一类带随机延滞的时序模型的极限行为

提出了一个带有随机延滞的时序模型Xn 1=fzn 1(Xn,…,Xn-zn 1) Hzn 1(Xn,…,Xn-zn 1)εn 1,应用马氏链的随机稳定性理论,讨论了这个模型的极限行为,给出了关于{Xn}以几何速率按某种方式收敛的一个充分条件。     

非线性时间序列ARMA模型的优化估计法

提供了一种ARMA模型参数的优化估计法—阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度.当初值的精度较差时,更宜采用阻尼最小二乘法.而且本文给出实例的MATLAB程序,并利用t统计量检验出:阻尼最小二乘法要比最小二乘法的参数估计值更为显著,拟合模型更优.     

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。     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

时序模型Xn＋1=TZn-1（Xn,εn＋1（Zn＋））的极限行为

提出了一个随机环境下的时间序列模型，应用马氏链的随机稳定性理论，讨论了该模型确定的序列{Xn}的极限性质，给出了{Xn}依某种方式收敛以及以几何速率收敛的充分条件．     

非线性时间序列分析（第二版）

确定性混沌的出现，改变了人们的思考方法。在应用科学领域，它为许多非随机系统内出现的不规则、反常行为提供了令人震惊却又令人信服的解释。而混沌理论与真实世界最直接的联系就是根据非线性动力学对实际系统所进行的非线性时间序列分析。     

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。     

时序模型Xn+1=TZn-1(Xn,εn+1(Zn+1))的极限行为

提出了一个随机环境下的时间序列模型,应用马氏链的随机稳定性理论,讨论了该模型确定的序列{Xn}的极限性质,给出了{Xn}依某种方式收敛以及以几何速率收敛的充分条件.     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

证券组合的时间序列模型

针对证券的时变特性,联合运用差分方法和指数平滑法,建立了证券组合的时间序列模型。     

随机环境下的门限ARCH(m)模型的几何遍历性

对随机环境下的门限ARCH（m）模型进行了分析,得出了其以几何速率收敛的充分条件,该模型反映了动力系统受随机环境干扰的现象,能更好地拟合现实世界中的诸多实际问题。     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

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。