一、正权组合预测的最佳估计及其精度(论文文献综述)
李晴文[1](2021)在《基于智能算法组合模型的边坡位移预测研究》文中指出滑坡灾害在全世界范围内造成了不可逆的生命、财产、生态环境损失。如何构建高效的滑坡评估预警预报体系,利用合适的预测预报技术,采取行之有效的预防措施对滑坡进行预测,减少或避免滑坡造成的影响将是我们首要考虑的问题。论文通过对边坡位移等监测数据进行分析,利用灰色模型、支持向量回归模型、小波神经网络、粒子群优化等智能算法,构建科学合理的预测模型。并结合实际的边坡工程,研究边坡变形机制机理,把握边坡变形规律,为滑坡防治工作提供指导。主要研究内容和成果如下:(1)论文简要分析了滑坡监测现状及其存在的一些问题。通过对监测数据进行研究,选择既能直观综合反映边坡变形特征又易于获得的边坡位移监测数据进行分析,探究边坡变形规律。通过分析灰色模型和支持向量回归模型的建模过程,归纳模型优缺点。针对模型中存在的问题,对其进行优化改进,使之满足实际工程需要。论文对灰色模型的背景值和初始条件进行改进优化,以此为基础提出PSO算法优化寻参的3参数的变权缓冲NGM(1,1,k,c);同时考虑不同数据区间对预测结果的影响,建立了基于数据融合的灰色预测模型。在支持向量回归模型的改进中,基于模糊信息粒化的SVR模型、基于PSO优化的PSO-SVR模型和WNN-SVR模型的提出,在不同方面改进了传统SVR模型,高效快速确定出模型的最优参数,适用范围更广,并能同时满足拟合和预测需求。(2)针对边坡变形机理的复杂不确定性和单一模型的局限性,研究并扩展了组合模型在边坡工程上的应用。运用特定的定权方法,构建出精度更高,适用性更强的组合模型,并将其成功应用于边坡工程中。选用更具客观准确性的熵权法对PSO-SVR模型和PSO-NGM模型进行赋权,形成的PSO-SVR-NGM无论在变形趋势上还是拟合预测精度上都优于单一预测模型。SVR-NGM-WNN最优加权组合模型通过最优加权组合法组合PSO-SVR模型、PSO-NGM模型和WNN模型,降低了不良模型的干扰,使模型能够充分吸收各单一模型的优点并有效利用已知信息,取得了更精确的预测结果。(3)最后以灰色模型为基础,同时考虑系统误差和监测粗差的作用,建立半参数稳健估计模型。并且顾及气温、降雨量、库水位等影响因素,构建出基于稳健估计的多因素半参数NGM模型。相较于只考虑单一位移影响因素的预测模型,其精确性和合理性更高,适用范围更广。通过在具体的边坡工程的成功应用,验证了该模型的优越性,并且拓展了模型优化研究的方向。
马朝忠[2](2020)在《GNSS时间序列异常值探测方法研究及其应用》文中进行了进一步梳理有效可靠的GNSS数据是精确定位、导航与授时的前提和基础,GNSS时间序列异常值的探测是提高数据可靠性的一个重要环节。本文主要致力于GNSS时间序列异常值探测方法及其应用的研究。基于ARIMA模型,提出GNSS时间序列异常值探测的Bayes方法、似然比方法、EM算法及其模型选择方法,并应用于卫星钟差数据处理及其BDS卫星三频周跳的探测与修复。本文的主要工作和创新点如下:1.提出了GNSS时间序列异常值探测的Bayes方法。运用Bayes统计学的理论和方法,从Bayes假设检验的角度提出了基于识别变量后验概率的GNSS时间序列异常值的探测模型和判别规则;从不同角度研究了ARIMA模型参数及识别变量的先验分布的确定方法;采用Gibbs抽样算法,提出了后验概率值的计算方法;将二次多项式模型和ARIMA模型相结合,构建了新的卫星钟差预报模型和异常值探测模型;随机选取GPS卫星4种不同类型的星钟,考察新方法的有效性,并与MAD方法进行了比较。2.提出了GNSS时间序列异常值探测的似然比方法及其成片异常值探测的抗掩盖与淹没算法。借鉴方差膨胀模型的思想,将异常值的扰动归入随机模型,运用似然比原理和方法,构建了异常值的探测模型和检验规则,将异常值的探测问题归结为假设检验问题;提出了GNSS时间序列异常值探测的似然比方法,推导了似然比检验的Score检验统计量;针对成片AO类异常值探测时易出现掩盖与淹没现象的问题,分析了成片异常值对异常值探测产生影响的机理及差分与逆差分对异常值探测产生影响的机理,提出了成片AO类异常值探测的新算法及成片异常扰动估计的方法,并将新方法应用于BDS卫星钟差数据的处理。3.提出了GNSS时间序列异常值探测的EM算法及两种改进算法。引入识别变量建立了基于ARIMA模型的异常值探测模型,并将识别变量视作隐藏变量,采用EM算法进行计算,实现了异常值的定位与定值;针对EM算法在GNSS异常值探测过程中系数矩阵易出现病态性的问题,分别运用有偏估计理论和正则化方法,对异常值探测的EM算法进行了改进,给出了相应的偏参数和正则化参数的确定方案,并应用于GPS和BDS卫星钟差数据的处理。4.提出了GNSS时间序列异常值探测的模型选择方法及其成片异常值探测的两阶段法。从模型选择的角度建立了GNSS时间序列异常值的探测模型,将异常值的探测问题转化为一个模型选择问题;提出了GNSS时间序列异常值探测的MDO度量标准,解决了异常值的定位、定值问题;提出了成片异常值探测的两阶段法及其异常值判定的标准;将新算法应用于GNSS卫星钟差数据处理,并在RMSEP、Mean和MAB三个指标下与常用的钟差异常值探测方法进行了比较。5.将新的异常值探测方法应用于BDS卫星三频周跳的探测与修复。针对三频无几何相位组合存在不敏感周跳组合,多次组合会增强数据相关性的现实问题,将本文提出的GNSS时间序列异常值探测的方法应用于BDS三频组合周跳的探测和修复;通过对孤立周跳、连续周跳、不同卫星随机周跳和多卫星多站点组合周跳的探测与修复实验,验证了四种新方法对于周跳探测的有效性、可靠性等优良性能。
化希瑞[3](2020)在《GNSS卫星钟差插值与预报研究》文中进行了进一步梳理全球导航卫星系统(GNSS)在现代社会的方方面面都起到了举足轻重的作用,随着时代的发展和科技水平的日新月异,世界各国也都加快了导航卫星系统的建设,如今的GNSS系统中,除了全球性的导航卫星系统,也包括了区域性导航卫星系统,将传统的利用单一系统进行导航定位逐步转变为多系统联合定位已经成为了研究热点。导航卫星系统的测距原理是以时间的测量为基础的,因此对卫星钟差数据的处理具有深刻的意义,而卫星钟差的影响因素有很多,不同的导航卫星系统搭载的卫星钟各有差异,这对于不同导航系统的卫星钟差数据进行处理时所使用的数学方法带来的影响也各不相同,基于此背景,本文利用不同的插值方法和预报模型对GNSS中全球定位系统(GPS)、格洛纳斯导航卫星系统(GLONASS)、北斗卫星导航系统(BDS)和伽利略卫星导航系统(Galileo)这四大导航卫星系统的钟差产品进行了插值与预报,对比与分析了这些插值方法在GNSS钟差数据处理中的精度并进行总结,得出了一些有益的结论:(1)对拉格朗日插值法、切比雪夫拟合法和广义延拓插值法的基本原理和求解过程进行了研究,在对GNSS系统的卫星钟差进行插值时,为了避免出现“龙格现象”,采用了滑动式算法,将5min的精密钟差数据插值到30s,并与30s的精密钟差进行对比,发现精度均满足要求。(2)利用这三种滑动式插值法对GNSS中不同卫星系统进行钟差插值时,精度均达到了亚纳秒级,三种滑动式插值方法的应用效果从高到低依次为Galileo、BDS、GPS和GLONASS。三种滑动式插值方法中,滑动式广义延拓插值法的插值精度最高,滑动式切比雪夫拟合法精度次之,滑动式拉格朗日插值法精度最差。对于GPS系统,30颗卫星中有5颗卫星滑动式切比雪夫拟合法的插值精度略高于滑动式广义延拓插值法,精度差值不超过0.01ns;对于GLONASS系统,21颗卫星中只有1颗卫星滑动式切比雪夫拟合法的插值精度略高于滑动式广义延拓插值法,精度差值为0.002ns;对于BDS系统,14颗卫星中有5颗卫星滑动式切比雪夫拟合法的插值精度略高于滑动式广义延拓插值法,精度差值不超过0.01ns;对于Galileo系统,16颗卫星中有4颗卫星滑动式拉格朗日插值法的插值精度略高于滑动式广义延拓插值法,精度差值不超过0.01ns。有6颗卫星滑动式切比雪夫拟合法的插值精度略高于滑动式广义延拓插值法,精度差值不超过0.01ns。16颗卫星中有8颗卫星滑动式拉格朗日插值法与滑动式切比雪夫拟合法的插值精度几乎相等。(3)分别利用对二次多项式模型、灰色模型和二次指数平滑预报模型对GNSS系统中GPS、GLONASS、BDS和Galileo四大导航定位系统4月16日24h的30s精密钟差数据预报第二天(24h)的钟差,其结果与4月17日历元间隔为30s的精密钟差数据对比,分析预报精度,对比这三种预报模型在各个系统中的应用效果,得出对于GPS系统,灰色模型和二次指数平滑预报模型的平均精度均能达到亚纳秒级,二次指数平滑预报模型的预报精度最高,平均精度为0.7ns;对于GLONASS系统,这三种模型的预报精度都较差,灰色模型的预报精度最高,平均精度为1.32ns;对于BDS系统,这三种模型的预报精度都较差,二次指数平滑预报模型的预报精度最高,平均精度为2.36ns;对于Galileo系统,二次多项式模型和二次指数平滑预报模型的平均精度均能达到亚纳秒级,而且对Galileo系统当天有数据的16颗卫星进行预报时,这两种预报模型的预报精度均在1ns以内,二次多项式模型的预报精度最高,平均精度为0.37ns。对于二次多项式模型,预报精度从高到低依次为Galileo、GPS、BDS和GLONASS;对于灰色模型,预报精度从高到低依次为GPS、GLONASS、Galileo和BDS;对于二次指数平滑预报模型,预报精度从高到低依次为Galileo、GPS、GLONASS和BDS。
