年8月的手足口病发病率资料建立乘积季节ARIMA模型,以2013年9月至2014年2月的发病资料作为模型预测效果的检验样本,最后再用所得到的模型对2014年3月至2014年8月的月发病率进行预测。结果:经过序列平稳化、模型识别以及模型诊断后,建立乘积季节ARIMA模型(1,0,1)×(0,1,1)12,模型拟合度R2=0.81,预测均方根误差为8.29,平均绝对误差为5.83。结论:乘积季节ARIMA模型是一种较好的预测模型,所建模型拟合度较好,能为手足口病的防治工作提供参考。

非线性时间序列建模的混合自回归滑动平均模型

提出了一类用于非线性时间序列建模的混合自回归滑动平均模型(MARMA).该模型是由K个平稳或非平稳的ARMA分量经过混合得到的.讨论了MARMA模型的平稳性条件和自相关函数.给出了MARMA模型参数估计的期望极大化(expectation maximization)算法.运用贝叶斯信息准则(Bayes information criterion)来选择该模型.MARMA模型分布形式富于变化的特征使得它能够对具有多峰分布以及条件异方差的序列进行建模.通过两个实例验证了该模型,并和其他模型进行比较,结果表明MARMA模型能够更好地描述这些数据的特征.

副伤寒的求和自回归滑动平均模型预警应用实例

目的探讨时间序列求和自回归滑动平均模型(ARIMA)在副伤寒预警中应用的可行性。方法利用SAS9.0统计软件对《国家疾病报告管理信息系统》报告的杭州市副伤寒按周发病数进行ARIMA建模。结果对副伤寒发病数序列建立三阶自回归模型AR(3),并绘制预警线图,对2007年7月发生的副伤寒暴发疫情进行了及时预警。结论模型能够较好应用于副伤寒预警,为疫情防控提供了有力帮助。

基于混合优化策略的自回归—滑动平均模型建模

自回归—滑动平均(ARMA)模型参数估计一直是ARMA模型建模问题的难点和重点,目前的模型参数估计方法都采用传统最小二乘法及其推广算法,预测精度低。采用基于混合优化策略的遗传模拟退火算法进行ARMA模型参数估计,克服了传统算法的缺点,并在此基础上利用遗传模拟退火算法可以确定ARMA阶次的特点,提出基于混合优化策略的ARMA模型建模方法。利用这种建模方法和传统建模方法对组合炮控系统精度进行建模比较,证明基于混合优化策略的ARMA模型建模方法收敛快,精度高。

SAR图像压缩的多尺度自回归滑动平均模型方法

本文研究在无需SAR图像先验知识条件下,基于多尺度自回归滑动平均MARMA模型的SAR图像压缩方法.该方法首先对SAR图像建立MARMA模型,依据MARMA模型对原始图像进行预测,然后对预测的残量进行数据压缩.将此方法用于实际SAR图像压缩,并将基于MARMA模型和多尺度自回归MAR模型的压缩结果与相应的JPEG结果进行比较和分析,说明基于MARMA模型的SAR图像压缩方法既能达到较高的压缩比,又能取得较好的保真度,是一种很有潜力的压缩方法.

微机电陀螺随机漂移建模与卡尔曼滤波

微机电系统(MEMS)陀螺精度较低,严重影响制导火箭弹惯导系统的精度。为了减小MEMS陀螺的随机漂移,提高其精度使其满足简易制导火箭弹的精度要求,需要对陀螺信号进行滤波,MEMS陀螺随机漂移建模与补偿是其中的难点。针对上述问题,提出采用自回归移动平均(ARMA)分析的方法建立MEMS陀螺随机漂移模型,然后基于此模型对随机漂移信号进行卡尔曼(Kalman)滤波。对某MEMS陀螺在静止条件下的观测信号的滤波效果表明,ARMA模型拟合度高,能准确描述MEMS陀螺随机漂移特性;Kalman滤波方法能有效减小随机漂移误差,提高MEMS陀螺的精度,对提高简易制导火箭弹的精度具有一定的参考价值。

基于自回归滑动平均模型的玛纳斯河洪水预报

水文预报作为重要的防洪非工程措施,对位于高寒山区的玛纳斯河流域防汛抢险、水利工程建设和调度具有重要意义。通过对玛纳斯河水文系统的分析,确定出影响玛纳斯河径流量的主要因素,建立了玛纳斯河流域流量预报的自回归滑动平均ARMA(p,q)模型,对肯斯瓦特水文站实测径流过程进行了预测检验。结果表明,自回归滑动平均模型对实测年径流量有很好的逼近拟合效果,相对误差很小,ARMA(p,q)模型用于径流量预测有较高的精度,是可行的。

多维自回归滑动平均模型研究与应用

利用时序分析方法研究 1 95 2～ 1 997年国内生产第一产业与第二产业产值的AR MAV模型 ,并用所建模型对 1 998年产值进行外延预测 。