自回归模型

摘要： 状态空间模型(SSMs)为随机过程研究提供了一个通用框架,在被应用到诸如揭示单一经济现象背后潜藏的经济过程、手机信号识别、雷达屏幕中干扰源条件下的飞机位置检测等等具体实践中表现出了较高的应用价值.其中,马尔可夫状态空间模型在具备较高应用价值的同时,还具备良好的理论性质.再生核希尔伯特空间由于具备良好的学习性,能够适应更加广泛的规律拟合包括线性和非线性拟合,因此尝试从再生核空间中寻找一个能够拟合状态空间中状态转移规律的函数具备很好的研究意义.为了保证解的唯一性,正则化方法被添加到最优化问题中.其中,解的存在性和唯一性是探讨预测误差的前提条件,在此基础上,误差上界被给出.最后,通过机场能见度数据(全国研究生数学建模竞赛—中国学位研究生教育发展中心提供),将正规化核方法的状态空间模型和传统ARMA模型以及Kalman Filter(Kalman)模型进行进行对比,用以验证正规化核方法下状态空间模型的有效性.

摘要： 为提高司机总收益及运营效率,研究机场客流量与司机收益以及乘车效率之间关系,建立司机决策模型.通过灰色预测模型预测机场客流量变化以及所需出租车量;运用AR时间序列模型得到自回归模型,预测各因素下出租车数量变化,建立司机选择决策模型;利用北京首都国际机场数据检验模型,考虑出租车载客所需时间、车辆调度时间、载客出租车离去消散时间等因素,基于排队论,建立多点纵列式排队服务系统,以提高总乘车效率.

摘要： 随着高级驾驶辅助系统的发展,毫米波雷达被广泛应用于汽车上,但随着道路上雷达的增多,雷达抗干扰也成为一个研究热点。线性调频连续波雷达之间的相互干扰可以分为交叉干扰和平行干扰,交叉干扰会使得本地噪声增加,降低目标的信噪比进而影响目标检测,平行干扰会产生虚假目标,但是出现的概率比较小。为了解决交叉干扰带来的影响,提出了经验模态分解和自回归模型相结合的干扰抑制方法。首先将含有干扰的回波信号进行经验模态分解,通过本征模态函数的自相关函数能量找出有用信号主导的模态和干扰信号主导的模态。其次对干扰信号主导的模态采用阈值法进行干扰点检测,并采用自回归模型的方法对干扰点的值进行恢复。最后将所有的模态加起来得到干扰抑制后的信号。实验结果显示,该方法能有效地降低频域噪声基底提高目标的信噪比。

摘要： 针对MOSFET(Metal-Oxide-Semiconductor Field-Effect Transistor)器件故障预测与健康管理问题,提出了一种长短时记忆(Long Short-Term Memory,LSTM)算法与离散隐马尔可夫模型(Discrete Hidden Markov Model,DHMM)相结合的故障预测新方法.该方法利用LSTM算法预测器件状态发展趋势;用自回归(AutoRegressive,AR)模型提取故障信息特征;以DHMM建立特征向量和退化等级之间的映射关系;在LSTM-DHMM模型预测结果的基础上,结合失效阈值排除虚警并预测故障时间,预测误差小于10%,精度较高.与GRU-DHMM(Gated Recurrent Unit Discrete Hidden Markov Model)、GRU-SVM(Gated Recurrent Unit Support Vector Machine)、LSTM-SVM(Long Short-Term Memory Support Vector Machine)方法进行对比分析,结果表明,LSTM-DHMM的预测准确率高于其他三种方案,能有效识别实验器件健康状态、较好预测故障时间,具有有效性和优越性.

摘要： 在电机参数发生扰动的永磁同步电机控制系统中,为提高无差拍预测控制性能,需要对电机参数扰动进行补偿.文中利用永磁同步电机数学模型分析了参数扰动对无差拍预测控制的影响;针对定子电感和定子电阻的扰动设计了自回归模型,利用前若干控制周期的参数扰动量估计出当前控制周期的扰动量;将估计的参数扰动量补偿到无差拍预测控制的输入端,实现对永磁同步电机的控制.仿真和实验结果表明提出的自回归模型参数扰动估计方法能够有效抑制永磁同步电机定子电阻和定子电感的扰动.