刘媛媛[4](2019)在《基于GIOWA算子的组合模型在铁路客运量预测中的应用研究》文中研究指明随着中国经济的飞速发展,城市间的联系变得愈加密切,我国进入客运线路大规模投资建设时期,大型铁路尤其是高速铁路的建成运营,有效缓解了目前客运能力紧张的局面。在铁路运输方面,对运量进行预测是铁路规划投资建设之前必须完成的一项重要工作,准确的铁路客运量预测在铁路建设项目经济评估、国家资源配置、铁路内部投资结构调整和经营管理等方面发挥着重要作用。因而,如何对铁路客运量进行科学合理的预测是交通领域一项重要的研究课题。通过对国内外铁路客运量预测的研究现状进行分析和总结,发现铁路客运量受多层次多方面因素影响,准确描述其发展变化规律较为复杂,导致传统预测方法所得的预测结果准确性有限,相关研究表明,使用GIOWA算子将不同的单项预测方法综合起来所得到的组合预测方法可以有效提高模型整体预测精度。该组合模型通过对每个单项预测方法在样本区间上各个时点的拟合精度的高低按顺序赋权,弥补了传统组合预测方法固定赋权的缺陷,从而有效提升了模型的预测性能。本文首先根据各单项预测模型的优缺点及适用性、GIOWA组合预测中单项模型的选取原则,结合铁路客运量变化的发展规律,遴选ARIMA模型、偏最小二乘回归模型和GRNN网络模型作为铁路客运量预测分析的单项模型;其次,对影响铁路客运量的诸多因素进行划分归类,并采用相关系数法最终确定了与铁路客运量相关的因素。然后,引入广义诱导因子GIOWA,选取了IOWA、IOWGA、IOWHA算子构建了铁路客运量组合预测模型。该组合预测模型在指标信息集结过程中,考虑了指标集自身的重要性程度以及单项模型预测结果的精确性,通过集成利用各单项预测模型的信息,有效降低了单项模型的预测误差。最后以我国铁路客运量及各影响因素历史数据为模型样本,分别建立基于时间序列的GIOWA组合预测模型和基于影响因素的GIOWA组合预测模型进行预测;然后,选取平均绝对误差、均方误差和平均绝对百分比误差作为评价指标验证各模型预测结果的精确性。结果表明,GIOWA组合预测模型所得结果相比各单项预测模型及传统预测方法,与实际客运量误差更小,预测精度更高,其中基于影响因素的GIOWA组合模型预测性能更优,验证了本文所提出的组合预测模型的有效性,能够为交通规划提供有效参考与借鉴。
李月锋[5](2019)在《兰州市中央商务区深基坑开挖监测与预测研究》文中指出深基坑工程由于涉及到复杂的地质条件、繁杂的施工技术以及复杂多样的施工现场条件,经常发生各种基坑施工安全事故,造成一定的经济损失和不良的社会影响。为了避免一系列基坑安全事故的发生,在深基坑施工全过程中必须进行深基坑变形监测,而建立适当的预测模型进行基坑变形预测,对基坑的安全施工有重要的指导意义。本文以兰州市轨道交通1号线一期工程省政府站及中央商务区基坑监测项目为依托,以现场采集的各项监测数据为基础,理论联系实际,根据实际监测数据建立时间序列模型和NAR(Nonlinear Auto Regressive models)人工神经网络模型,对基坑未来的变形趋势进行预测。由于数据采集过程中受外界干扰因素较多,引入了卡尔曼滤波对其原始时间序列进行了滤波处理,并在结合两种模型优势的基础上提出了一种基于卡尔曼滤波的时间序列-NAR人工神经网络模型进行基坑变形预测分析,最后将三种模型的预测结果进行对比分析。本文的主要研究内容如下:(1)通过对兰州市轨道交通1号线一期工程省政府站及中央商务区基坑监测项目进行监测,分析各监测项目的实际监测数据结果,发现基坑在监测期内各监测项目未出现监测报警,基坑开挖过程基本处于安全稳定状态。(2)通过对基坑支护桩多期沉降监测数据进行IDW(Inverse Distance Weighted)插值处理及基于R软件平台采用最小二乘方法对基坑支护桩沉降坡度进行提取分析,确定基坑支护桩沉降变形趋势最大区域为ZJ52监测点附近区域,后期预测分析将以该点的监测数据为重点。(3)通过对三种模型的预测结果对比可知:基于Kalman滤波的ARIMA-NAR组合模型的预测精度最高,其精度指标平均绝对误差MAE、均方根误差RMSE、平均绝对百分误差MAPE和拟合优度R2分别为0.2787、0.5279、3.9150和0.9972,均优于单一的ARIMA和NAR神经网络模型,NAR人工神经网络模型的预测精度次之,时间序列ARIMA模型的预测精度最低。(4)验证了所提出的基于卡尔曼滤波的时间序列-NAR组合模型在基坑监测预测领域的实用性,将其应用于基坑支护桩水平位移和支护桩深层(测斜)位移等监测点进行变形预测分析。根据预测结果可知:时间序列模型和NAR人工神经网络模型均能够得到较为准确的预测结果。而基于卡尔曼滤波的时间序列-NAR人工神经网络组合模型,在经过卡尔曼滤波去噪的基础上,得到的结果精度更高,适用性更强,能够为基坑的安全施工提供更可靠的数据支撑。
丁鹏文[6](2019)在《基于小波去噪的组合模型在建筑物变形监测中的应用》文中研究说明随着我国经济的飞速发展和城市化进程的加快,越来越多的高层建筑物拔地而起,由于受到人为和自然等多种因素的外力影响,建筑物在施工中和运营过程中发生不同程度的变形在所难免,如果形变超过一定范围,便会对周边人群和建筑物造成不可估量的危害。建筑物沉降观测主要是对建筑物进行有规律的周期性观测,通过对建筑物沉降观测数据的处理和分析能够及时的掌握建筑物形变情况,从而为建筑物的安全提供了有效保障。近年来,随着科学的进步和对数据预测的需要,出现了不少的预测模型,如时间序列模型、神经网络模型、灰色模型、小波分析等,不同的预测模型有着其本身的优缺点,在实际应用中,如果能将不同预测模型的优点结合起来,建立较好的组合模型,便能在一定程度上提高建筑物变形预测的精度。小波去噪在处理数据时能够剔除和插补原始数据中的异常值,使得原始数据序列更加平滑。灰色模型和BP神经网络模型都是常用的沉降预测模型,灰色模型的优势在于处理信号不完全、样本数据较少时有很好的预测效果,但数据预测呈指数变化形式,常与后期逐渐趋于平稳的沉降观测数据的变化趋势不符,而采用对原始数据的恒正凹化处理和相邻均值法能较好的弥补这一缺点,提高模型精度。而BP神经网络模型,具有较好的计算能力、误差校正能力。因此结合三者的优点,通过适当的结合方式建立基于小波去噪的灰色BP神经网络模型,可以较好的提高模型的预测精度。本文结合工程实例,研究如下:(1)利用MATLAB程序对101监测点和205监测点建立传统GM(1,1)模型和优化GM(1,1)模型,通过精度评定标准的对比,得出优化GM(1,1)模型精度更高。通过MATLAB程序对两监测点构建BP神经网络模型并进行预测。通过最优加权组合方法将优化GM(1,1)模型和BP神经网络模型进行组合,同样利用MATLAB程序实现模型构建,通过精度评定标准的对比,得出组合模型的预测精度高于单一模型。(2)对建筑物沉降观测原始数据进行小波去噪,通过对小波去噪不同参数的对比分析,从而进行最优的去噪参数设置。在去噪后数据的基础上,利用MATLAB程序再次实现对单一模型和组合模型的构建,通过精度评定标准MSE、SSE和MAPE的比较发现,小波去噪后的单一模型精度高于相对应的小波去噪前的单一模型,小波去噪后的组合模型精度高于小波去噪前的组合模型,最终得出基于小波去噪的优化灰色BP神经网络组合模型能更好的对建筑物变形进行预测的结论。
