基于灰色马尔科夫模型预测四川省肺癌死亡率趋势研究

目的预测未来5年四川省肺癌死亡率变化趋势,为四川省加强肺癌防治提供理论依据。方法通过《四川统计年鉴》明确该省2005至2021年肺癌死亡率情况,运用灰色马尔科夫模型结合Matlab2017b软件对四川省未来5年的肺癌死亡率进行预测。结果灰色模型的预测精度为95.07%,通过马尔科夫链进行优化后,预测精度上升至98.06%,优化后的模型拟合预测效果更精准。灰色马尔科夫模型预测未来5年四川省肺癌死亡率将呈持续上升趋势。结论灰色马尔科夫模型可以对四川省肺癌死亡率进行较好的预测和拟合,该组合模型可以作为未来预测肺癌死亡率发展趋势的一种新方法,为肺癌防治提供理论依据。

基于CHMM(连续隐马尔科夫模型)的转辙机故障预测方法

[目的]转辙机作为城市轨道交通信号设备的重要组成部分,一旦发生故障,会对运营造成重要影响,对其健康状态的监测和预测显得尤为重要。[方法]提出了一种基于CHMM(连续隐马尔科夫模型)的转辙机故障预测方法。提取转辙机退化状态特征,并基于t-SNE算法对原始输入数据进行降维,减少余特征;利用谱聚类算法确定最优退化状态数目,进行聚类分割,分析转辙机动作功率曲线退化状态特征;基于CHMM模型并与故障诊断模型相结合,构建退化状态识别模型与故障识别模型,实现对转辙机的故障预测。以实测数据作为研究对象,对基于CHMM的转机故障预测方法进行试验验证。[结果及结论]该方法以转辙机正常动作功率曲线为研究对象,深入挖掘监测数据,提取的退化状态特征具有良好的表征能力。根据严重退化状态下曲线模型与正常曲线模型匹配结果,在转辙机功率发生异常波动时,可实现对转辙机故障类型的预测。

基于集成聚类及改进马尔科夫链模型的光伏功率短期预测

准确的光伏功率预测是保证新能源电力系统安全稳定运行的重要手段,根据光伏系统出力特点,提出一种基于集成聚类及改进马尔科夫链模型的组合预测方法。首先,通过集成聚类划分表征周期性的趋势序列与表征随机性的随机序列。其次,利用一阶差分处理改进的马尔科夫链模型预测趋势序列,随机序列由差分整合移动平均自回归模型预测。最后,通过对吉林省及青海省光伏电站历史运行数据建模,结果表明基于集成聚类及改进马尔科夫链的方法相较于传统马尔科夫链模型准确率平均提高了7.76%,验证了所提出的模型在不同出力类型、不同地理位置的情况下都具有适用性。

灰色马尔科夫模型在过程性学习评价中的应用

以过程性评价为灰数,建立灰色马尔科夫预测模型.通过实证研究建立灰色评价等级和灰色转移概率矩阵,预测学生后期学习状态,发现学生的学习状态转移明显,在未来三学期的学习状态几乎趋于平衡点.

基于神经网络和马尔科夫模型的道岔故障诊断与预测研究

该文基于神经网络和马尔科夫模型进行道岔的故障诊断与预测研究,首先对道岔的动作过程进行分析,通过对采集的非故障功率数据进行比较分析,退化状态是故障诊断到故障预测的重要过程,通过分析退化状态的形成原因,进一步分析退化状态数据与现场出现的典型故障状态数据之间的关系,通过隐马尔科夫模型建立退化状态的典型模型,用于退化状态的识别以及故障状态的评估,实现道岔故障状态的诊断和道岔故障的预测,同时也设计道岔故障诊断和预测的系统平台,该研究对于现场道岔故障的诊断和预测有很好的参考价值。

基于时变状态转移隐半马尔科夫模型的寿命预测

隐半马尔科夫模型在进行系统状态估计及寿命预测时,其状态转移概率矩阵是固定值,得到的剩余寿命预测值呈阶梯状变化,与系统的实际剩余寿命值之间存在着较大的误差.针对上述问题,提出了具有时变状态转移概率矩阵的隐半马尔科夫模型,根据系统的3种典型退化状态分析,给出3种不同的状态转移系数.与初始状态转移矩阵相结合,得到随时间变化的状态转移矩阵.提高系统在当前健康状态下的剩余持续时间估计精度,最终得到更为准确的总体剩余寿命预测值.结果表明,基于时变状态转移概率矩阵的隐半马尔科夫模型相比传统的隐半马尔科夫模型,可显著提高剩余寿命预测的准确性.

