一、ARMA模型识别及参数估计的新方法（论文文献综述）
晋冬丽[1]（2021）在《部分观测信息下工程结构时变参数识别方法研究》文中研究指明由于外部荷载效应、环境的侵蚀及材料的老化等耦合因素,结构会出现损伤累积,造成力学性能退化,使得结构参数具有时变性,表现出时变力学特征。此外,工程结构在不同荷载条件、不同工作环境下,结构参数也会表现出明显的时变特征,如车-桥组成的耦合时变系统、人群-大跨度空间结构组成的时变系统。为保证工程结构在服役期间的安全性,其时变力学行为不容忽视。结构参数识别作为结构健康监测的重要研究内容之一,能够直观描述结构在全寿命过程中产生的性能退化、损伤演化规律。因此,研究结构参数的时变规律,变得意义重大。本文针对此问题,以工程时变结构为研究对象,采用小波理论、卡尔曼滤波理论等主要研究方法,利用理论分析、数值模拟及模型试验相结合的研究手段,开展了部分观测信息下工程结构时变参数识别方法的研究。研究内容主要包括以下几个方面:（1）进行了小波多分辨率分析及无迹卡尔曼滤波估计理论研究。阐述了小波多分辨分析的原理和实现过程,对无迹卡尔曼滤波估计等方面进行了理论研究,给出了无迹卡尔曼滤波及小波多分辨分析的算法流程,并进行了不同噪声水平下无迹卡尔曼滤波估计系统响应的仿真分析。阐述了小波多分辨分析在结构参数识别中的应用,对单自由度以及二自由度线性结构系统进行了数值仿真分析,说明方法的可行性。（2）提出基于部分观测信息的WMRA-UKF迭代时变参数识别新方法。该方法在部分观测数据条件下,研究无迹卡尔曼滤波技术对结构系统的状态最优估计,基于WMRA理论,融入无迹卡尔曼滤波技术,建立多自由度时变振动系统的时变参数识别迭代方法理论模型。将其应用于单自由度及多自由度结构系统,并进行了算法的抗噪性研究,表明该方法具有很好的准确性、适用性和抗噪性。（3）为了进一步验证所提出方法的适用性,设计三层钢框架振动台模型试验,基于部分测试的响应数据,通过结构的刚度突变模拟性能退化、损伤发生,验证本方法用于识别结构系统时变参数的正确性与适用性。
张宇婷[2]（2021）在《基于CVA的变压器故障诊断及预测研究》文中指出油浸式变压器是构建智能电网以及互联电网中的枢纽设备之一,基于油色谱分析技术（DGA）对变压器进行故障诊断是电网安全运行的发展方向。而变压器的故障预测是变压器维护工作的重要内容,准确的故障预测可以在变压器发生故障之前,通过采取恰当的措施,使得变压器故障得以提前消除,减少了因其故障导致电力系统无法正常运转带来的经济损失。本文对变压器故障诊断方法以及预测模型进行了系统的研究,提出了小波神经网络结合规范变量分析法（WPT-CVA）的故障诊断方法以及粒子群优化支持向量机（PSO-SVM）和小波变换时间序列（WPT-ARMA）的组合预测模型,提高了小样本数据下故障诊断准确率以及预测精度。本文对油浸式变压器的研究内容分为以下几个部分:首先,分析变压器常见的故障类型,按故障性质将变压器故障分为电性故障及热性故障。通过对智能算法及传统算法的总结,确定故障诊断算法为小波神经网络算法,以支持向量机模型（SVM）以及自回归滑动平均模型（ARMA）的组合预测模型。其次,对小波神经网络进行简单介绍,利用小波神经网络算法建立变压器故障诊断模型,确定输入层、隐含层以及输出层,随后选取了大量有代表性的数据样本,利用小波变换进行降噪处理。在此基础上对样本数据作归一化处理并进行了训练,测试以及误差分析,得出小波神经网络的收敛速度快但收敛误差较大的结论。再次,采用小波分析结合CVA的方法对溶解于变压器油中的气体数据进行处理,不仅不需人为添加优化系数或惩罚因子,还对变压器的故障诊断快速且准确,优于目前诊断准确率较高的智能方法。通过将收集到的400组DGA数据集分离为275组训练集和组125测试集,评估了该方法的故障诊断性能。经过训练,测试结果表明,WPT法和基于CVA的方法的诊断准确率分别为90.4和93.4%。从这些数据可以清楚地看出,该方法在对变压器故障分类时的诊断率提高了3个百分点。最后,通过对DGA气体数据进行归一化处理、选择核函数、粒子群优化支持向量机建立PSO-SVM预测模型,对DGA气体数据进行小波去噪、模型识别、参数估计建立WPT-ARMA预测模型,基于两种预测模型建立组合模型,以达到误差最小为目的,最后通过实例验证及对比发现WPT-ARMA的预测模型误差较PSO-SVM预测模型误差值小,且组合预测模型可以综合多种单一预测模型所包含的信息,有效降低预测风险。