李培志[7](2019)在《支持向量机模型的优化及其应用研究》文中研究指明近年来随着互联网技术的飞速发展以及社会的不断进步,机器学习这一门人工智能科学在社会生产、科学研究及日常生活中占据着愈发重要的作用。作为机器学习中的经典算法,支持向量机(Support Vector Machine,SVM)基于其在小样本、非线性及高维模式识别中的特有优势而得到了快速的发展。目前国内外学者对支持向量机进行了许多有益的探索和研究,并将其成功应用于包括生物信息学、文本识别和天气预报等领域在内的生产生活各个方面。然而,没有一个模型可以在所有情况下都表现良好,单一的支持向量机仍然存在着局限性,如存在缺失值时效果欠佳、参数确定没有具体的标准以及面对复杂数据时表现不理想等,这些问题会对模型效果带来不利影响。基于这一背景,本文对支持向量机进行改进并提出若干基于支持向量机的优化模型。优化形式可以分为三类:数据结构优化、参数优化以及组合优化。对于数据结构优化,本文使用分解集成策略来选择合适的数据训练支持向量机,以改善支持向量机对复杂数据效果欠佳的问题;对于参数优化模型,本文提出基于最优化算法的模型来处理支持向量机参数选择问题;组合优化模型又可分为方法组合优化和模型组合优化,其中方法组合优化是对包含支持向量机在内的统计方法的结果进行组合,改善单一方法不能在各种情境下都表现最优的状况,而对于模型组合优化,本文尝试将支持向量机与治愈模型相结合,来解决传统治愈模型在非线性条件下估计效果欠佳的问题。为了检验不同优化方法的效果,分别将各优化模型应用于实际数据中进行实验。选择优化的原则与所应用的实际背景有关,即根据具体数据特点来构建相应的优化模型,并分别应用于大气污染治理、文化产业管理、能源经济及生存分析等。对大气污染治理来说,由于污染物时间序列包含了不同周期的子序列,如季节性波动、短期天气变化等,使得数据结构比较复杂,这时就需要使用数据结构优化,首先将不同周期的子序列分离,再分别进行预测。对文化产业管理来说,由于一部电影受到制作成本、电影类型、明星影响力等诸多因素的影响,每个电影都具有各自的独特性,这时就需要考虑使用参数优化方法选择具有更好参数的支持向量机进行建模。在能源经济领域,本文所使用的数据样本量较大,且不同地区的数据特点不同,没有一个单一模型可以在各地区各季节都表现良好,这时就应该考虑使用方法组合优化模型。对于生存分析中的治愈模型来说,其治愈率部分使用Logistic回归。但是随着研究的发展,许多协变量与治愈概率的关系并不符合Logistic函数的形式,而是存在一些其他复杂的关系,因此,考虑使用模型组合优化构建新型治愈模型。全文共分为六个部分,其主要研究内容及结论如下:第一章介绍本文的选题依据、研究意义、研究思路与主要内容以及主要创新与不足。第二章提出优化支持向量机的概念,将讨论支持向量机的原理与特点及目前关于优化支持向量机的研究现状及局限性。第三章分析支持向量机的数据结构优化及应用。给出KZ滤波及改进方法的原理与特点,并介绍与支持向量机相结合的优化模型。在实验中首先分析大气污染治理的研究背景,使用改进KZ滤波分析大连市的污染数据,并挑选中国四座城市的污染数据综合评估优化模型的预测效果。结果显示,分解集成策略可以很好地实现数据结构优化。污染物冬季的长期分量达到峰值,而夏季的长期分量保持相对较低水平,其中季节性分量和短期分量在冬季表现出较大的波动。从方差贡献率结果可以看出,季节性成分对原始序列的贡献最大,其次是短期和长期成分。预测结果表明,数据结构优化模型具有较好的预测效果和拟合精度,并在存在噪声的情况下仍然表现良好。第四章探讨支持向量机的参数优化及应用。首先介绍帝国竞争算法及用该算法优化的支持向量机,接下来使用电影票房数据检验优化模型的效果。在实验中首先选择最适合的训练集大小,其次将优化模型应用于首映周票房预测,并与常用模型进行比较。结果显示,当最优训练集为20,预测模型为所提出的参数优化模型时,预测效果优于其他对比模型,此时预测的MAPE值约为15%。通过列出22部测试电影的票房预测值和真实值,发现大部分情况下预测值都非常接近真实值。模型对比结果也证明了优化模型的有效性。第五章对支持向量机的组合优化及应用进行描述。首先论述组合预测和治愈模型的原理和特点,接下来通过对方法组合优化模型在能源经济中的应用和模型组合优化在生存分析研究中的应用分别论证两个组合优化模型的效果。方法组合优化的结果表明,当训练集为一个月的数据,测试集为一周的数据时,预测性能最好且最稳定。与常用模型的比较表明,支持向量机与ARIMA和BPNN具有同一水平的预测精度。因此,引入三个模型构造方法组合优化模型。预测结果表明,该组合优化模型性能优于组合优化模型中的任何一个单一方法,并优于近些年由学者提出的部分预测模型。模型组合优化的数值模拟结果表明,所提出的半参数模型在估计协变量的未治愈概率方面与现有的治愈模型相比有更好的性能。当潜在的发病率结构不能用Logistic模型近似时,所提出的治愈模型的均方误差和错分类率均小于现有的模型,这表明所提出的优化模型在发病率部分具有更好的校准和判别表现。真实数据结果说明,两个模型估计的潜伏期结果相似,而优化模型估计的未治愈率可以提供比传统模型更多的信息。第六章对各优化方法的适用性进行讨论,对全文进行总结,并对未来研究方向进行展望。本文的主要创新点如下:(1)在数据结构优化方面,传统的KZ滤波由于滑动平均的作用,在每次过滤后都会损失部分首尾数据,而缺失数据对于构建预测模型至关重要。基于此,本文对KZ滤波进行改进,提出两种新型滤波方法,并利用分解集成策略和支持向量机对数据结构进行优化。(2)在参数优化方面,本文首次尝试将百度指数与支持向量机结合起来以构建复合预测模型。由于不同电影的百度指数相差很大,本文还选择参数优化方法对支持向量机中的参数进行优化。(3)在方法组合优化方面,由于不同时间不同地区风速的数据结构差异很大,没有一个模型可以在所有情况下都表现良好,因此本文并没有去研究效果优良的单一模型,而是尝试使用组合预测的方法,对包括支持向量机在内的常用统计预测模型进行比较,选择效果较好的模型构建方法组合优化模型。(4)在模型组合优化方面,本文首次将支持向量机与治愈模型相结合得到一种新型的治愈模型。在该模型中,由于支持向量机在小样本和非线性模式识别中具有独特优势,使得其可以在治愈率部分为非Logistic函数下仍具有较高的识别效果。本文所提出的优化模型同时具有较强的理论与实际意义。在理论上,本文选择数据结构优化、参数优化以及组合优化来克服单一支持向量机的不足,简化训练数据结构,提高模型整体效果。此外,本文提出的优化模型能够从理论上弥补现有模型的不足,具有较强的泛化能力。同时,这些优化模型也具有很重要的实际意义。对比较灵活的机器学习模型来说,根据其结果可以提前研判出所研究事物未来的发展态势;而对传统统计模型来说,根据其结果可以识别出协变量的效应并对具有一组协变量值的个体进行预测,这些结果可以为管理部门和政策制定者提供决策依据。在本文中,将这些优化模型分别应用于风速预测、大气污染预警、电影票房预测和生存分析中,证明其在不同领域的良好效果。本文的不足之处如下:(1)对预测模型来说,由于所选择的数据都是一定范围内的数据,故可能存在抽样偏差。今后可以尝试在更大数据集下进一步测试优化模型的综合性能,并与其他预测模型进行比较。(2)对治愈模型来说,本研究没有对治愈模型的潜伏期部分进行改进。理论上说,支持向量机所具有的特点可以在潜伏期部分对病人的生存函数进行拟合,并可能取得优于比例风险模型或加速失效时间模型的效果。此外,在今后的研究中可以测试新治愈模型在高维数据情况下的性能。
