一种非线性时间序列的关联维快速算法

为了解决经典的优化Grassberger-Procaccia关联维算法存在的运算量大、耗费时间长且在实际中难以应用的问题,提出了一种关联维快速算法.结果表明,该快速算法在误差很小的范围内,速度却可提高上百甚至上千倍,为关联维计算的实际应用开辟了新的前景.     

分形理论下基于时间序列的音乐识别研究

将分形理论和时间序列(混沌序)运用与音乐信号识别,为音乐领域的智能发展提供实验依据.首先对分形理论进行质性分析,并且提出关联维数算法,判断音乐分形程度.接着提出音乐中混沌现象的特征.最后进行实际音乐的实验分析,以钢琴曲目《致爱丽丝》、流行音乐《Disco-theque》和哀乐为例,对3种曲目进行材料性质分析,分析不同曲...     

非线性时间序列分析在股市行情预测中的应用

该文用非线性时间序列分析方法,对一般股市行情序列进行了拟合,指出可用逐段线性回归拟合趋势,用门发自回归模型拟合消除趋势后的平稳序列,通过对１９９７年４月２２日至５月１２日期间深圳股市行情预测值与实际值的对比,说明在正常状态（即无违规操作及无特殊政策出台）下,所建立的模型有较好的拟合效果,从而提供了一个行情预测的有效方法。     

非线性时间序列的结构辨识

本研究了非生时间序列模型的结果辨识，给出了双线性模型和其它非线性模型的结构区别方法及其于条件均值的门限自回归模型和指数自回归模型结构辨识方法，并以数值例子仿真验证本的结论。     

混沌时间序列可预报时间长度分析

摘要：以经典混沌序列——Henon映射序列为例,对不同长度、不同噪声水平的序列进行了预报试验．结果表明：(a)纯净序列,序列越长,预报精度越高,同时预报精度衰减速度随之减慢,并且,当序列足够长时,即使较长预报步长的多步预报,仍可取得相当高的预报精度;(b)含噪声序列,其预报精度随步长的增加迅速地呈指数衰减,并且,序列长度基本上不会对预报时间长度产生影响,但噪声水平对可预报时间长度有一定影响,噪声水平越高,可预报时间长度越短．因此,不明确可预报的标准、不考虑序列长度、噪声水平等因素的影响而简单地以最大Lyapunov指数的倒数定义最大可预报时间长度,是不可取的．同样,根据最大Lyapunov指数推断水文过程的可预报时间长度也是不合适的．     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

时间序列关联分析的灰色方法

给出了一种新的灰色关联度，讨论了其性质，并将它引入到时间序列的关联分析中．得到了时间序列关联分析的灰色方法．     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。     

EEG数据的李氏指数计算与主成份分析

采用新的经验公式计算EEG数据的Lyapunov指数；其中在脑电低维假设下先求出关联维作为拓扑维以确定重构维数，计算结果以采样频率定标，还对EEG数据进行主成分分析，并指出上述计算与分析潜在的意义。     

时间序列分析在龙羊峡水库流量预报中的应用

本文通过对龙羊峡水库入流量过程的数学分析,建立了灰色系统GM(1,1)型与时间序列模型AR(P)相叠合的长期径流预报模型。     

黄淮海平原历史旱涝灾害的时间序列分析

选用全国自然灾害历史数据库中黄淮海平原地区的旱涝灾害等级数据，运用时间序列分析方法，建立了该地区旱涝灾害的自回归－－移动平均混合模型（ＡＲＭＡ模型），并根据所建模型对旱涝灾害进行了后验预报，结果表明，用ＡＲＭＡ模型做年际旱涝变化趋势预报是有潜力的。     

多维时序系统实时建模方法

本文在多维时序自回归谱分析的基础上,进一步讨论了时序系统实时建模问题,并提出一种实时模型的算法,宜于在线控制和机械系统故障诊断中推广和应用。     

脑电信号的非线性动力学分析

基于脑电信号的非线性特征,利用LILEY脑电信号动力学模型计算了相关维数和李亚普诺夫指数.计算结果表明,当改变兴奋性神经元集群的兴奋性输入参数时,该EEG模型具有极限环、倍周期分岔、混沌等复杂的动力学行为,得出混沌存在于EEG模型中的结论.     

时序分析在研究条干不匀率中的应用

条干不匀率是决定棉纱等级的一个重要指标。在整个纺纱过程——梳棉、并条(头并、二并)、粗纱和细纱中都需要测定它、控制它。我们应用时间序列分析方法,研究了纺纱各工序中条干不匀率的变化规律和各工序间条干不匀率之间的联系,建立了合理的模型和一步预报公式,并对各工序作出了由“今天”预测“明天”的一步预报和在同一天内作出上一工序预测下一工序的一步预报,取得了良好的效果。同时,我们在条干不匀率的建模过程中,在动态数据处理的方法上,推广了“纯季节性乘积模型”,它可分析处理的季节性序列更为广泛,也更切合实际问题的需要。这种推广方法可用于一般的季节性乘积模型。     

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈预后,网络在权空间具有混沌动力学行为：应用这种算法的神经网络对基于Mackey-Glass方程含噪声的时间序列进行在线预测,结果表明网络具有很好的预测性能。     

时间序列的谱分析法在叉车振动分析中的应用

本文用时间序列分析理论对叉车的振动进行了分析，提出了结构修改方案．对结构修改后的叉车进行测量，证明性能有所改善．