摘要： 脑机接口是一种实现计算机和人脑及其他设备间通信的系统。本文引入F3、F4、C3、C4、FZ、CZ、FC1、FC2、FC5、FC6等多通道运动想象脑电信号的网络连接结构权值等特征,采用支持向量机对不同的运动想象任务进行分类。对所提出的基于互信息(MI)的脑网络结构特征提取方法同传统方法自回归模型(AR)参数特征提取方法进行对比研究,发现基于MI特征提取的运动想象脑电信号分类正确率显著高于AR参数特征提取方法,将两类特征进行融合后,运动想象脑电信号分类正确率又显著高于单独使用MI或AR特征提取方法。

摘要： 传统周期图法求解地震动相干函数时需要进行功率谱的人为加窗平滑,且仅能考虑记录两两之间的空间相关性。针对以上缺陷,该研究采用多维自回归(autoregressive,AR)模型代替周期图法进行相干函数计算,并从多个方面对其合理性加以评估和验证。首先以中国台湾SMART-1台阵数据为算例,对比AR模型以及周期图法计算相干函数的结果,从记录的重构效果、功率谱和相干函数等多个角度讨论了不同维度下AR模型的计算结果差异。最后通过采取对已知台站记录进行空间多点地震动模拟,与目标地震动对比,探讨不同维度下AR模型求解地震动空间相干函数的合理性。结果表明:不同维度下的AR模型均可实现对强震动加速度记录的精确重构,但是维度的不同会导致传递矩阵的差异,进一步影响功率谱及相干函数的计算结果;对于彼此间距较小的内环台站记录,不同维度AR模型下所求的功率谱和相干函数差异较明显。基于三维AR模型所求相干函数得到的模拟地震动与目标地震动在时程和功率谱上均较周期图法更为接近。随着记录台站间距的增大,彼此相关性减弱,AR模型维度对相干函数和结果的影响减弱,此类工况采用多维AR模型计算相关函数得到的空间地震动效果并未优于传统周期图法。

摘要： 针对动态环境下多层代价地图存在更新障碍物层地图信息的匹配性和实时性问题,提出了一种新的多层代价地图更新算法。基于激光雷达连续2帧的先验点云数据,采用距离值匹配处理先验点云以确定障碍物的状态信息;对动态环境中存在的动态障碍物,采用自回归模型来估计其将来的位置,被估计出位置的动态障碍物即可同静态障碍物一样进行地图构建,以完成对动态环境的地图更新;搭建ROS仿真环境,在给定动态障碍物的Gazebo场景,验证了多层代价地图更新算法的有效性。

摘要： 随着高级驾驶辅助系统的发展,毫米波雷达被广泛应用于汽车上,但随着道路上的雷达越来越多,雷达抗干扰也成为一个研究热点。线性调频连续波雷达之间的相互干扰可以分为交叉干扰和平行干扰,交叉干扰会使得本地噪声增加,降低目标的信噪比进而影响目标检测,平行干扰会产生虚假目标,但是出现的概率比较小。为了解决交叉干扰带来的影响,提出了自适应阈值和自回归模型相结合的方法,首先使用自适应阈值进行干扰检测,然后应用自回归模型恢复干扰点的采样值。仿真结果显示,上述方法在提高目标信噪比的同时也能够降低旁瓣的影响,并且在多干扰源情况下依然能够起到良好的干扰抑制效果。

摘要： 电力电缆故障参数的关联性较强,导致对其的分析准确度较低,为此,提出10kV电力电缆故障自动诊断方法研究。以电阻、电感和电容参数为基准,分析计算了电缆的基础状态参数,按照电缆几何长度与电磁波最小波长之间的关系划分长电缆线和短电缆线,分别计算了电力电缆状态对应相关的指标参数关联,在利用自回归模型对电缆运行参数进行延拓处理的基础上,通过Hilbert变换处理得到瞬时参数值,结合参数阈值实现对故障的诊断。测试结果表明,设计方法对故障的诊断准确率可以达到92.34%,具有良好的应用效果。

摘要： 在合成孔径雷达(SAR)观测区域中,大量强点目标引起的高旁瓣会覆盖四周的弱目标的主瓣电平,导致弱目标信息无法提取,从而影响SAR图像解译工作.常规的频域加窗经过将SAR图像数据变换到频域,然后在频域通过窗函数来进行幅度加权,但会导致有效信号带宽变窄和主瓣展宽,将会严重影响SAR图像分辨率.为了解决此问题,本文提出了一种基于自回归(AR)模型SAR图像旁瓣抑制方法,通过前向预测器和后向预测器进行频谱外推,以拓展带宽长度恢复图像分辨率.相比传统的频域加窗法,本文增加了线性预测部分,使频谱得以拓展,在抑制高旁瓣的同时保留SAR图像的分辨率.最后,利用计算机仿真实验验证了该方法的有效性.