黄小乔[3]（2021）在《基于深度学习的超短期太阳辐照度预测模型研究》文中指出随着全球能源危机和环境问题的日益加剧,可再生能源成为各国政府关注的焦点。太阳能发电作为一种应用前景广阔的清洁能源,近年来取得了飞速发展,正成为一种重要的可再生能源。然而,太阳能发电具有间歇性和波动性的特点,当越来越多的太阳能发电并入电网时,如果不能有效的预测和控制这种不稳定性将给电网的安全稳定运行提出重大的挑战。太阳辐照度的变化是导致太阳能发电输出功率不稳定的最主要的影响因素,因此准确预测太阳辐照度在电能规划和管理中起着越来越重要的作用,具有重要的应用价值。论文针对辐照度时间序列的特点,以循环神经网络（recurrent neural network,RNN）中的长短期记忆网络（long short-term memory,LSTM）、门控循环单元（gated recurrent unit,GRU）、Elman网络为基础,提出并设计了五种网络结构和方法,实现了辐照度较为精确的预测。主要工作如下:（1）统计分析了天气预报参数与辐照度的相关性,研究了辐照度的时间特性,确定了温度、湿度、天气类型三个天气预报参数加上月、天和时三个时间参数合计六个输入特征。在此基础上,提出了一种基于天气预报的GRU模型预测方法。实验结果表明,以确定的六个特征为输入的GRU网络能实现较为准确的24小时辐照度预测;对比BP神经网络（back propagation neural network,BPNN）和RNN,GRU网络的均方根误差（root mean squared error,RMSE）分别降低了23.3%和11.9%;对比LSTM网络,训练时间减少了36.6%;预测技巧分数（forecast skill,FS）为0.4201。（2）提出了基于小波变换和Elman网络的辐照度预测模型。该模型中,首先将辐照度时间序列用小波分解成不同频率的子带,然后,将每一个子带单独输入到Elman网络中训练测试预测,最后对每一个子带预测的小波系数进行小波重构得到预测的辐照度值。小波变换能将辐照度序列中因地球运动而产生的周期性低频信息和因云层运动而产生的高频信息进行简单的分离。Elman网络针对不同频率的信息单独预测,其数据的相关性更强,因而准确性越高。根据实测数据的仿真结果表明,提出的模型在小时辐照度预测中表现出优良的性能,预测技巧分数FS达到了0.7590。（3）提出了一种基于自适应噪声总体集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）数据分解方法和CNN-LSTM网络的辐照度预测模型。辐照度数据经过CEEMDAN分解后得到不同频率成分的特征模态函数（intrinsic mode functions,IMFs）和残余分量（residual,R）。针对一段时间内的IMFs和R数据的结构特点,构建了五种CNN-LSTM网络的输入结构,并进行了详细讨论和性能比较,结果表明,文中的CNN-LSTMV结构性能最优,模型的可解释性也最强。在四个不同气候类型的数据集上对提出的CEEMDAN-CNN-LSTM模型进行了验证比较,证实了该模型的预测精度高、鲁棒性强。（4）构建了应用于辐照度时间序列预测的LSTM网络,设计了两种含有不同输入特征的输入结构;提出了一个双分支输入的LSTM-MLP网络,针对该网络设计了两个不同的主输入,两个不同的辅助输入,共四种输入结构。探讨了以上六种结构在不同滞后时间的输入下的预测性能。实验结果表明,当主输入为历史辐照度和气象数据、辅助输入为下一时刻的天气预报参数时,网络的性能最佳。这表明下一时刻的天气预报参数对模型的预测精度的提升发挥了重要的作用。（5）提出了一种WPD-CNN-LSTM-MLP混合深度学习辐照度预测模型。该模型在LSTM-MLP双分支的基础上,进一步改进为多分支多输入的结构,同时添加了小波包分解（wavelet packet decomposition,WPD）和卷积神经网络（convolutional neural network,CNN）来提取特征信息。辐照度序列经WPD分解为四个通道,每一个通道采用CNN进一步提取特征后输入到LSTM网络;历史辐照度和气象参数作为第二个输入,输入到LSTM网络;天气预报参数作为第三个输入,输入到前面两个合并的全连接层中,最终得到预测结果。该模型通过不同的输入将频域信息和时域信息进行了有效的融合,达到了联合学习的目的。实验结果表明,多分支多输入的WPD-CNN-LSTM-MLP模型提高了预测精度。
