基于EM-GIBBS算法的ARMA(p,q)测量误差模型的参数估计

本文对基于ARMA(p,q)的测量误差模型的参数估计提出了EM-Gibbs算法.由于无法给出模型参数的极大似然估计解析解,本文在EM算法框架下对参数进行估计.在实施EM算法M步骤过程中,为了计算高维正态分布的隐变量一阶、二阶矩,需要求出高阶矩阵的逆矩阵.为了避开计算高阶矩阵的逆矩阵,通过Gibbs抽样,给出了隐变量的一阶、二阶矩的估计,从而给出了EM算法M步骤中参数最优值的估计.最后通过对ARMA(1,1)测量误差模型进行了数值模拟,模拟结果验证了所提EM-Gibbs算法的可行性和有效性.

相关系数ARMA(p,q)序列分析方法

本文提出相关系数ARMA(p,q)序列分析方法。相关系数ARMA(p,q)序列是从非平稳序列中分离出的一类工程上常见且便于研究的时间序列,在模式识别、故障诊断、信号处理、自动控制和结构响应分析等领域有着广泛的应用。传统的相关函数ARMA(p,q)序列仅是它的一个特例。文中建立了相关系数ARMA(p,q)序列的条件极大似然估计和精确极大似然估计,前者在样本较大时简单便于工程应用,后者则在样本较小时仍具有较高的精度,它们通过时域的全程分析,充分利用样本信息确定相关系数ARMA(p,q)序列的均值函数、方差函数和相关系数函数。在此基础上可进行高精度的频谱分析。

基于类噪声信号和ARMA-P方法的振荡模态辨识

弱阻尼低频振荡是影响互联电网安全稳定运行的主要因素,振荡模态是表征系统振荡特性的重要参数,反映了各节点对振荡模式的参与情况。目前基于测量信号一般在振荡发生后进行模态分析,缺乏在系统正常运行情况下的分析手段。大量广域实测数据表明,因负荷的随机变化,电网内持续存在类似噪声信号的小幅波动。文中提出一种自回归滑动平均-Prony(ARMA-P)方法对这种类噪声信号进行处理,在采用ARMA模型拟合类噪声信号估计低频振荡模式参数的基础上,进一步建立信号的Prony模型,最终实现对低频振荡模态的辨识。将该方法用于对新英格兰系统仿真数据进行处理,其辨识结果与小干扰稳定计算结果进行了比较,并进一步将该方法用于处理南方电网实测数据,证明了其有效性。

ARMA(p,q)模型参数初估计新方法研究

提出了一种Ｙ－Ｗ法与逆函数法相结合的ＡＲＭＡ（ｐ，ｑ）模型参数初估计新方法．该方法不但具有在计算机上容易实现的特点，而且与当前常用的参数初估计方法相比，在参数估计精度上有了较大的提高．这对ＡＲＭＡ（ｐ，ｑ）模型的进一步推广与应用将有着极为重要的意义．

ARMA(p,q)过程生成的大维样本协方差矩阵的极限谱分布

应用极限谱方法讨论ARMA(p,q)过程.得到此类过程生成的随机矩阵的样本协方差阵的极限谱分布及其密度函数,同时给出ARMA(1,1)情形下的密度函数具体的表达式.

基于ARMA(P,q)的广东城乡CPI差距走势预测

在城乡居民消费水平和CPI传导机制、变动机理方面,已有诸多研究成果。CPI不仅仅作为一种市场信息传导的信号,也反映了国家财政政策调控的效果及经济发展现状,正是由于CPI数据的获得性较强,结合其特殊的含义,对城乡CPI差异的研究非常有必要。选取我国开放前沿的广东地区为研究对象,运用ARMA(p,q)模型对城乡CPI差距的走势进行预测。

油松毛虫种群动态的ARMA(p,q)模型

应用随机过程理论建立了油松毛虫上树后至化蛹阶段的ARMA(p,q)模型,并对该阶段的种群动态进行了模拟,其模拟值与实测值十分接近。

基于ARMAS(p,q)退化冲击模型可靠性的预测

在实际的工程应用中,系统自身的许多因素和随机环境随着时间的影响,会引起系统的退化和损坏。在退化模型中,系统的可靠度是重要的研究指标,系统的退化达到预警前的预测也十分必要。基于此,提出了ARMAS(p,q)退化冲击模型,并用线性最小方差方法给出了冲击强度未来n步的预测值,并在正态假设下,推导出预测值Y _(t-n)|Y _(t),Y _(t-1),…的置信水平为1-α的置信区间。此模型的提出,为有效控制系统损坏带来的经济损失提供了预判。也为退化冲击模型的研究框架的进一步扩展提供了理论支撑,将在可靠性领域有广泛的应用。

左删失数据下ARMA(p,q)模型的估计

在观测数据左删失情形下由K-M估计方法得到,严平稳遍历序列{X_t}的均值和自协方差函数的估计,从而获得ARMA(p,q)模型的参数估计,且所给估计量是强相合估计.

ARMA(p,q)利率模型下的破产概率

为了更好地研究利率因素对破产概率的影响,利用时间序列理论,建立了ARMA(p,q)利率模型,在此利率模型下,通过积分方程得到了破产概率的上界,并将此上界与AR(1)利率模型下破产概率的上界以及Lundberg上界进行了比较,所得结果推广了古典风险模型的相应结果.