摘要： 系统的多状态缓慢退化过程会影响系统功能的实现,在采样不完全、采样成本高的条件下对缓慢退化系统的维修策略进行研究,是重要的学术前沿问题.本研究针对不同特征的缓慢退化系统,构造合理的操作空间、维修空间、状态空间等,使用具有时间效应的自回归模型描述分析缓慢退化系统状态这一时间序列,误差检验无误后进一步构建状态转换概率矩阵.在求解系统最优更换极限值的基础上,设计基于半马尔科夫决策过程的动态规划模型并进行优化、比较.针对实例求解具有时间效益的自回归模型并进行误差检验,以此为基础求解状态转换概率矩阵.使用策略迭代算法针对实例进行最小化单位时间长期预计成本的最优化维修策略求解,结果表明基于半马尔科夫的维修策略可以大幅度降低单位时间的成本.

摘要： 本文利用完全集合经验模态分解(CEEMDAN)方法,对海河流域汛期(6-9月)降水进行多尺度分析,并识别其演变模式,获得各本征模函数(IMF),然后结合利用最近邻抽样回归模型(NNBR)、自回归模型(AR)、神经网络模型等多种方法对分解的各模态进行建模,选出最佳模型进行预测.经过对比分析,各模态最佳模型分别为神经网络模型与AR模型.因此本文采用CEEMDAN与神经网络及AR模型相结合的方法对海河流域汛期降水进行预测,并且同回归模型及单一的NNBR模型的预测值作比较研究.结果表明本文采用的模型稳定性好,能合理地预测海河流域汛期降水演变趋势,提高中长期汛期降水预测精度,具有一定的应用价值.

摘要： 基坑是建筑物的基础,基坑的变形预测是一项必不可少的工作.本文通过对长沙市某基坑进行变形监测,结合其垂直位移数据,使用MATLAB软件编程验证了基于自回归模型能较好地对垂直监测点进行建模预测;用AIC、BIC准则和F检验法定阶法两种方法定阶对后10期数据进行预测和对比,得出不同的时间序列数据适用于不同的定阶方法;使用五点平滑法对数据进行预处理,将预处理后的实验数据代入AR模型,预测精度提高约0.1mm;提出未来变形监测的新前景.

摘要： 隐含波动率是期权定价的关键,波动率曲面在风险管理、资产配置和交易策略的运用中具有重要的作用.本文利用上证50ETF期权隐含波动率数据,在隐舍波动率的时间序列特性基础上,考虑期权的在值程度、到期时间、交易量影响,构建了自回归波动率曲面模型,并与其他模型进行比较,发现时间序列特征在解释波动率曲面动态特征上具有重要的作用,结果证实了自回归波动率曲面模型能有效地刻画波动率动态曲面,并且具有良好的预测效果.

摘要： 本文介绍了基于传统的频谱分析法和时间序列的自回归模型(AR模型)的基础上提出一种新的组合方法,结合MATLAB工作环境平台下,得到一种新的组合法来预报电离层TEC,并结合不同纬度地区的电离层TEC的实际情况,将组合法与上述两种方法进行了对比.实例分析表明:组合法精度较高、所需数据少、预报效果较好.

摘要： 本文应用门槛自回归模型、(动量)门限自回归模型和非对称误差修正模型,检验了2008年1月-2015年12月间中国牛肉批发价格与零售价格之间传导的非对称性效应,并对其产生的原因进行分析.研究结果表明:中国牛肉批发价格与零售价格之间的非对称传导效应具有双向特征,牛肉零售价格对批发价格正向波动的反应更迅速,批发价格对零售价格负向波动的反应更迅速.失衡的市场势力和价格上涨的“棘轮效应”是导致牛肉价格非对称传导的主要原因.

摘要： 本文研究了自回归模型下多个瑞利衰减过程叠加的参数估计问题,指出在给定一段有限的观测数据和一组AR模型的基础上,该估计问题可以视作寻找最大似然的问题.本文结合最大期望算法(expectation maximization algorithm)以及卡尔曼滤波器,在高斯白噪声条件下进行仿真,成功实现从混叠的AR模型中估计出各自的方差.