王璐[4]（2021）在《泛基因组工具变量孟德尔随机化方法及其应用研究 ——以食管鳞癌mGWAS为例》文中指出研究背景病因推断是流行病学研究的永恒主题,然而,由于受到混杂因素和逆向因果作用的干扰,在常规观察性研究中得到的暴露和结局的关联往往并不可靠。针对因果方向的确定及混杂因素的控制,孟德尔随机化方法（Mendelian Randomization,MR）使用遗传变异作为工具变量（instrumental variable,Ⅳ）,在推定暴露到结局因果方向的前提下,准确估计从暴露到结局的因果关联效应,成为基因组学时代进行因果关联分析的重要方法。目前,随着高通量组学技术的普及,基于大型队列的全基因组关联研究（Genome-Wide Association Studies,GWAS）为MR提供了丰富的数据信息。随着MR方法应用领域的不断扩展,其理论方法研究也在不断深入。不同的MR方法在选择工具变量,水平多效性效应建模假设以及进行参数估计和统计推断的方式等方面有所不同。但是,在工具变量SNP选择策略上,现有MR方法都依赖于选择一小部分效应强度较强的SNP作为工具变量,而且考虑到SNP之间复杂的连锁不平衡（linkage disequilibrium,LD）关系,往往需要选取独立的SNP作为工具变量。然而,此种选择策略将会不可避免的导致估计偏倚问题和统计效能的降低。为了克服上述SNP选择策略带来的缺陷,一个很自然的想法便是全基因组SNPs不加选择的全部纳入工具变量集G;这便是新近发展的基于泛基因组（omnigenic）的工具变量思想（即,假设基因组的全部遗传变异都对表型性状产生贡献）。然而,将如此海量的全基因组SNPs（几百万到几千万）一并纳入两样本孟德尔随机化模型后,如何实现模型参数的高效、准确、无偏估计是必须解决的关键科学问题,也是本研究的核心研究内容。为此,本论文在方法学研究部分中首先提出泛基因组遗传假设,即由全基因组SNPs综合而成的基因工具变量G表征了遗传因子G对暴露X的全部效应,同时遗传因子G也允许直接对结局Y产生效应（即允许水平多效性存在）;同时,允许两样本（Two Sample）孟德尔随机化中的两样本间可以存在样本重复。基于遗传学中的复杂性状泛基因组学遗传模式,遵循上述泛基因组假设而构建的两样本孟德尔随机化模型,本研究称之为泛基因组孟德尔随机化（Omnigenic Mendelianrandomization,OMR）模型。在当今生物组学时代,本研究所构建的OMR模型在各种跨组学分析中,具有广泛的应用前景。在理论意义上,利用MR可以确定因果方向的独特优势,将跨组学MR分析结果融合,便可构建DNA→RNA→蛋白质→代谢物→疾病表型的因果网络,从而打开暴露→疾病结局的“黑盒子”,为系统流行病学病因网络构建、药物靶点设计、预防或诊疗措施制定及评估提供支撑。作为实际应用案例,本论文依托国家食管癌早诊早治项目,在山东省食管癌高发区建立了食管癌早诊早治筛查队列。采用本研究构建的OMR模型,分析血清代谢物对食管鳞癌（esophageal squamous cell carcinoma,ESCC）的因果效应。通过整合基因组和代谢组数据,探索血清代谢物→食管鳞癌的因果关联。基于泛基因组工具变量的孟德尔随机化方法研究（OMR）研究方法针对两独立样本的情形,本研究首先在遗传效应服从正态分布的假设下,采用复合似然估计策略,同时估计工具变量G对暴露X以及工具变量G对结局Y的效应;此外,为了能够包含基因组上广泛存在的LD信息,在构建复合似然函数时,采用了 LD信息作为边际似然函数的权重,对复合似然函数进行加权。针对两重叠样本及单样本的情形,在上述模型中引入样本的协方差项,从而有效的避免了样本重复相关对参数估计的影响。