基于马尔科夫模型的船舶设备多状态系统可靠性分析方法

基于多状态理论和马尔科夫模型,建立船舶设备复杂系统的多状态可靠性模型,推导封闭形式的时变状态概率微分解算方程,给出可用度、期望性能输出和期望性能失效等可靠性度量参数分析方法。针对多状态船舶设备特种装置,实施时变可靠性典型算例分析,结果表明:利用马尔科夫模型分析多状态系统可靠性能,具有程式化高、通用性好且结论合理的特点,形成的建模思路、解算程式和分析方法可为船舶设备复杂系统的可靠性分析技术发展提供参考。

基于小波包-隐马尔科夫模型的机床加工状态识别

机床加工状态对加工工件质量有很大的影响,因此识别机床加工状态有重要的意义。依据采集的机床加工数据,通过FFT频谱分析,划分出机床加工的3种状态。利用小波包分解,分别求出各种状态在不同频带节点上的能量分布百分比,并把它作为隐马尔科夫模型的输入特征向量。按照隐马尔科夫模型模式识别方法,建立3种标准状态的训练优化模型库,把测试样本代入优化模型库中,依据最大对数似然值对机床的加工状态进行了识别。计算结果表明,状态识别结果正确。

结构状态的马尔科夫链模型及其统计推断

马尔科夫链是结构状态宏观描述和预测中一个可接受的概率模型 ,但在建立该模型的过程中目前的极大似然法需在较长的时间跨度内采集不同时期的数据 ,存在数据采集方面的困难 ,本文为此提出了利用当前数据的最小二乘法 。

基于混合高斯隐马尔科夫模型的滑坡发生时间预报

滑坡发生时间预报在防灾减灾工作中非常重要,准确的预报能够有效预防灾害发生可能造成的灾难性结果。为解决当前滑坡预报中仅仅实现对滑坡位移等相关参数的预测和估计,而未最终计算出滑坡发生时间的问题,提出采用混合高斯隐马尔科夫模型(MOG‐HMM)建立滑坡发生时间预报模型,即对滑坡灾害演化过程全周期数据利用混合高斯算法计算出宏观信息预报判据,与隐马尔科夫模型中的状态相匹配,建立滑坡演化状态模型,该模型能够反映全周期数据的多个状态,当需要对实时采集的位移数据进行时间预报时,首先利用解码算法对当前数据解码,即计算出其属于滑坡的哪个状态,然后利用Dijkstra最优路径规划算法,计算出从当前状态到达滑坡发生状态的时间,实现滑坡发生时间预报。通过对新滩滑坡和卧龙寺滑坡灾害全周期数据进行仿真验证,结果表明,本文方法能够比较准确地计算出滑坡发生的时间,同时利用评价指标对预报的结果进行测试,符合预报指标精度要求。

AHP与马尔科夫模型在封闭式组合电器状态评估中的应用

为了找到GIS(Gas Insulated Switchgear)设备准确、高效的状态评估方法,根据封闭式组合电器(GIS)各方面故障因素,提出了一种基于马尔科夫模型的GIS设备状态评估方法。从GIS的结构层面将其状态分为正常运行、断路器故障、绝缘介质故障、预防性故障等9种状态,建立了马尔科夫状态模型。根据马尔科夫模型计算出各个状态的故障概率,运用层次分析法(AHP)计算各状态权重实现GIS状态评估。经过实例分析,验证了该模型和算法的正确性。

中国与非洲国家的股市联动效应——基于马尔科夫状态转移Copula模型的实证分析

基于中国和非洲部分国家2001—2020年的股市数据,构建马尔科夫状态转移Copula模型,以探讨中国与非洲部分国家股市的联动性,结果表明,中国与非洲四国有较弱的正向联动效应,中国与南非股市的联动性最强,与突尼斯股市的联动性最弱。此外,中非股市联动性随中国资本市场的开放推进呈现增强趋势,2001年至2005年的中国资本市场处于初步开放阶段,中非股市联动性较低;2006年至2013年期间金融危机的爆发使中国资本市场与国际上的联系进一步加深,中非股市的联动性较第一阶段有所增强;2014年至2020年“一带一路”倡议提出和实施后,中非股市联动性进一步增强。中非合作需要推动中国资本市场进一步开放,加强中非股市合作;加强金融监管合作,防范中非金融风险传染,深化中非股市联动发展的融合效应;以支持“八大行动”为目标,促进中非资本市场合作。

基于改进马尔科夫模型的铁路客运量预测研究

为提高铁路客运量预测的精度,在预测精度更优条件下,对马尔科夫模型状态划分区间的取值范围进行了研究,并在此基础上对模型进行了改进。先通过多层感知器神经网络预测了2004—2019年北京市的铁路客运量,再运用改进的马尔科夫模型对多层感知器神经网络预测结果进行修正,并与均等划分和均值-方差法划分状态区间的马尔科夫模型的预测修正结果进行对比。研究结果表明,改进的马尔科夫模型降低了预测过程的复杂性,具有更高的预测精度。相比于均等划分、均值-方差法划分状态区间的模型,改进的马尔科夫模型的预测误差分别减少了0.601%和0.683%。