摘要： 为了提高MEMS陀螺仪的使用精度,研究了其随机误差建模及补偿方法.根据MEMS陀螺仪静态实测数据,进行检验和预处理,得到平稳、正态、零均值的时间序列,采用时间序列法对随机误差建立自回归模型.基于模型分别建立经典卡尔曼滤波器和自适应卡尔曼滤波器,降低随机误差对MEMS陀螺仪精度的影响.Maltab仿真结果表明:随机误差建模及补偿可以有效提高MEMS陀螺仪的使用精度.

摘要： 针对大型船舶横摇运动的非线性、非平稳性,而难以使用单一模型进行预报的问题,提出一种基于经验模式分解算法的预报方法.首先,采用该算法将横摇时间序列分解为一系列相对平稳的本征模式分量,以减少不同信息之间的干涉和耦合;其次,将这些分量重组为高频、低频和趋势3个分量,并分别建立支持向量机预报模型和自回归预报模型;最后将三个分量的预报结果叠加作为预报值.对某大型船舶横摇运动时间序列进行预报,仿真结果表明,该方法预报的平均相对误差(RME)和均方误差(MSE)分别为0.0110和0.0400,说明本文的方法可以对船舶横摇序列进行有效预报.

摘要： 本申请公开了一种图像回归模型的训练方法、图像回归分析方法、介质及终端，所述方法通过预设网络模型对获取的训练样本集的样本图像进行识别，得到各样本图像的待测指标的预测值；再根据各样本图像的真实值以及预测值、图像相似度，确定第一样本集和第二样本集；然后通过第一损失函数分别对第一样本集、对第二样本集进行损失计算，得到预设网络模型的第一损失值、第二损失值；基于第一损失值和第二损失值，对预设网络模型的模型参数进行修正以得到图像回归模型。由上述可知，本申请可以通过第一损失值、第二损失值对预设网络模型进行修正，以得到图像回归模型，从而提高图像回归模型的回归分析性能以及模型预测的准确度。

摘要： 本申请公开了一种纵向联邦学习线性回归和逻辑回归模型训练方法、装置、计算机设备和存储介质，该方法通过各个参与方加密各自的本地训练数据，并交换加密后的密文；通过可交换加密方式获得参与方拥有样本交集的交集密文；随机选取多条交集密文中的数据，根据选取的数据得到参与方的中间结果密文，对中间结果密文进行解密，并根据解密结果计算加密聚合梯度；对加密聚合梯度进行解密，得到更新参与方模型参数的梯度；对模型进行更新，判断是否满足迭代终止条件，若满足，则结束迭代，若不满足则继续训练。解决了现有技术中由于数据的隐私性和不同组织之间缺乏信任，使得各组织的敏感数据难以充分利用以进行分布式机器学习模型训练的技术问题。

摘要： 企业碳排放量通常需要通过企业活动数据进行估算。不同企业，工艺流程不同，碳排放的排放源不同，碳排放量的计算复杂程度不同。本发明提出了一种基于工业企业生产数据（产量/原材料消耗量/能耗量等）以预测混合系统和方法。本方法结合了传统的多元线性回归和以及人工神经网络模型，采用了混合建模方法通过分步线性回归的方法筛选更重要的工业企业生产数据输入变量，然后将筛选后的工业企业生产数据变量馈入人工神经网络模型，从而产生复杂模型以预测一定时间跨度内的碳排放量输出量。本发明提出的复杂模型仿真结果表明该复杂模型的性能比其相应的其他单阶段模型更优并且可以在广泛的各类企业中应用该复杂模型实现各时间维度的碳排放量的预测。

摘要： 本发明公开一种系统线性回归预测模型的回归系数确定方法和系统，方法包括：基于系统初始采样数据序列计算系统线性回归预测模型的初始模型系数，并记录；随系统采样点的每次增加获取新的系统采样数据序列，确定增加的系统采样点数据和减少的系统采样点数据；基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，作为每次系统采样点增加对应的模型系数并记录。本发明利用迭代的方式计算模型系数，可避免计算过程中对服务器资源的大量占用，提高系统线性回归模型系数计算的效率，保障对线性回归模型系数计算的实时性。