进而,开发EM-NR联合算法,将期望最大化（Expectation-Maximization,EM）算法与牛顿-拉夫森（Newton-Raphson,NR）算法有机结合的以实现模型参数的高效、无偏估计。然后,采用刀切法（Jackknife resampling）通过重抽样策略进行模型参数的假设检验。为了全面评估泛基因组孟德尔随机化模型（OMR模型）的有效性、准确性和稳健性,本研究设计了系统的统计模拟实验。基于人群中SNP基因型的真实分布及其LD模式,产生符合客观实际的模拟数据集;设定并遍历不同大小的遗传度、水平多效性、暴露X对结局Y的因果效应;同时,考虑不同遗传效应模式（包括基因组全部SNP具有遗传效应、基因组中1%的SNP有遗传效应、以及基因组中10%的SNP有遗传效应等多种情形）;在上述各种条件组合下,通过统计模拟实验评价OMR模型的参数估计偏倚（覆盖率）、一类错误的稳定性、统计检验效能。此外,为了比较本研究所提出的OMR模型与目前最新MR分析模型的优劣性,在上述一系列模拟实验中,同时考察了 IVW、Egger回归、MRMix、BWMR和CAUSE共五种方法。最后,为了评价上述模型对实际数据因果关联分析的效果,采用了两类实际数据集。第一类数据集设定为理论上因果关联必定存在的假想情形,包括分类变量“心血管疾病（cardiovasculardisease,CAD）-CAD”和连续变量“身高-身高”两种情形。第二类数据集设定理论上因果关系可能存在的实际情形,包括20种数量性状→CAD和20种数量性状→哮喘两种情形。研究结果（1）理论证明结果:针对两独立样本、两重叠样本及单样本情形,分别构建基于汇总统计量的OMR模型,进一步开发EM-NR联合算法,其中,通过EM算法获得参数初始估计值;为了加快参数估计的收敛速度,将EM算法的初估值作为NR算法的初始值,进行快速迭代;从而,达到模型参数估计的高效性和准确性。（2）统计模拟结果表明:1)在两独立样本情形下:①一类错误控制率:原假设成立时,在不存在水平多效性效应的模拟方案下,OMR模型可以给出合理或者轻度膨胀的一类错误控制率;当存在水平多效性效应时,OMR方法是唯一不受SNP遗传度以及遗传模式的影响,产生合理的一类错误控制率的方法。②检验效能:除极端稀疏遗传模式（即只有]0个SNP影响暴露的情况,效应SNP所占比例≈1/30000）以外,OMR模型在所有模拟方案中均能表现出最高的检验效能。③估计准确度:OMR模型在所有模拟方案中均可以对因果效应进行准确估计并产生合理准确的覆盖率。2)两重叠样本及单样本情形下:①一类错误控制率:在存在水平多效性的模拟方案下,OMR模型在两重叠样本和单样本情况下均可提供合理的I类错误控制率。②检验效能:OMR方法在两重叠样本及单样本情形均具有最高的检验效能。③估计准确度:OMR模型在两重叠样本和单样本情形下都能对因果效应进行准确估计。（3）实例分析结果表明:1)CAD→CAD和身高→身高分析:结果显示,在比较的6种MR方法中,OMR模型是唯一能够在两种情形中均检测到具有统计学意义的因果关联,同时95%置信区间包含真实值1的方法。2)20种数量性状→CAD和20种数量性状→哮喘分析:在两种情形下,对于具有统计学意义的数量性状,利用OMR方法进行检验的阳性结果最多,且其阳性结果通常能够得到其他至少一种MR方法的验证,同时大部分阳性结果进一步得到了临床试验或文献证据支持。应用研究:以血清代谢物对食管鳞癌的因果关联分析为例研究方法:依托国家食管癌早诊早治项目,分别构建食管鳞癌高发区人群mGWAS研究（纳入人数880人,数据子集1包含546人,数据子集2包含334人）和食管鳞癌病例对照研究（纳入人数1046人,其中对照969人,ESCC病例77人）。（1）在食管鳞癌高发区人群mGWAS研究中,使用Infinium Omni2.5Exome-8v1-3（Illumina）芯片对受试者全血样本进行基因分型检测。血清样本使用UHPLC-QTOF/MS进行非靶向代谢组学分析。对所有代谢物性状使用协变量（年龄、性别、内窥镜检查结果和前10个主成分）进行调整及标准化后,采用两阶段分析策略,分别在数据子集1和数据子集2中,使用线性回归模型分析全基因组约420万个SNPs与185种代谢物性状的关联性,使用meta分析整合两组分析结果。