广伟[8](2019)在《GNSS时间互操作关键技术研究》文中研究表明随着全球卫星导航系统的建设与发展,使用户利用多颗GNSS卫星在定位解算时形成更优化的几何结构,提高定位精度成为可能。与单个卫星导航独立定位相比,多GNSS组合服务具有可提供更高的服务质量的潜力,尤其是在城市峡谷和树叶茂密的森林等具有挑战性的环境中,多GNSS服务将具备极大的优势。为实现多组合服务,提高定位授时服务性能,各GNSS应具有称为兼容与互操作的特征。时间互操作是卫星导航系统之间互操作性的一个重要方面,也是多GNSS融合导航关注的一项主要内容。系统层面实现时间互操作涉及两项关键内容,一是准确监测各导航系统之间的时间偏差并进行预报;二是确定一种参数将系统间的时间偏差预报信息播发给用户,并尽量减轻用户端的负担。论文从系统层面对GNSS时间互操作涉及内容中的关键技术细节及实现方式进行理论分析,并采用实际数据进行试验验证。论文主要分析了当前GNSS系统时间的产生方式,GNSS系统时间偏差监测方法以及时差监测中时延的确定方法进行了剖析,结合原子钟噪声理论对GNSS时差序列的噪声特性进行了分析,给出GNSS时差序列噪声的消减方法,最后对GNSS时间互操作参数播发内容确定方法进行了研究,结合真实数据进行验证,最后从不同的角度对时间互操作参数的播发方法进行了比对。主要研究内容和创新点如下:(1)研究了时间互操作中的GNSS系统时差监测技术,对不同时间偏差监测方法进行了详细分析,并结合实际数据进行比较。准确监测各GNSS系统时间偏差并播发给用户,对于提高多模用户定位性能是很有必要的。论文梳理了目前常用的GNSS时间偏差监测方法,研究了单站时差监测、多站时差监测以及基于时间比对链路的GNSS系统时间偏差监测方法的技术实现细节,对不同时差监测方法的误差来源及修正方法进行了详细分析。使用国家授时中心的链路资源和多模接收机开展了GNSS时差监测试验。(2)提出了基于链路桥接的GNSS时差监测接收机整体时延校准方法。为保证GNSS时差监测的准确性,必须对时差监测设备,或者时间比对链路进行校准。论文提出了基于的链路桥接的GNSS接收机时延校准方法,充分利用了守时实验室的链路资源,结合已校准实验室的有利条件,校准了本地接收机在接收不同导航信号下各系统的整体时延值。试验结果表明,基于该方法校准的不确定度在5ns以内。相对于时差监测设备的绝对校准,该方法简化了校准的过程,降低了绝校准需要昂贵设备以及校准经验的需求,且保证了校准结果的准确。(3)将噪声理论引入到GNSS时间偏差序列的噪声分析中,明确了GNSS时差序列的主导噪声类型。不同的GNSS时间偏差监测方法引入的噪声类型不同,GNSS系统时间偏差的实质是两地原子钟比对的钟差,其包含了原子钟运行的噪声,GNSS系统时间产生过程中驾驭方法引入的噪声,以及GNSS时间偏差监测方法引入的噪声。准确的了解时间偏差序列的噪声类型,选取合适的噪声削弱方法,以提高GNSS时间偏差监测结果的精度。(4)改进了传统的时差序列的噪声消减方法,使用正反向组合的Kalman滤波算法,改善了传统滤波算法的“滞后”和“超前”效应。由于传统的Kalman滤波的基本方程是时域内的递推,其过程就是一个不断“预测-修正”的过程,随着历元的增加,其滤波后的结果会出现一个明显的“滞后”的偏差。针对上述问题改进了传统的Kalman平滑方法,使用正反向组合的Kalman滤波方来消除GNSS系统时间偏差序列的噪声。同时将Vondrak交叉证认法引入到GNSS时差监测序列的噪声消减中,改善噪声对时差监测序列的影响。(5)提出了基于噪声和稳定度取权的GNSS组合时间尺度产生算法。在GNSS时间互操作参数播发方面,考虑到导航电文字节有限的因素,目前ESA提出了多GNSS系统综合纸面时的概念,但具体的实现方式并没有在提案中进行描述。论文基于GNSS时间偏差监测的结果,提出了基于噪声取权的综合尺度算法以及基于稳定度取权的组合时间尺度算法,并使用实测数据进行实际计算,并对上述算法进行了比较。
顾斌[9](2018)在《OFDMA无线认知网络资源分配算法研究》文中指出认知无线电(Cognitive Radio,CR)与多载波调制(Multicarrier Modulation,MCM)技术相结合可有效提高频谱使用效率。作为MCM方案的有效实现形式,正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)和正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)技术已得到广泛应用。OFDMA认知无线电网络(Cognitive Radio Network,CRN)资源分配复杂度问题面临诸多挑战。本文围绕OFDMA CRN感知时长和资源分配联合优化问题展开研究,提出了如下低复杂度算法:基于多核改进型Hoare选择(Multicore-based modified Hoare’s FIND,McMHF)的消息传递(Message Passing,MP)快速算法;基于分段凸分解和保凹插值策略的感知时长和资源分配两种联合优化算法;基于变量去耦近似凸化频带移交(Variables Decoupled,Approxamate Convexification-Band Handover,VDAC-BH)策略的感知时长和资源分配及路由选择跨层联合优化算法。此外,对感知时长和资源分配双层优化的传统polyblock算法进行了理论分析,得到了polyblock算法迭代次数的一近似上界。本文主要研究工作及创新点归纳如下:(1)针对OFDMA资源分配MP算法需进一步加速的需求,利用空闲用户协作下的Hoare选择策略,提出基于多核改进型Hoare选择(Multicore-based Modified Hoare’s FIND,McMHF)的消息传递(MP)快速算法。首先,针对OFDMA资源优化分配MP算法中的选择算法,提出一种多核改进型Hoare选择(McMHF)算法,可调节运算速度与信令开销的权衡点(trade-off)。其次,推导了该算法运算延时和信令开销的概率生成函数(Probability Generation Funciton,PGF)迭代公式,可用于对McMHF算法及与之相关的其它算法进行理论分析。最后,提出了用于OFDMA资源分配的基于McMHF的MP算法(McMHF-MP),理论分析和仿真结果表明,所提算法总体性能明显优于传统的基于MP策略的OFDMA资源分配优化算法。(2)基于OFDMA CRN感知时长和资源分配联合优化双层优化模型,证明了上层目标函数关于感知时长的Lipschitz连续性和非凹性,得到了相应polyblock算法迭代次数的近似上界。首先,针对传统双层优化模型相关文献理论分析的某些不足,对上层目标函数进行Lipschitz连续性分析和凸分析。其次,推导了相应polyblock算法迭代次数的近似上界,为估算基于polyblock算法的双层优化方案的计算复杂度提供了依据。最后,分别采用上层迭代次数、上层调用下层优化过程的次数和下层目标函数的评价次数作为度量方法,分析了双层优化方案下的polyblock算法的复杂度。(3)针对以OFDMA CRN传输速率最大化为目标的感知时长和资源分配联合优化polyblock算法复杂度偏高问题,分别基于分段凸分解和保凹插值策略,提出两种联合优化算法,复杂度显着下降而优化精度损失较小。首先,基于凸分解策略,提出一种OFDMA CRN感知时长和资源分配联合优化的分段近似凸分解(Piecewise Approximate Convex Decomposion,PACD)算法,将感知时长分成多个子区间,在每个子区间上将感知时长和资源(功率和带宽)分配作为独立的近似凸问题进行并行处理。其次,基于保凹策略,提出另一种感知时长和资源分配联合优化保凹插值公式算法(Concavity-Proserved Interpolation Formula,CPIF)算法,选择一凹函数作为插值函数替代目标函数,使原问题转化为近似凸优化问题。理论分析和仿真结果表明,所提两种算法与polyblock算法相比,运算量显着下降而优化精度损失较小。PACD和CPIF算法二者相比各具优势,前者精度更高,后者复杂度更低。(4)针对OFDMA CRN数据包平均延时最小化的感知时长和资源分配及路由选择跨层联合优化高复杂度问题,提出基于变量去耦近似凸化-频带移交(Variable Decoupling,Approximate Convexification and Band Handover,VDAC-BH)分步优化策略的快速算法,显着降低了计算复杂度。首先,提出基于指数样条插值快速获取最优感知时长(Optimal Sensing Duration,OSD)的策略;然后,推导了Nakagami-m衰落环境下OSD的概率密度函数(Probability Density Function,PDF)和CRN数据包帧同步(Frame Alignment,FA)延时表达式;最后,基于M/G/1/K排队论构建Nakagami-m衰落环境下CRN数据包延时最优化模型,以多通道数据包平均延时最小化为目标,以系统感知时长、各用户带宽、发射功率、缓存容量和设备到设备(Device-to-Device,D2D)路由决策为优化变量,约束于排队系统稳定性,对此提出一种次优的VDAC-BH快速算法。理论分析和仿真结果表明,所提算法具有较好的优化性能和较低的复杂度。
