基于多尺度自适应阶ARMA的混沌序列多步预测

混沌时间序列在自然界以及人们的生产生活中很常见,混沌序列看似杂乱无章但相较于纯随机序列其中蕴含着一些非线性的运动特征,提出一种基于多尺度自适应阶ARMA的混沌时间序列多步预测方法.首先利用自适应噪声的完备经验模态分解(CEEMDAN)对原始混沌序列进行分解,获得不同尺度的固有模态分量(IMF)和残余分量.然后采用经粒子群算法(PSO)进行阶数寻优的自回归移动平均模型(ARMA)对每一个IMF分量进行拟合预测.最后将预测得到的每一个分量相加得到原始混沌序列的预测值.基于Mackay-Glass混沌序列和太阳黑子数混沌序列进行实验分析,实验表明:与ARMA、PSO-ARMA以及CEEMDAN-ARMA方法相比,方法的预测效果有较好的提高,其平均绝对误差(MAE)、均方根误差(RMSE)以及平均绝对百分比误差(MAPE)都有降低.     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

Grid-Search和PSO优化的SVM在Shibor回归预测中的应用研究

作为一种动态和非稳定时间序列,Shibor发展变化是随机波动的,难以准确预测Shibor的波动性.支持向量机(SVM)在回归预测非线性时间序列方面有很好地预测效果,SVM的预测精度和泛化能力的核心是参数的优化选择,分别用网格搜索法(Grid-Search)和粒子群(PSO)算法来优化SVM的参数c和g.从而将参数优化后的SVM非线性回归预测法与基于传统ARIMA时间序列预测结果进行对比分析.实验表明,优化后的SVM回归预测方法比ARIMA时间序列方法更精确,在实际中具有很大的应用价值.     

ARMAX时间序列模型异常点及异常点斑片的估计和检测

将通常的Gibbs抽样和自适应的Gibbs抽样算法用于带有外生变量的自回归移动平均时间序列(ARMAX)模型的Bayes分析,首先采用一些方法消除ARMAX模型中输入(外生变量)序列的影响,然后在前人工作的基础上给出了一种类似的挖掘相应时间序列中的异常点及异常点斑片的方法.说明了自适应的Gibbs抽样算法也能够有效地检测ARMAX模型中孤立的附加型异常点及异常点斑片.实际的和模拟的结果也显示这些方法可以明显减少掩盖和淹没现象的发生,这是对已有工作的推广和扩充.     

基于网络搜索信息的多模态数据驱动航空客流集成预测

为了对机场旅客吞吐量进行更高精度的预测，提出了一种基于网络搜索信息的“分解-重构-集成”组合预测新方法。首先，采用平均影响值和时差相关分析法对机场旅客吞吐量相关的网络搜索关键词进行筛选，合成综合搜索指数。其次，利用改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)方法分别将机场旅客吞吐量和综合搜索指数分解为若干子模态序列，依据子序列的样本熵值重构为高、中、低频序列。以搜索指数中的不同频率成分作为辅助输入信息，分别对机场旅客吞吐量的高频和中频序列采用麻雀搜索算法优化的BP神经网络(SSA-BP)模型进行预测，而低频序列采用自回归分布滞后模型进行预测，最后将不同频率序列预测值用SSA-BP模型进行综合集成得到最终的预测值。通过实证发现，该组合预测新方法能显著提高预测的精度，并表现出较好的鲁棒性。     

时变自回归模型系数的估计及预测

本文对一般时变自回归模型(TVAR)的时变系数提出一种估计方法,即建立一个关于时变系数的向量自回归时间序列模型,利用最小二乘方法计算其系数矩阵,在此基础上预测时变系数,从而得到时变自回归序列的点预测,另外给出了点预测和区间预测的方法.     

简化正交归一约束的自适应噪声子空间估计算法

为避免MUSIC算法的特征分解过程,提出一种噪声子空间的自适应估计算法,能够估计整个噪声子空间.该算法基于正交归一化约束的最小均方(LMS)算法,但对正交归一约束过程进行了简化,较之显式正交归一化约束的LMS算法,简化了运算过程,适合实时计算与工程实现.噪声子空间估计以迭代的方式进行,适合应用于运动信号源的跟踪.仿真结果显示算法具有很好的空间谱估计性能和DOA跟踪性能.     

基于CEEMD与GA-SVR的猪肉价格集成预测模型

为提高猪肉价格预测的准确性,结合互补集合经验模态分解(CEEMD)的分解能力和基于遗传算法的支持向量回归(GA-SVR)的自适应预测功能,构建猪肉价格集成预测模型.首先为解决猪肉价格的复杂波动特征,通过CEEMD对猪肉价格分解得到本征模态函数(IMF)序列集;然后使用排序熵(PE)对IMF序列进行复杂度分析,进一步使用快速傅里叶变换方法(FFT)分解复杂度高的序列;再利用灰色关联度(GCD)对IMF序列集进行关联性分析,聚合相似IMF序列;最后基于各IMF序列的数据特征构建相应的GA-SVR预测模型,并将子序列的预测结果集成获得最终价格预测值.以中国集贸市场的猪肉价格为研究对象,实证结果表明,该集成预测模型在预测精度和方向性指标上,显著优于其他单预测模型和分解集成预测模型.     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先，基于百度指数获得碳交易相关非结构性数据，并利用主成分分析(PCA)方法提取其主成分。其次，对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后，自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后，基于BP神经网络等对三种分解方法的预测值分层集成，得到碳价格最终预测结果。对比实验结果显示，上述组合预测方法充分利用了多源信息，预测精度高且适用性良好。     