（2）在食管鳞癌病例对照研究中,首先将食管鳞癌结局使用协变量（年龄、性别和前10个主成分）进行调整及标准化后,使用线性回归模型分析全基因组约420万个SNP位点与食管鳞癌发生风险的关联性。（3）以185种血清代谢物mGWAS的汇总统计量作为暴露,食管鳞癌GWAS汇总统计量作为结局,使用全基因组4,085,890个SNP位点作为工具变量,采用OMR模型逐个检验血清代谢物对食管鳞癌发生风险的因果关联。研究结果:（1）食管鳞癌高发区人群人群mGWAS分析结果:经过统计检验,共有4327个SNP-代谢物关联强度小于全基因组和代谢组范围的显着性检验水平（Z检验,P<5×10-8/185=2.70×10-10）,其中包括19个独立的SNP代谢物关联,涉及10个独立的SNP位点和17种不同的血清代谢物。19个关联中,7个成功重复验证了先前报道过的具有统计学意义的关联,另外12个在之前的研究中尚未被报道过。（2）食管鳞癌GWAS分析结果:经过统计检验,共有1个SNP位点达到全基因组显着性检验水平（5×10-8）,42个SNP位点达到建议显着性检验水平（1 ×10-5）,取独立后,共计10个SNP位点被确定为top SNP位点。其中6个位点被报道与食管鳞癌相关,另外4个尚未被报道过与食管鳞癌的相关性,但已有文献探讨其与其他肿瘤或者食管鳞癌危险因素（如吸烟,饮酒等行为方式）的关联性,其与食管鳞癌的关联性有待进一步探索。（3）OMR分析结果:共有11个血清代谢物性状对食管鳞癌的因果关联检验P值小于一般检验水准（0.05）,其中9个小于Bonferrioni校正的检验水准（0.05/185=2.7×10-4）。肉豆蔻酸、吲哚-3-丙酮酸、次黄嘌呤、CDCA和PC 18:1是食管鳞癌的危险因素。L-组氨酸、肌酐、PG 24:1、PC 41:6、PC 38:4和PG 23:2是食管鳞癌的保护因素。肉豆蔻酸、CDCA和PC 38:4为mGWAS研究中发现的遗传调控代谢物,进而,构建潜在的基因组→血清代谢物→ESCC致病机制通路。结论:（1）分别在两独立样本、两重叠样本及单样本情形下,构建了基于泛基因组工具变量的孟德尔随机化分析方法（OMR方法）,基于复合似然框架和EM-NR联合推导算法实现高效计算,统计模拟结果表明,OMR模型可以得出准确的因果效应估计值、合理校准的I类错误控制率以及比现有MR方法更高的统计检验效能,并将上述算法编写为R包,方便研究者使用。（2）实例数据验证表明,在理论真实因果效应为1的情形下,OMR模型不仅能够检测到具有统计学意义的关联,同时估计的置信区间包含真实值1;在真实因果效应未知的情形下,OMR模型发现的具有统计学意义的数量性状最多,同时大部分关联结果得到了临床试验或文献证据支持。（3）为了验证OMR方法的实用性,首先通过食管鳞癌高发区人群mGWAS分析,获得血清代谢物全基因组关联分析汇总统计量,然后通过食管鳞癌病例对照人群GWAS分析,获得食管鳞癌全基因组关联分析汇总统计量,最后采用OMR模型探索血清代谢物与ESCC风险的因果关联,发现11个血清代谢物性状的因果关联显着性P值具有统计学意义（P<0.05）,其中9种血清代谢物的关联强度经过Bonferrioni校正后仍然具有统计学意义。
王文静[5]（2021）在《基于ARMA-BP神经网络的城市空气质量预测研究》文中研究表明近年来,现代化建设和社会经济的飞速发展带来的城市空气污染问题日益突出,空气污染不仅破坏了环境生态系统,而且对人体健康也造成了严重危害。城市空气质量发展趋势的预测研究已经成为非常重要的课题,尤其是对未来短期内可能发生的重度污染灾害进行精准预测,可以最大程度地减少严重污染带来的影响。在以往空气质量预测的研究中,通常使用单一模型进行分析,但单一模型往往不能充分提取空气质量历史数据中的隐含信息,存在预测精度低、稳定性差等缺点。为了克服单一模型在某些方面的不足,本文提出将BP神经网络和ARMA模型相结合,构建ARMA-BP神经网络组合模型对西安市的空气质量指数（AQI）进行短期预测,并采用遗传算法（GA）对组合模型的稳定性进行改进。本文首先爬取了西安市2014年-2020年的AQI历史数据,分析了数据集的变化趋势及其相关性特征。AQI数据序列较为复杂,它是一种线性与非线性关系共存的时间序列,因而本文将AQI序列分为线性与非线性两部分进行研究。