欧健[10](2017)在《多功能雷达行为辨识与预测技术研究》文中认为雷达情报侦察作为雷达对抗的关键一环,在现代电子战(Electronic Warfare,EW)中发挥着至关重要的作用。然而,随着有源相控阵(Active Electronically Scanned Array,AESA)等技术的快速发展,多功能雷达(Multi-Function Radar,MFR)得到了广泛的应用,并且发展成为一种具有多功能、多任务、多种工作模式,高数据率、高可靠性和高度智能化的感知系统,展现出极强的灵活性和自适应能力,给雷达对抗技术带来了前所未有的挑战。因而,在与威力日益强大、功能趋于完善的MFR进行动态博弈的过程中,电子情报(Electronic Intelligent,ELINT)侦察系统必须具备及时准确地感知MFR内部状态动态变化的能力,才能引导对抗装备敏捷地决策出最优的对抗策略。正因如此,对MFR的认知已成为当前雷达对抗领域亟待突破的问题。为了更准确地描述MFR信号的规律和特征,本文定义了“雷达行为”的概念,即“雷达对战场态势及电磁环境作出的内部资源分配与外部信号辐射等所有反应的总和”。在此基础上,本文以防空雷达网突防场景中的电子对抗为背景,紧密围绕MFR行为的特征,利用ELINT系统截获的MFR信号数据,结合句法模式识别、离散时间动态系统、人工神经网络等理论工具,从MFR行为的特征表征、建模、辨识和预测四个方面入手,开展了一系列研究:在对MFR行为特征的表征方面,研究了能够适应复杂捷变MFR信号的表征方法。从雷达辐射源脉冲流分选后形成的单部雷达脉冲序列入手,将雷达字作为MFR行为特征表征的载体,分析了MFR雷达字序列具有的马尔可夫性质;开展了多层级MFR信号模型扩展研究,对传统句法模型中的概念进行适当延伸,改进了雷达字的表征和存储方式,将句法模型方法的适用范围扩展到所有常规的脉冲雷达;在扩展后的MFR信号结构模型框架下,提出了两种改进的MFR雷达字提取算法,更有效地利用了信号中的参数信息,提高了MFR雷达字提取的准确率。行为建模方面,将MFR雷达字序列生成视为离散时间动态系统,研究了基于预测状态表示(Predictive State Representation,PSR)模型的MFR信号逆向建模方法。在常规的PSR发现与学习算法的基础上,提出了针对MFR信号改进优化的建模训练算法,并对各步骤实现流程进行了详细阐述。复杂度分析的结果证明改进算法能够有效控制算法的复杂度;仿真实验结果进一步验证了所提算法能够实现较高的建模精度,并显着提高建模和训练的效率。行为辨识方面,研究了对MFR工作模式的辨识方法。基于MFR的句法模型,分别提出了知识辅助和数据驱动的MFR逆向建模方法,用于构造与MFR行为规律对应的自动机,进而实现MFR工作模式的辨识;在基于PSR的MFR工作模式辨识框架下,提出了基于栅格滤波器的识别算法,利用PSR表征能力强的优势,可以实现比隐马尔可夫模型(Hidden Markov Model,HMM)更好的识别效果;针对工作模式转移概率不易获取的问题,提出一种预测状态累积的识别算法,降低对先验信息的依赖。行为预测方面,研究了对MFR信号序列的预测方法。提出了基于PSR的预测算法框架,并在此基础上提出基于线性PSR预测器的MFR信号序列预测算法,显着降低了复杂度;进一步提出一种步间迭代的预测算法,将低阶预测的结果作为高阶预测的条件,通过迭代方式实现MFR信号的多步预测,同时避免了因为未来观测组合的不确定性带来的高计算量;提出一种将PSR与BP神经网络相结合的MFR信号序列预测方法,分析了输入和输出层神经元设置、隐藏层数和神经元数的确定以及激活函数和训练算法的选择等问题,利用训练后的BP网络开展MFR信号序列预测,取得了较好的效果。论文的研究成果完善了MFR行为特征表征的理论,构建了MFR信号的逆向模型,提出多种MFR行为辨识和预测的算法,从而为智能化的干扰决策和雷达对抗提供理论指导,并为认知电子战的工程化应用提供技术支撑。
二、正权组合预测的最佳估计及其精度(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、正权组合预测的最佳估计及其精度(论文提纲范文)
(1)基于智能算法组合模型的边坡位移预测研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究意义 |
1.2 国内外研究现状 |
1.2.1 理论与模拟研究现状 |
1.2.2 边坡变形预测预报研究现状 |
1.3 研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 滑坡位移监测及预测模型 |
2.1 滑坡位移监测技术 |
2.2 灰色预测模型 |
2.2.1 灰色GM(1,1)模型 |
2.2.2 灰色Verhulst模型 |
2.2.3 NGM(1,1,k,c)模型 |
2.2.4 灰色模型的精度检验 |
2.3 支持向量机模型 |
2.3.1 支持向量回归机 |
2.3.2 SVR模型的精度检验 |
2.4 本章小结 |
3 预测模型优化改进 |
3.1 改进灰色模型 |
3.1.1 原始数据处理 |
3.1.2 背景值优化和初始条件优化 |
3.1.3 PSO-NGM位移预测模型 |
3.1.4 基于数据融合的灰色预测模型 |
3.2 支持向量机优化 |
3.2.1 基于模糊信息粒化的SVR模型 |
3.2.2 PSO-SVR位移预测模型 |
3.2.3 WNN-SVR预测模型 |
3.3 本章小结 |
4 优化模型的加权组合预测模型 |
4.1 基于熵权法的PSO-SVR-NGM组合模型 |
4.2 SVR-NGM-WNN最优加权组合模型 |
4.3 本章小结 |
5 基于稳健估计的半参数NGM模型 |
5.1 半参数模型 |
5.1.1 正则化矩阵R的选取 |
5.1.2 平滑因子α的确定 |
5.2 稳健估计 |
5.3 基于稳健估计的多因素半参数NGM模型 |
5.4 本章小结 |
6 结论和展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(2)GNSS时间序列异常值探测方法研究及其应用(论文提纲范文)
信息工程大学学位论文自评表 |
学位论文创新点与发表学术论文对应情况表 |
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 GNSS时间序列异常值探测的研究现状 |
1.2.1 直接探测法 |
1.2.2 间接探测法 |
1.3 本文的主要研究内容和组织结构 |
第二章 时间序列异常值探测方法的回顾与评述 |
2.1 引言 |
2.2 时间序列的模型以及异常值的概念和类型 |
2.2.1 时间序列的ARIMA模型 |
2.2.2 ARIMA模型的表现形式 |
2.2.3 时间序列异常值的概念及类型 |
2.3 时间序列异常值探测方法的回顾与评述 |
2.3.1 时间序列异常值探测的似然比方法 |
2.3.2 时间序列异常值探测的影响分析法 |
2.3.3 时间序列异常值探测的Bayes方法 |
2.3.4 时间序列异常值探测的其它方法 |
2.3.5 时间序列异常值探测方法的评述 |
2.4 ARIMA模型的似然函数及其近似形式 |
2.4.1 ARIMA模型的似然函数与最大似然估计 |
2.4.2 条件似然函数与初始条件的选择 |
2.4.3 反向预报技术与非条件似然函数 |
2.4.4 精确似然函数的构成 |
2.5 本章小结 |
第三章 GNSS时间序列异常值探测的Bayes方法 |
3.1 引言 |
3.2 基于ARIMA模型的异常值探测的Bayes方法 |
3.2.1 Bayes统计推断方法概述 |
3.2.2 时间序列异常值探测模型 |
3.2.3 异常值探测的Bayes方法 |
3.3 先验分布的选择 |
3.3.1 共轭先验分布 |
3.3.2 无信息先验分布与Bayes假设 |
3.3.3 Bootstrap方法 |
3.3.4 分层Bayes法 |
3.4 参数的完全条件分布及异常扰动的估计 |
3.4.1 参数的完全条件分布 |
3.4.2 异常扰动的Bayes估计 |
3.4.3 基于Gibbs抽样的后验概率值的计算 |
3.5 算例与分析 |
3.5.1 模拟算例及分析 |
3.5.2 在GPS星载原子钟差异常值处理中的应用 |
3.6 本章小结 |
第四章 GNSS时间序列异常值探测的似然比方法 |