人口自适应回归预测模型与实证分析

本文以人口自身传递应和人口政策调节效应为理论假设,提出了兼顾两种效应的人口自适应回归预测模型。与一般的自回模型AR(n)相比,自适应回归预测模型能更好地描述、解释和预测人口的发展变化,是一种优化的回归预测模型。     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

基于噪声先验知识的LMS自适应噪声对消法的水声微弱信号提取

讲述了LMS自适应噪声对消法的数学原理,设计了一种基于噪声参考信号的噪声对消原理结构图,并对初步提取的信号做Fourier变换,设计合理的系数阈值经行滤波,Fourier逆变换的信号与理想信号做性能对比.仿真实验表明:基于噪声参考信号的噪声对消算法呈现出滤波阶数少,收敛速度快,精度良好,提取信号效果良好等优点.汾河二库湖试测试实验结果也验证了该算法具有良好的高效性和实用性.     

Intrinsic mono‐component decomposition of functions: An advance of Fourier theory

We propose a function decomposition model, called intrinsic mono‐component decomposition (IMD). It is a continuation of the recent study on adaptive decomposition of functions into mono‐components (MCs). It is a further improvement of two recent results of which one is adaptive decomposition of functions into modified inner functions, and the other is decomposition by using adaptive Takenaka‐Malmquist systems. The proposed new decomposition model is of less restriction and thus gains more adaptivity. The theory is valid to both the unit circle and the real line contexts. Copyright © 2009 John Wiley & Sons, Ltd.     

Design of hybrid genetic- SVD ANFIS networks for fatigue life modelling of GRP composites

Genetic algorithm (GA) and singular value decomposition (SVD) are deployed for the optimal design of both Gaussian membership functions of antecedents and the vector of linear coefficients of consequents, respectively, of adaptive neurofuzzy inference systems (ANFIS) networks that are used for fatigue life modelling and prediction of unidirectional GRP Composites. The aim of such modelling is to show how the fatigue life varies with the variation of important parameters namely, maximum stress, stress ratio, fiber angle. It is demonstrated that SVD can be effectively used to optimally find the vector of linear coefficients of conclusion parts in ANFIS models and their Gaussian membership functions in premise parts are determined by GA.     

Decomposition methods for the lot-sizing and cutting-stock problems in paper industries

We investigate the one-dimensional cutting-stock problem integrated with the lot-sizing problem in the context of paper industries. The production process in paper mill industries consists of producing raw materials characterized by rolls of paper and cutting them into smaller rolls according to customer requirements. Typically, both problems are dealt with in sequence, but if the decisions concerning the cutting patterns and the production of rolls are made together, it can result in better resource management. We investigate Dantzig–Wolfe decompositions and develop column generation techniques to obtain upper and lower bounds for the integrated problem. First, we analyze the classical column generation method for the cutting-stock problem embedded in the integrated problem. Second, we propose the machine decomposition that is compared with the classical period decomposition for the lot-sizing problem. The machine decomposition model and the period decomposition model provide the same lower bound, which is recognized as being better than the linear relaxation of the classical lot-sizing model. To obtain feasible solutions, a rounding heuristic is applied after the column generation method. In addition, we propose a method that combines an adaptive large neighborhood search and column generation method, which is performed on the machine decomposition model. We carried out computational experiments on instances from the literature and on instances adapted from real-world data. The rounding heuristic applied to the first column generation method and the adaptive large neighborhood search combined with the column generation method are efficient and competitive.     

修正的LMS方法

ＢｉｔｍｅａｄＲ．Ｒ和ＡｎｄｅｒｓｏｎＤ．Ｏ在文献［１］中为任意线性方程组的求解提出了一种颇为有效的算法，称为ＬＭＳ方法．文献［２］详细地论述了算法的收敛性，指出收敛极限是方程组的最小二乘解．本文为使解线性方程组的ＬＭＳ算法具有更广泛、更方便的应用性．对文献［２］中的ＬＭＳ算法作了修正．理论和实践证明修正后的算法是成功的．     

基于RLS算法的多项式预测模型及其应用研究

为了提高经济领域统计数据的预测精度,代数多项式预测模型的建模方法应运而生.该方法使用代数多项式模型拟合给定的经济统计数据,并使用递推最小二乘法(RLS)对多项式拟合模型的加权系数进行递推计算以获得最优模型参数,然后通过获得的最优多项式模型计算未来预测数据.文章以实际统计的经济数据为例进行了仿真计算,研究结果表明,该方法不仅能实现统计数据的高精度拟合,而且具有很好的预测能力,在经济领域具有广阔的应用前景.     

Direct separation of two-dimensional vector fields into irrotational and solenoidal parts

An iterative technique is given for separating a two-dimensional vector into irrotational and solenoidal parts. In contrast to classical methods, the procedure operates directly on the orthogonal scalar components of the vector field, and gives the two separate fields as the result of a single sequence of operations. The manipulations are somewhat similar to a relaxation process. An example of the decomposition of a meteorological wind field is given.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.