文中通过对样本数据建立单一BP神经网络模型对空气质量进行短期预测,预测结果的平均相对误差为11.10%,可以看出BP神经网络对空气质量具有一定的预测能力,但是存在误差较大的缺点。将时间序列ARMA模型与BP神经网络进行结合,可以充分发挥各自的优势。本文通过建立ARMA-BP神经网络组合模型对西安市的AQI进行预测,其过程为:首先利用ARMA模型建立时间序列模型对AQI序列中的线性主体进行预测,预测结果的相对误差为14.28%,该模型的预测结果虽然符合样本实测值的变化趋势,但与BP神经网络预测模型相比误差较大。然后使用BP神经网络对残差部分即AQI序列的非线性部分进行拟合,最终结果由预测所得的线性部分和非线性部分叠加组成。通过相同的样本数据仿真实验结果显示,ARMA-BP组合模型的平均相对误差为6.32%,与单一模型相比组合模型的预测精度更高。最后通过ARMA-BP组合模型对空气质量的预测结果分析,发现组合模型的预测效果并不十分稳定,这是由于BP神经网络容易陷入局部极值的缺陷造成,进而提出使用遗传算法GA对组合模型中BP网络的参数进行优化。通过多种算法模型仿真对比实验发现,基于GA改进的ARMA-BP神经网络组合算法模型预测结果的平均相对误差为2.47%,相较于单一模型以及原组合模型其预测精度得到显着的提升,充分体现出GA改进的ARMA-BP组合模型预测的可行性与准确性。
曹晓龙[6]（2021）在《基于监测数据时频域特征统计分析的桥梁安全预警研究》文中指出为了保证桥梁的安全性,实时掌握桥梁的健康状况,避免发生突发事故,世界上许多桥梁都应用了健康监测系统,但针对其采集到的数据应用基于时频域特征统计分析的手段去进行安全预警的研究却很少。因此讨论基于监测数据时频域特征统计分析的报警手段对整个桥梁健康监测系统的发展具有重要指导作用。本文基于监测数据时频域特征统计分析的手段对桥梁的安全预警方法进行了研究,主要研究内容和成果如下:（1）针对采集到的实际加速度数据,应用MATLAB程序编写时间序列ARMA模型对其进行建模,之后分析所建模型的稳定性以及所提取预警指标的损伤敏感性。结果显示:不同监测数据模型参数受环境等干扰因素影响较小,当损伤产生时,模型参数会产生一定的波动,损伤模拟工况也验证了参数对于损伤的敏感性。因此应用前三阶参数来构建安全预警的特征指标,并且根据数值模拟给出相应的安全预警流程,最后针对实际数据分析,验证了此方法的有效性。（2）梳理了应用于监测数据的相似性衡量办法和数据变换理论,基于振动数据的变换来构建原始数列的特征展示,并用距离函数的指标来衡量相似性,具体有欧式距离、相关系数等参数。进一步将桥梁在不同损伤情况下移动荷载产生的响应用数值进行模拟,应用上述特征指标对其损伤工况进行安全预警,以此来说明应用距离函数指标的有效性和准确性。（3）总结了基于小波包分析构建的能量谱指标的安全预警办法,应用MATLAB编写了基于能量谱的安全预警程序;进一步建立数值模型来验证能量谱预警指标的预警效果,结果说明所构建的指标具有良好的应用效果。（4）根据结构的预警特点,提出了基于监测数据时频域特征统计分析的桥梁多指标预警体系概念的初步设计,并且将其预警等级依据指标阈值的设置划分为不同的层次,以实现针对不同程度损伤的预警目的。
陈静[7]（2021）在《高维时间序列的统计校正学习》文中进行了进一步梳理随着计算机计算能力的增强,高维时间序列预测在各领域中的应用也随之更加广泛。宏观经济数据预测是最具重要意义的方向之一。宏观经济数据的许多重要变量,如失业率、消费者物价指数等,影响着每个人的生产生活,也影响着国家稳定和社会发展。同时,宏观经济预测可以为政府、银行和工业部门提供有价值的信息,帮助制定相应的政策。例如,经济萧条的相关预测可以为政府部门制定宽松的财政政策提供合理指导意见。因此,宏观经济变量的有效预测具有实际指导意义。本文通过研究高维时间序列预测的方法,结合实际数据的特点改进现有模型。本文的主要研究内容如下:（1）通过一些统计分析,我们初步认识了宏观经济数据的特点,如弱信号、联动性、相关性等等。并采用一些检验方法和可视化的图像,直观地描述了数据的性质,为进一步的处理、分析和预测提供了可靠的信息。