4.1 引言 |
4.2 基于ARIMA模型的异常值探测的似然比方法 |
4.2.1 时间序列异常值探测模型 |
4.2.2 异常值探测的似然比方法 |
4.2.3 异常扰动的最小二乘估计 |
4.2.4 模拟算例及分析 |
4.3 时间序列异常值探测似然比方法的改进 |
4.3.1 成片异常值的成因及影响 |
4.3.2 成片异常值的探测及异常扰动的估计 |
4.3.3 成片异常值探测的抗掩盖与淹没算法 |
4.3.4 模拟算例及分析 |
4.4 在BDS卫星钟差数据处理中的应用 |
4.4.1 孤立异常值的处理 |
4.4.2 成片异常值的处理 |
4.5 本章小结 |
第五章 GNSS时间序列异常值探测的EM算法 |
5.1 引言 |
5.2 基于ARIMA模型的异常值探测的EM算法 |
5.2.1 时间序列异常值探测模型 |
5.2.2 EM算法的思想和基本原理 |
5.2.3 异常值探测的EM算法 |
5.2.4 算例与分析 |
5.3 基于有偏估计的异常值探测EM算法的改进 |
5.3.1 有偏估计的形式及其偏参数的确定 |
5.3.2 基于有偏估计的异常值探测EM算法的改进 |
5.3.3 算例与分析 |
5.4 基于正则化方法的异常值探测EM算法的改进 |
5.4.1 正则化方法及其正则化参数的确定 |
5.4.2 基于正则化方法的异常值探测EM算法的改进 |
5.4.3 算例与分析 |
5.5 本章小结 |
第六章 GNSS时间序列异常值探测的模型选择方法 |
6.1 引言 |
6.2 基于ARIMA模型的异常值探测的模型选择方法 |
6.2.1 异常值探测模型 |
6.2.2 异常值探测的模型选择方法 |
6.3 后验概率的计算及模型选择方法的实施 |
6.3.1 后验概率的计算方法及异常值探测准则 |
6.3.2 潜在异常值的确定 |
6.3.3 时间序列异常值探测的模型选择方法的实施步骤 |
6.4 算例与分析 |
6.4.1 模拟算例及分析 |
6.4.2 在GNSS卫星钟差数据处理中的应用 |
6.5 本章小结 |
第七章 时间序列异常值探测方法在BDS三频周跳处理中的应用 |
7.1 引言 |
7.2 三频周跳探测的方法 |
7.2.1 三频基本观测量及其观测方程 |
7.2.2 三频组合观测 |
7.2.3 三频组合周跳探测分析及其处理策略 |
7.3 实验与分析 |
7.3.1 孤立周跳的探测与修复 |
7.3.2 连续周跳的探测与修复 |
7.3.3 随机周跳的探测与修复 |
7.3.4 多星多站随机周跳的探测与修复 |
7.4 本章小结 |
第八章 总结与展望 |
8.1 总结 |
8.2 展望 |
致谢 |
参考文献 |
作者简历 |
(3)GNSS卫星钟差插值与预报研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 GNSS卫星钟差内插方法 |
1.2.2 GNSS卫星钟差预报模型 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
2 GNSS组成与钟差产品 |
2.1 GNSS组成 |
2.1.1 GPS系统 |
2.1.2 GLONASS系统 |
2.1.3 BDS系统 |
2.1.4 Galileo系统 |
2.2 钟差产品 |
2.2.1 卫星钟差 |
2.2.2 钟差数据格式 |
2.3 本章小结 |
3 GNSS插值方法与精度分析 |
3.1 卫星钟差插值的基本理论与方法 |
3.1.1 拉格朗日插值法 |
3.1.2 切比雪夫拟合法 |
3.1.3 广义延拓插值法 |
3.2 GNSS卫星钟差插值精度分析 |
3.2.1 GPS卫星钟差插值算例分析 |
3.2.2 GLONASS卫星钟差插值算例分析 |
3.2.3 BDS卫星钟差插值算例分析 |
3.2.4 Galileo卫星钟差插值算例分析 |
3.3 GNSS插值结果精度对比与分析 |
3.4 本章小结 |
4 GNSS卫星钟差预报模型与精度分析 |
4.1 卫星钟差预报模型 |
4.1.1 多项式模型 |
4.1.2 灰色模型 |
4.1.3 指数平滑模型 |
4.2 GNSS卫星钟差预报模型精度分析 |
4.2.1 GPS卫星钟差预报模型算例分析 |
4.2.2 GLONASS卫星钟差预报模型算例分析 |
4.2.3 BDS卫星钟差预报模型算例分析 |
4.2.4 Galileo卫星钟差预报模型算例分析 |
4.3 GNSS钟差预报结果精度对比与分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(4)基于GIOWA算子的组合模型在铁路客运量预测中的应用研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 铁路客运量预测 |
1.2.2 GIOWA组合预测 |
1.2.3 国内外研究综述 |
1.3 主要研究内容 |
1.4 研究技术路线 |
第2章 铁路客运量预测方法与影响因素分析 |
2.1 传统铁路客运量预测方法分析 |
2.1.1 单项预测方法 |
2.1.2 组合预测方法 |
2.2 GIOWA组合预测模型 |
2.2.1 GIOWA组合预测模型的提出 |
2.2.2 GIOWA组合预测中单项模型选择 |
2.2.3 GIOWA组合预测模型的优势 |
2.3 铁路客运量影响因素选取 |
2.3.1 影响因素的选取原则 |
2.3.2 影响因素的分类 |
2.3.3 影响因素的确定 |
2.4 本章小结 |
第3章 铁路客运量组合预测模型 |
3.1 单项模型选择 |
3.1.1 ARIMA模型 |
3.1.2 偏最小二乘回归模型 |
3.1.3 GRNN网络模型 |
3.2 GIOWA组合预测模型 |
3.2.1 GIOWA算子 |
3.2.2 GIOWA组合预测原理 |
3.2.3 GIOWA组合预测模型 |
3.3 本章小结 |
第4章 铁路客运量预测应用实例 |
4.1 数据的收集与处理 |
4.1.1 数据的收集与划分 |
4.1.2 数据的预处理 |
4.2 基于时间序列的铁路客运量预测 |
4.2.1 ARIMA模型 |
4.2.2 基于时间序列的GRNN模型 |
4.2.3 GIOWA组合模型预测 |
4.3 基于影响因素的铁路客运量预测 |
4.3.1 偏最小二乘回归模型 |
4.3.2 基于影响因素的GRNN模型 |
4.3.3 GIOWA组合预测模型 |
4.4 客运量预测结果对比分析 |
4.4.1 与传统预测方法效果对比 |
4.4.2 基于时间序列的预测方法与基于影响因素的预测方法对比 |
4.5 本章小结 |
第5章 总结及展望 |
5.1 研究总结 |
5.2 研究展望 |
参考文献 |
附录 部分MATLAB程序代码 |
致谢 |
(5)兰州市中央商务区深基坑开挖监测与预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 基坑变形监测研究现状 |
1.3 基坑变形监测预测研究现状 |
1.4 本文主要研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
第2章 基坑变形监测 |
2.1 基坑变形 |
2.1.1 基坑变形的定义 |
2.1.2 基坑变形监测的意义 |
2.1.3 基坑变形监测的内容 |
2.2 变形监测技术 |
2.2.1 现场巡视 |
2.2.2 常规仪器监测技术 |
2.2.3 现代监测新技术 |
2.3 变形监测网设计 |
2.3.1 平面控制网 |
2.3.2 高程控制网 |
2.4 变形监测数据处理 |
2.5 本章小结 |
第3章 兰州市中央商务区基坑监测 |
3.1 工程基本概况 |
3.2 场地工程地质条件 |
3.3 基坑变形监测的内容和难点 |
3.4 监测依据 |
3.5 基坑监测网设计 |
3.5.1 控制网的布设 |
3.5.2 监测点的布设 |
3.6 监测周期和频率 |
3.7 监测预警值设置 |
3.8 基坑变形监测结果 |
3.8.1 沉降监测 |
3.8.2 水平位移监测 |
3.8.3 水位监测 |
3.8.4 桩深层水平位移监测(测斜) |
3.9 基坑变形趋势分析 |
3.9.1 基于Arc GIS的基坑多期监测图层提取 |
3.9.2 基于最小二乘的基坑变形趋势分析 |
3.10 本章小结 |
第4章 基坑变形预测研究 |