基于小波分析与GM(1,1)-ARMA(p,q)组合的矿井防尘用水量预测

为了提高矿井防尘用水量预测的精确度,提出了基于小波分析理论与灰色预测模型(GM(1,1))、自回归滑动平均模型(ARMA(p,q))组合的预测模型。运用小波分析将用水量时间序列做不同尺度分解,并将低频信号和高频信号采用GM(1,1)和ARMA(p,q)进行预测,最终经小波重构得到预测结果。以林南仓矿为研究背景,使用该组合模型预测2014年各月份的用水量,通过与实际数据对比,残差检验相对误差不超过2.5%。结果表明:矿井防尘用水量在总体上逐年缓慢增加,每年内呈周期性的变化;基于小波分析与GM(1,1)-ARMA(p,q)组合的预测模型具有较高的预测精度。

基于NEGM(1,1)-ARMA(p,q)组合模型的航空备件消耗预测

进行航空备件消耗预测是提高备件利用率和订货准确率的有效手段。结合航空备件消耗特点,采用灰色系统理论从备件消耗历史数据中得到趋势项的NEGM(1,1)模型,并在对剔除趋势项的随机波动数据进行时间序列分析的基础上,引入ARMA模型,构建了NEGM(1,1)-ARMA(p,q)组合预测模型,并通过实例分析,验证了此模型在航空备件消耗预测中的有效性与准确性。

辅助变量法在ARMA(p,q)模型参数估计中的应用

本文将系统辨识中的辅助变量法通过修正应用于ARMA（p,q）模型中来解决自回归部分的参数估计问题,并利用辅助变量的性质及时间序列的平稳性证明了估计量φ为真实参数φ的相容性估计以及φ具有渐近正态分布的性质。

ARMA模型在预测全球平均温度情况中的应用

基于全球平均温度的动态数据,对全球平均气温情况进行了统计分析,首先,运用时间序列分析的方法,对历史数据进行预处理并建立ARMA(p,q)模型,其次,应用历史数据进行验证,并分析了预测精度。结果表明,所建的模型能很好地预测短期内气温变化情况,拟合模型符合发展趋势,为研究气象预测等问题提供理论依据。

GM(1,1)-ARMA(p,q)组合模型下的PM_(2.5)浓度预测--以西安市为例

随着经济的发展,空气质量问题日渐显露,雾霾天气不断增加,而雾霾形成的主要原因是细微颗粒物,细微颗粒物能够较长时间悬浮于空气中,其浓度越高危害越大。PM_(2.5)作为直径小于等于2.5微米的颗粒物,被吸入体内后会引发哮喘、支气管炎以及心血管病等疾病,引起人们的广泛关注。因此,文章对西安市2013年12月到2021年3月的PM_(2.5)浓度值共计88条数据进行了实证研究,分别采用灰色系统预测模型GM(1,1)、时间序列模型AR(2)以及二者的组合模型对西安市的PM_(2.5)进行预测,研究结果表明组合模型的相对误差最小,预测效果最优。

中国人均GDP的时间序列模型的建立与分析

人均GDP是人们了解和把握一个国家或地区宏观经济运行状况的有效工具.本文在介绍时间序列模型的基础上,结合1952-2006年的中国人均GDP数据值,应用SPSS软件对数据进行了分析,建立了中国人均GDP的时间序列模型.文章详细介绍了模型建立的整个过程,并由此模型对中国2007-2010年中国人均GDP的数值进行了预测.这对我们从宏观上了解中国经济的发展状况,为国家制定科学合理的经济发展战略具有重要意义.

带白色观测噪声的ARMA模型参数的无偏估计

本文研究了如何利用受白色噪声污染的观测数据辨识ＡＲＭＡ（ｐ，ｑ）模型参数据的问题，提出了一种递推辅助变量法．利用这种方法首先辨识出ＡＲ（Ｐ）部分的参数及观测噪声的方差，然后根据所得的估计利用常用的Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ方法确定ＭＡ（ｑ）部分的参数．

基于ARMA模型对我国电力消费量的预测

对于我国电力消费需求量时间序列自身规律的认识有助于电力消费量的预测,从而可以避免电荒和电力生产能力的过度投资。以1980年-2007年期间我国年发电量的时间序列数据为基础,通过建立指数回归-模型来拟合时间序列数据。运用残差序列趋势和残差序列相关图、偏相关图的分析,对模型的五种形式的参数估计结果进行比较分析,最后选择模型来拟合发电量时间序列数据,并对其模型拟合的残差进行了单位根检验,检验结果表明残差序列是平稳的,采用模型是合理的。

多维ARMR(p,q)模型的适时递推预报

本文讨论了多维 ARMA(p,q)序列的新息预报 。

一种具有SA预报能力的GPS滤波器

对 GPS定位中的 SA误差作了系统辨识。表明 :SA误差可用时变 AR( P)模型表述 ,AR( P)的时变参数可由 RLS算法结合 F判据建立的 AR( P)模型辨识机获得。用该方法获得的模型对 SA误差进行预报 ,在剔除野值后精度在 1 0 m之内 ,还提出一种方法 ,可得到具有 SA预报能力的 GPS KALMAN滤波器。