考虑不同状态划分方法的马尔科夫链空调车备件需求预测

针对空调车备件需求随机性和波动性的特点,利用灰色马尔科夫组合模型对空调车备件消耗量进行了预测。以状态数量和区间长度为基准,提出四种马尔科夫链状态划分方式,得到预测曲线,并拟合出与实际曲线的相关系数进行比较。结果表明:第7,11,12,14月的灰色预测误差均在5%以下,可考虑在状态划分时加入不变状态;从状态数量来看,五状态对应的相关系数整体上高于四状态,原因是五状态在四状态基础上,除了能预测备件需求上升和下降的强弱状态,还可以对上述灰色预测误差较小的月份不作修正,从而提高预测精度;从区间长度来看,五状态下的等值划分和等量划分,相关系数分别为0.98和0.85,由于等量划分时的各区间长度较为失衡,最终使得概率矩阵在第13个月状态预测出现偏差。

基于马尔科夫生存模型与粒子群算法的动态航路规划

针对未知情况下航路规划问题,采用动态规划策略保证飞机可以实时规划未来路径,并引入基于马尔科夫的生存模型来获取飞机的生存状态概率,从而评估生存代价,再综合任务、油耗、飞机机动性等作为粒子群算法的目标函数与约束条件,同时为了缓解生存与任务之间的矛盾,引入目标函数权重自适应策略.仿真实验证明,提出的动态航路规划策略是可行的,自适应权重也在一定程度上缓解了生存与任务之间的矛盾,同时将基于马尔科夫的生存模型应用于动态航路搜索中,能够更加直观地掌握每一时刻飞机的生存代价以及各状态的概率.

基于马尔科夫链的平台生存任务模型与航路评估

在地面雷达武器威胁环境里,不仅需要评估航路上飞行平台的有关生存和任务完成的概率,而且还要能度量不同航路的好坏;由于传统模型不能有效表达生存模型和任务模型,更不能有效统一生存模型与任务模型,为此建立了基于马尔科夫链的生存任务模型,并且在此模型的基础上引入代价来评估航路;最后的仿真结果表明,该方法有效刻画了生存率和任务完成率,能关注到完成任务且无伤害返回的概率,并且能有效度量航路的好坏。

融合隐马尔科夫模型的雷达工作状态跟踪

针对电子侦察系统对雷达工作状态的跟踪问题,提出了一种基于融合隐马尔科夫模型的雷达工作状态跟踪方法。该算法首先将雷达工作过程建模成隐马尔科夫模型,其次通过对侦察的雷达短语序列识别,完成单个平台下雷达工作状态的跟踪;最后再运用DS证据理论将多平台的识别结果进行融合,实现多平台融合跟踪。对算法的识别率进行仿真,仿真结果表明,提出的算法提高了错误观测下对雷达工作状态跟踪的准确率,当观测值错误率为20%时跟踪正确率高达93%。

连续状态马尔科夫链风速模型及其在风电系统可靠性评估中的应用

基于连续状态马尔科夫链模型提出一种时序风速模拟模型。该模型利用Box-Cox技术将风速序列变换为服从正态分布的序列,进而在多维正态概率空间内构造变换数据的连续状态马尔科夫链模型。在此基础上,利用Box-Cox反变换将正态序列变换为风速序列,进而得到时序风速的连续状态马尔科夫链。采用实测风速数据验证本文模型的有效性,结果表明:本文提出的模型可保持原风速的概率分布和自相关特性。采用IEEE-RTS可靠性测试系统验证本文模型的应用性,结果表明:本文模型可用于含风能的电力系统发电可靠性评估。

基于马尔科夫状态转移的家居负荷预测模型

智能配电网的发展增强了家居负荷预测的重要性。基于状态转移的研究思路,提出基于相似日选择的蒙特卡洛马尔科夫单个设备负荷预测模型,采用自下而上的分析方法,获取单个家庭的综合负荷水平。对温控类型设备,采用皮尔逊相关系数研究了环境温度与设备运行周期之间的相关性,建立了隐马尔科夫模型,依据当天外界环境信息对温控类型设备的压缩机运行状态做出预测,进一步计算了不同时间段内的平均功率体现用户负荷水平。仿真结果表明,基于相似日选取的蒙特卡洛马尔科夫模型对不同设备的日平均负荷的预测误差约为2%~8%,而隐马尔科夫模型对温控类设备状态预测的精度约为70%。

改进隐马尔科夫模型的地面装备退化状态识别

传统隐马尔科夫模型(HMM)解决地面装备中关键设备退化状态识别问题时,在学习训练过程中参数容易局部收敛导致识别精度较低,针对这一问题,提出一种基于自适应粒子群优化的改进HMM算法。在基础粒子群算法中加入惯性权重因子,并根据算法迭代结果对算法各因子大小进行动态控制,增强该算法的全局搜索能力。改进后的粒子群算法融入HMM模型训练过程参数学习的优化过程,能够提高HMM的训练精度。将其应用到地面装备中油机电站的退化状态识别当中,对实测振动数据进行分析,与标准算法相比,发现所提算法对油机处于不同退化状态的分类准确率都有所提升,整体识别精度达到96.4%。结果表明,基于自适应粒子群优化的HMM退化状态识别方法能够有效解决传统模型的局部收敛问题。