4.1 基于时间序列的的基坑沉降分析 |
4.1.1 时间序列的定义及特征 |
4.1.2 时间序列模型的分类 |
4.1.3 时间序列的建模流程 |
4.1.4 基于时间序列的基坑沉降分析 |
4.2 基于NAR人工神经网络的基坑沉降分析 |
4.2.1 NAR神经网络 |
4.2.2 NAR神经网络模型参数的确定 |
4.2.3 NAR神经网络模型的检验 |
4.2.4 NAR神经网络模型预测分析 |
4.3 基于卡尔曼滤波的ARIMA-NAR组合模型基坑沉降分析 |
4.3.1 滤波模型 |
4.3.2 ARIMA-NAR组合模型 |
4.4 水平位移预测及分析 |
4.4.1 时间序列模型预测 |
4.4.2 NAR神经网络模型预测 |
4.4.3 基于Kalman滤波的AR-NAR组合模型预测 |
4.5 桩身层水平位移(测斜)预测及分析 |
4.6 本章小结 |
结论与展望 |
结论 |
展望 |
参考文献 |
致谢 |
附录A 卡尔曼滤波部分Matlab代码 |
附录B 基坑周边变形趋势提取原数据 |
(6)基于小波去噪的组合模型在建筑物变形监测中的应用(论文提纲范文)
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 选题背景及研究意义 |
1.2 沉降预测模型及其研究现状 |
1.3 本文主要研究内容 |
1.4 本文研究的技术流程 |
2 小波理论 |
2.1 小波基本理论 |
2.2 常用的小波函数 |
2.3 小波去噪 |
3 灰色模型和BP神经网络模型 |
3.1 灰色系统理论和灰色模型 |
3.2 灰色GM(1,1)模型的优化 |
3.3 人工神经网络理论 |
3.4 BP神经网络 |
3.5 模型的精度评价 |
4 组合模型理论基础 |
4.1 组合模型的思想 |
4.2 组合模型的分类 |
4.3 权系数确定方法 |
4.4 最优加权组合模型的实现 |
5 工程实例 |
5.1 工程概况 |
5.2 沉降观测方案 |
5.3 监测数据小波去噪 |
5.4 灰色GM(1,1)模型比较 |
5.5 小波去噪前后BP神经网络模型的比较 |
5.6 组合模型和单一模型的比较 |
5.7 小波去噪前后组合模型比较 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
致谢 |
学位论文数据集 |
(7)支持向量机模型的优化及其应用研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题依据 |
1.1.1 支持向量机泛化能力强、应用广泛 |
1.1.2 单一支持向量机存在一定的局限性 |
1.1.3 优化模型的提出 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 实际意义 |
1.3 研究思路与主要研究内容 |
1.3.1 研究思路 |
1.3.2 主要研究内容 |
1.4 主要创新与不足之处 |
1.4.1 主要创新点 |
1.4.2 主要不足之处 |
2 优化支持向量机的提出 |
2.1 支持向量机的原理与特点 |
2.1.1 支持向量机的研究背景 |
2.1.2 几种常见支持向量机的方法介绍 |
2.2 优化支持向量机的研究现状与述评 |
2.2.1 支持向量机数据结构优化的研究现状与述评 |
2.2.2 支持向量机参数优化的研究现状与述评 |
2.2.3 支持向量机组合优化的研究现状与述评 |
3 支持向量机的数据结构优化及其应用 |
3.1 数据结构优化的原理与特点 |
3.1.1 KZ滤波 |
3.1.2 KZ自适应滤波器 |
3.1.3 改进后的KZ滤波方法 |
3.2 基于支持向量机的数据结构优化模型的构建 |
3.3 实际问题的背景与研究现状 |
3.3.1 国外大气污染预警现状 |
3.3.2 国内大气污染预警现状 |
3.4 数据结构优化模型在大气污染预警中的应用 |
3.4.1 数据分析与预处理 |
3.4.2 细颗粒物过滤结果 |
3.4.3 可吸入颗粒物过滤结果 |
3.4.4 空气污染物的预测模型 |
3.4.5 模型预测性能的扩展实验 |
3.5 本章小结 |
4 支持向量机的参数优化及其应用 |
4.1 帝国竞争算法(ICA)的原理与特点 |
4.2 支持向量机参数优化模型的构建 |
4.2.1 获得最优训练集的方法(欧几里得距离) |
4.2.2 参数优化模型 |
4.3 实际问题的背景与研究概况 |
4.3.1 电影票房预测的背景介绍 |
4.3.2 关于解释变量的文献研究 |
4.3.3 关于预测模型的文献研究 |
4.4 参数优化模型在电影票房预测中的应用 |
4.4.1 电影票房预测的数据介绍 |
4.4.2 数据预处理 |
4.4.3 统计指标 |
4.4.4 本实验的研究框架 |
4.4.5 最优训练集的选择 |
4.4.6 LSSVM与其他常用预测模型的比较 |
4.4.7 ICA与其它优化算法在优化LSSVM参数方面的比较 |
4.5 讨论 |
4.6 本章小结 |
5 支持向量机的组合优化及其应用 |
5.1 支持向量机组合优化模型的构建 |
5.1.1 支持向量机方法组合优化的构建 |
5.1.2 支持向量机模型组合优化的构建 |
5.2 方法组合优化在能源经济上的应用 |
5.2.1 能源经济的背景介绍 |
5.2.2 风速预测的研究概况 |
5.2.3 数据介绍与预处理 |
5.2.4 实证设定 |
5.2.5 实证结果与分析 |
5.2.6 方法组合优化小结 |
5.3 模型组合优化在生存数据上的应用 |
5.3.1 模拟实验与分析 |
5.3.2 实际数据应用 |
5.3.3 模型组合优化小结 |
5.4 本章小结 |
6 结论与展望 |
6.1 优化模型的适用性讨论 |
6.2 结论 |
6.3 未来研究方向 |
在学期间发表的科研成果 |
附录 |
参考文献 |
后记 |
(8)GNSS时间互操作关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 国内外研究现状 |
1.4 内容安排 |
第2章 GNSS系统时间及其互操作 |
2.1 GNSS系统时间产生方法 |
2.1.1 GPS系统时间生成方法 |
2.1.2 GLONASS系统时间生成方法 |
2.1.3 Galileo系统时间生成方法 |
2.1.4 BDS系统时间产生方法 |
2.1.5 GNSS系统时间小结 |
2.2 GNSS时间互操作 |
2.2.1 GPS时间互操作 |
2.2.2 GLONASS时间互操作 |
2.2.3 Galileo时间互操作 |
2.2.4 BDS时间互操作 |
第3章 GNSS系统时间偏差监测关键技术研究 |
3.1 GNSS系统时间偏差监测方法 |
3.1.1 GNSS单站时差监测方法 |
3.1.2 GNSS多站时差监测方法 |
3.1.3 基于时间比对链路的GNSS时差监测方法 |
3.2 时差监测设备校准方法 |
3.2.1 GNSS接收机绝对校准原理 |
3.2.2 GNSS时间比对设备/链路相对校准原理 |
3.2.3 相对校准的不确定度及其影响因素 |
3.2.4 基于链路桥接的GNSS时间比对系统时延确定方法 |
3.3 GNSS时差监测试验 |
3.3.1 时差监测接收机Galileo信号时延测定 |
3.3.2 时差监测接收机GLONASS信号时延测定 |
3.3.3 GNSS时差监测结果分析与比较 |
第4章 GNSS时间偏差序列的噪声特性分析 |
4.1 原子钟钟差噪声特性 |
4.1.1 原子钟信号基本理论 |
4.1.2 噪声引入不确定度的估计 |
4.2 GNSS时差序列的噪声特性分析 |
4.2.1 BDT相对于GPST的噪声分析 |
4.2.2 BDT相对于GST的噪声分析 |
4.2.3 BDT相当于GLNT的噪声分析 |
4.3 GNSS时差序列的噪声消减算法 |
4.3.1 Vondrak交叉证认法 |
4.3.2 正反向组合Kalman滤波算法 |
4.4 GNSS时差序列的预报方法 |
4.4.1 二次多项式模型预报算法 |
4.4.2 ARMA预报算法 |
第5章 时间互操作参数的确定方法 |
5.1 系统时间偏差直接播发方法(GGTO) |
5.2 基于参考时间的GNSS时间偏差参数确定方法(xGTO) |
5.2.1 GNSS平均时间的参数确定方法 |