摘要： 本发明涉及一种基于随机森林回归模型的数字高程模型改正方法和装置，方法包括：将数字高程模型载入基于随机森林算法构建的高程改正回归模型中，进行高程修改；模型训练过程包括：从卫星足印地形高程数据中选取用于参考的地理位置，从数字高程模型中选取与地理位置的距离在第一距离范围以内区域的高程数据，并与卫星足印地形高程数据比较，得到高程差值作为高程改正量；采用高程改正量和根据数字高程模型构建的评估属性，对高程改正回归模型进行训练，评估属性包括地表覆盖因素、地形特征因素、空间分布因素以及数据源质量因素。与现有技术相比，本发明所提方法可以有效提升数字高程模型的高程精度，改正前后的高程精度提升比例约为29‑42％。

摘要： 本发明提供了融合三重视觉匹配模型和多基站回归模型的室内定位方法，首先，基站采集室内不同参考点的多角度图像，RSS与位置信息，将采集的图像和参考点位置数据上传到云端；其次，在RSS数据处理后，各基站在本地服务器训练RSS‑距离的回归模型，云端利用多角度图像以及参考点位置构建图像‑位置指纹库；最后，通过三重视觉匹配模型与多基站回归模型进行定位融合，获得最终定位结果。本发明能够采用多基站RSS‑距离模型以及多角度视觉采集数据来更好的表征室内环境，此外采用多基站RSS‑距离回归模型，三重视觉匹配模型实现融合定位，改进了单定位方法，单指纹匹配的精度不足问题，有非常广阔的应用场景。

摘要： 本申请涉及一种基于自回归ARIMA模型和前馈BP模型的数据预测方法和系统，其中，该方法包括：通过预设地区的历史出口数据建立ARIMA模型，并得到线性预测结果；将历史出口数据的真实值与对应的线性预测结果进行拟合，得到残差序列；通过残差序列和疫情因素建立BP模型，并得到非线性预测结果；根据线性预测结果和非线性预测结果，得到综合预测结果，综合预测结果用于预测预设地区的外贸出口，通过本申请，解决了预设地区在受到疫情因素影响下外贸出口量的预测存在精准度低的问题，实现了结合时间序列中ARIMA模型和人工智能中的BP模型，准确预测了预设地区在外部影响因子影响下的外贸出口。

摘要： 本发明公开了一种基于决策树模型与逻辑回归模型组合的感染筛查方法，其检测操作方便，可提高感染筛查准确性，该方法基于生命体征监护仪实现，生命体征监护仪与远程数据服务平台通信连接，远程数据服务平台依据临床数据进行感染筛查，该方法包括：通过生命体征监护仪检测获取用户临床数据，将临床数据随机划分为训练集、测试集，将训练集均分为两份：训练集A、训练集B，基于训练集A构建决策树模型，同时，对训练集A进行特征选择，将关键特征向量作为已构建的决策树模型的输入，获取新构造特征向量，基于组合特征向量，构造逻辑回归模型，基于决策树模型和逻辑回归模型组合，对测试集进行预测分类，获取分类结果。

摘要： 本发明提供基于逻辑回归模型的评分卡模型的建立方法，包括确定样本数据，进行特征衍生，自动及人工对特征进行分箱处理，对分箱进行woe转换处理，利用XGBoost进行特征二次衍生，再利用逐步回归选择最终建模的特征，最终利用Lasso逻辑回归模型建模。本发明能够使得最后入选的特征和业务逻辑保持高度一致，使得模型的可解释性得到了进一步的提高，同时利用了XGBoost、Lasso算法，自动化衍生出高IV值特征、提供了内嵌的特征选择，显著提高模型拟合以及稳定效果。

摘要： 本发明公开了一种基于自回归模型的造纸清水流量预测智能预测模型，涉及预测模型技术领域，具体包括以下步骤，流量规律分析，通过数学建模思想，首先将造纸清水流量预测实际问题转化为数学问题，围绕其周期性、波动性，对造纸清水流量数据的趋势变化进行分析，作为后面数据预处理的先行步骤。该基于自回归模型的造纸清水流量预测智能预测模型，在实时获取相关设备数据的前提下，对造纸清水流量进行实时预测，以实现动态监测实时进水量，便于异常情况及时发现以及为新水取用量的优化措施提供数据支撑，本模型采用整合移动平均自回归模型，充分考虑了造纸清水流量在实际工业生产过程中的变化规律，能够利用其存在的周期规律特性。