（2）根据数据特点和已有的研究结果,我们验证了ARMA模型、Lasso、随机森林、Lasso ARMA、Group Lasso和超前滞后关系在宏观经济预测中的优势,并利用相对均方预测误差来评价预测效果。（3）用Reduced-Rank回归估计向量自回归模型,命名为降维向量自回归模型。我们详细阐述了如何求解和预测模型,并给出了模拟和实证的结果,进一步对预测结果做了说明和分析。（4）根据宏观经济数据的特点,我们说明了ARMA滤波是如何有利于宏观经济数据的预测的,并详细阐述了ARMA滤波校正机器学习模型的机理。在ARMA滤波的基础上,我们提出了两种新模型,ARMA增广Lasso模型和ARMA增广随机森林模型并描述了新模型建立和求解的过程以及实证的结果。
王玉[8]（2021）在《基于深度学习的风电场短期风速预测组合模型》文中进行了进一步梳理随着经济社会的发展,以风力发电为主的新能源得到了日益发展和重视,考虑到风能的间歇性和随机性,风电场风速预测对风电发展具有重要意义。目前,大多数的国内外学者关注于基于深度学习的风速预测方法。深度学习较传统方法预测准确度有较大的提高,但该方法仍然存在一定缺陷。1)单一预测模型学习能力受随机性限制,导致泛化能力不佳。2)深度学习是黑箱模型,空间信息、气象信息很难融合到模型里,进而无法对区域性风能资源进行动态描述,且对并网后风电场的实际发电量无太大的参考价值。结合不同尺度的风电场特性,本文提出三种尺度型的风电场划分,并研究了基于深度学习的短期风速预测组合模型。通过融合风电场的时序数据、气象数据、时空数据实现三尺度风电场的短期风速预测。全文的主要研究内容与创新点如下:针对小尺度风场的风速序列数据的时变性问题,提出了 ARIMA-NARX组合模型。该模型采用最小信息准则进行风速数据相关性分析,基于自回归综合移动平均（ARIMA）模型提取风速序列的线性平均趋势,将ARIMA模型评估最优结果作为NARX神经网络的变量输入,建立风速预测模型。实验证明,该模型ARIMA-NARX优于单一模型的预测效果。通过该模型建立了各自独立的小尺度风电场的多参考点的风速预测组合模型。然后进行了与NAR、NARX等模型的对比实验,ARIMA-NARX组合模型的MAE、MAPE和RMSE等指标都大幅度下降。实验证明,组合模型能够有效解决小尺度范围内时序数据的时变问题。针对中尺度风电场的环境参数多并联且时空关联的特征难以自动提取等问题,提出了 Multi-TCN-LSTM模型。在本模型中,将TCN先对风速时空特征快速提取,然后LSTM模型对接收TCN的输出结果的特征进行高层特征的信息抽象,再通过Attention进行池化,最后送入到LSTM模型的全连接层进行风速预测。并通过实验验证,该模型能协同TCN环境参数提取和LSTM预测,提高风速预测精度,实现了中尺度范围风电场短期风速准确预测。针对大型风电场,需要考虑地理信息以及时空相关性,本文提出了一种将时空克里金与时空变异理论相结合的时空风速预测方法,实现大尺度风电场的短期时空风速预测,实验验证了该模型利用时空克里金技术能够提高风速预测精度,实现了大尺度风电场的时空风速预测。
董宝伟[9]（2021）在《大地震磁偏角数据异常分析方法研究》文中研究表明针对地磁要素中,地磁偏角受磁暴影响较小,受地震影响较大;故本文以国家地磁台网记录的7级以上大地震的地磁偏角秒数据为研究对象,建立地磁偏角观测模型,研究出用于提取地磁异常信息的关键要素:地磁偏角限异常值和异常程度。从而为大地震预测的研究提供一种新方法。本文结合大地震地磁偏角数据观测的特点,非震异常数据即缺数的分布情况及分布特点;在地震预报预测中,地磁数据缺数问题比较常见,为了保证地磁序列的连续性和易于提取分析地磁信息,研究了多种插值算法后,设计了针对不同缺数情况下不同的插值算法;将自回归移动平均ARMA预测模型,用于地磁非震数据插值处理,并设计插值实验和均值插值、线性插值的插值效果对比分析。由于地磁数据属于非平稳数据,本文在数据处理之前,用一阶差分消除随机干扰,用二阶差分使非平稳数据达到平稳。本文研究认为地磁异常持续时间、空间范围与震级大小有一定关系,由此建立大地震地磁偏角的限异常值和异常程度分析模型。主要采用改进的差分自回归移动平均（ARIMA）预测地磁偏角D,并和实际观测值构建异常识别算法;考虑到各个台站的数据特性可能不同,为降低地磁干扰,探索适用于地磁偏角合理的异常判别区间,本文采用实际观测值和预测值结合限异常值和异常程度并用连续阈值法综合判定大地震地磁偏角异常。