5.2.2 通过GNSST-UTC参数进行时间互操作 |
5.3 多GNSS综合纸面时的参数确定方法(MGET) |
5.3.1 MGET基本概念 |
5.3.2 MGET综合生成基本原理 |
5.3.3 基于噪声系数取权GNSS综合纸面时生成方法 |
5.3.4 基于稳定度取权的GNSS综合纸面时生成方法 |
5.4 时间互操作参数的播发 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 论文的创新点和主要结论 |
6.2 下一步工作展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(9)OFDMA无线认知网络资源分配算法研究(论文提纲范文)
摘要 |
Abstract |
缩略语 |
第1章 绪论 |
1.1 研究背景 |
1.1.1 认知无线电 |
1.1.2 OFDMA与多载波调制 |
1.1.3 OFDMA无线认知网资源分配 |
1.2 国内外研究现状 |
1.2.1 基于MP算法的OFDMA无线资源分配优化 |
1.2.2 OFDMA CRN感知时长和无线资源分配联合优化 |
1.2.3 感知时长、资源分配和路由选择跨层联合优化 |
1.3 研究内容体系架构与成果 |
1.4 章节安排 |
第2章 基于空闲用户协作的OFDMA资源分配Mc MHF-MP算法 |
2.1 引言 |
2.2 数学模型 |
2.3 OFDMA资源分配Mc MHF-MP算法 |
2.3.1 算法思想 |
2.3.2 算法描述 |
2.3.3 算法优势 |
2.4 算法性能评估 |
2.4.1 算法运行耗时评估 |
2.4.2 算法信令开销评估 |
2.5 仿真结果及分析 |
2.6 本章小结 |
第3章 感知时长和资源分配联合优化polyblock算法性能分析 |
3.1 引言 |
3.2 感知时长和资源分配联合优化polyblock算法描述 |
3.2.1 问题提出 |
3.2.2 数学模型 |
3.2.3 算法结构 |
3.3 感知时长和资源分配联合优化polyblock算法分析 |
3.3.1 迭代次数上界 |
3.3.2 精度分析 |
3.3.3 复杂度分析 |
3.4 仿真结果及分析 |
3.5 本章小结 |
第4章 基于分段凸分解和保凹插值策略的感知时长和资源分配两种联合优化算法 |
4.1 引言 |
4.2 基于分段凸分解策略的感知时长和资源分配联合优化 |
4.2.1 PACD算法思想 |
4.2.2 PACD算法精度分析 |
4.2.3 PACD算法复杂度分析 |
4.3 基于保凹插值策略的感知时长和资源分配联合优化 |
4.3.1 CPIF算法思想 |
4.3.2 CPIF算法精度分析 |
4.3.3 CPIF算法复杂度分析 |
4.4 仿真结果及分析 |
4.5 本章小结 |
第5章 基于VDAC-BH策略的感知时长和资源分配及路由选择跨层联合优化算法 |
5.1 引言 |
5.2 问题的数学描述 |
5.2.1 衰落信道下CRN最优感知时长数学描述 |
5.2.2 CRN数据包延时数学描述 |
5.2.3 CRN数据包均延时最小化模型 |
5.3 基于VDAC-BH策略的感知时长、资源分配及路由决策跨层联合优化 |
5.3.1 VDAC-BH算法思想 |
5.3.2 VDAC-BH算法描述 |
5.4 仿真结果及分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 全文工作总结 |
6.2 未来工作方向 |
致谢 |
参考文献 |
攻读博士学位期间科研项目及主要成果 |
(10)多功能雷达行为辨识与预测技术研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 多功能雷达的行为 |
1.2.1 多功能雷达行为内涵 |
1.2.2 MFR行为层面研究的主要问题 |
1.3 国内外研究现状 |
1.3.1 多功能雷达行为特征表征方面 |
1.3.2 多功能雷达行为建模方面 |
1.3.3 多功能雷达行为辨识方面 |
1.3.4 多功能雷达行为预测方面 |
1.4 论文的主要工作和结构安排 |
第二章 MFR行为特征表征方法研究 |
2.1 引言 |
2.2 MFR信号的多层级结构模型 |
2.2.1 多层级的MFR信号结构 |
2.2.2 “水星”多功能雷达 |
2.2.3 MFR信号的马尔可夫特征 |
2.3 MFR多层级模型理论扩展研究 |
2.3.1 脉冲描述字与脉冲样本图 |
2.3.2 多层级MFR信号模型扩展 |
2.4 改进的MFR雷达字提取方法 |
2.4.1 改进的事件驱动雷达字提取算法 |
2.4.2 基于匹配滤波的雷达字提取方法 |
2.4.3 仿真实验与结果分析 |
2.5 本章小结 |
第三章 MFR行为建模方法研究 |
3.1 引言 |
3.2 离散时间动态系统 |
3.2.1 动态系统与系统动态矩阵 |
3.2.2 离散时间动态系统模型 |
3.3 MFR的线性PSR建模 |
3.3.1 训练数据预处理算法 |
3.3.2 频数矩阵降噪处理 |
3.3.3 构造系统动态矩阵 |
3.3.4 系统动态矩阵降维处理 |
3.3.5 核心搜索算法 |
3.3.6 模型更新参数估计算法 |
3.3.7 建模算法小结 |
3.4 建模算法复杂度分析 |
3.5 仿真实验与分析 |
3.5.1 建模训练算法改进效果分析 |
3.5.2 降噪处理对建模精度影响分析 |
3.5.3 降维与降噪处理对算法效率影响分析 |
3.6 本章小结 |
第四章 MFR工作模式辨识方法研究 |
4.1 引言 |
4.2 基于句法模型的MFR工作模式辨识方法 |
4.2.1 句法模式识别理论 |
4.2.2 知识辅助的MFR逆向建模 |
4.2.3 数据驱动的MFR逆向建模 |
4.2.4 基于MFR逆向句法模型的工作模式辨识方法 |
4.3 基于PSR的 MFR工作模式辨识方法 |
4.3.1 基于PSR的 MFR行为识别算法框架 |
4.3.2 基于栅格滤波器的识别算法 |
4.3.3 预测状态累积的识别算法 |
4.3.4 识别算法复杂度分析 |
4.3.5 仿真实验与分析 |
4.4 本章小结 |
第五章 MFR信号序列预测方法研究 |
5.1 引言 |
5.2 基于PSR的 MFR信号序列预测方法 |
5.2.1 基于PSR的 MFR行为预测算法框架 |
5.2.2 基于线性PSR预测器的预测算法 |
5.2.3 步间迭代的预测算法 |
5.2.4 预测算法复杂度分析 |
5.2.5 仿真实验与分析 |
5.3 基于人工神经网络的MFR信号序列预测方法 |
5.3.1 BP神经网络 |
5.3.2 MFR的 BP神经网络模型 |
5.3.3 基于PSR-BP网络的MFR信号训练算法 |
5.3.4 仿真实验与分析 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 论文工作总结 |
6.2 主要创新点 |
6.3 后续工作展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
四、正权组合预测的最佳估计及其精度(论文参考文献)
- [1]基于智能算法组合模型的边坡位移预测研究[D]. 李晴文. 大连理工大学, 2021
- [2]GNSS时间序列异常值探测方法研究及其应用[D]. 马朝忠. 战略支援部队信息工程大学, 2020(01)
- [3]GNSS卫星钟差插值与预报研究[D]. 化希瑞. 兰州交通大学, 2020(01)
- [4]基于GIOWA算子的组合模型在铁路客运量预测中的应用研究[D]. 刘媛媛. 深圳大学, 2019(10)
- [5]兰州市中央商务区深基坑开挖监测与预测研究[D]. 李月锋. 兰州理工大学, 2019(02)
- [6]基于小波去噪的组合模型在建筑物变形监测中的应用[D]. 丁鹏文. 山东科技大学, 2019(05)
- [7]支持向量机模型的优化及其应用研究[D]. 李培志. 东北财经大学, 2019(06)
- [8]GNSS时间互操作关键技术研究[D]. 广伟. 中国科学院大学(中国科学院国家授时中心), 2019(01)
- [9]OFDMA无线认知网络资源分配算法研究[D]. 顾斌. 东南大学, 2018(01)
- [10]多功能雷达行为辨识与预测技术研究[D]. 欧健. 国防科技大学, 2017(02)