本文主要采用自汶川地震以来国家地磁台网中心记录的5次7.0级以上大地震共70个地磁台站的地磁偏秒数据为研究对象,提取地磁偏角限异常值和地磁偏角异常程度时发现,大地震震级越高,异常时间段出现的次数越多,地磁限异常持续时间越长,异常程度持续时间也越长,且异常程度值较大。本文所采用的地磁偏角异常分析法结合限异常值、异常程度和连续阈值法,并用所有地磁台站进行地磁异常分析,克服了单个分析方法的不足,更容易找到地磁偏角的异常,从而提高分析地磁异常的可靠性。后续可增加地震数据分量,更进一步将方法综合运用于水平分量H、垂直分量Z、总场强度F,可望为大地震的预测提供一种新的方法。
梁鑫[10]（2020）在《基于二维ARIMA模型的地铁车门夹紧力预测》文中研究表明地铁车门系统作为地铁的重要组成部分,其可靠性对于保障地铁正常运营和乘客的人身安全有重要影响。地铁车门的频繁开闭极易导致地铁车门系统发生故障,同时为保障安全针对地铁车门的日常检查也增加了运维成本。统计表明,在地铁车辆的各类故障中,车门系统的故障占较大比例。基于此,开展针对地铁车门系统的退化过程分析和预测研究对保障地铁的安全运营尤为必要。机械传动系统作为地铁车门系统的核心,基于传动系统的动力学分析及实践表明,地铁车门夹紧力可以反映地铁车门传动系统的健康状态。因此,本文以地铁车门传动系统为研究对象,将车门关闭时的夹紧力作为评估地铁车门传动系统退化状态的定量指标,围绕夹紧力的采集、预测等开展研究,主要工作包括以下几个方面:（1）对地铁车门传动系统的结构和工作原理进行分析,论证地铁车门夹紧力作为评估地铁车门传动系统退化状态的合理性。根据地铁车门的特点设计了一套便携式夹紧力测力装置,并且结合后续算法设计了一种用于分析和预测夹紧力数据的上位机软件。（2）面向不同的时间序列预测模型,分别从数据处理、参数估计和模型检验等方面进行对比分析,从而选取适合地铁车门夹紧力预测的模型。然后,结合所选的模型和夹紧力的特点,提出一种二维的ARIMA预测方法对所采集的地铁车门夹紧力进行预测。（3）针对已投入运营的地铁,对不同时间段的地铁车门夹紧力数据进行采集,并依据所采集的地铁车门夹紧力数据,运用提出的二维ARIMA预测模型对地铁车门夹紧力的短期数值进行预测,并分析预测结果及所提预测方法的有效性。研究结果表明,设计的夹紧力数据采集系统结构简单便捷,可用于地铁车门夹紧力的数据采集和分析;通过预测数据与实测数据之间的对比发现,相对于一维ARIMA预测模型,二维ARIMA预测模型在地铁车门夹紧力的短期预测中具有较高的预测精度。预测结果可为进一步评估车门传动系统的退化状态、优化日常检查频率、分析可靠性和制定维修决策提供支持和参考。
二、ARMA模型识别及参数估计的新方法（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、ARMA模型识别及参数估计的新方法（论文提纲范文）
（1）部分观测信息下工程结构时变参数识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 工程结构时不变参数识别方法研究现状 |
| 1.2.1 峰值法 |
| 1.2.2 频域分解法 |
| 1.2.3 随机子空间法 |
| 1.2.4 时间序列方法 |
| 1.3 工程结构时变参数识别方法研究现状 |
| 1.3.1 希尔伯特-黄变换 |
| 1.3.2 最小二乘估计类方法 |
| 1.3.3 卡尔曼滤波类方法 |
| 1.3.4 小波分析方法 |
| 1.4 本文研究内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 创新点 |
| 1.4.3 技术路线 |
| 第2章 小波多分辨分析及无迹卡尔曼滤波理论 |
| 2.1 引言 |
| 2.2 小波多分辨分析 |
| 2.2.1 小波多分辨分析的概念 |
| 2.2.2 小波多分辨分析的理解 |
| 2.3 无迹卡尔曼滤波 |
| 2.3.1 无迹卡尔曼滤波理论 |
| 2.3.2 基于无迹卡尔曼滤波估计的数值仿真 |
| 2.4 本章小结 |
| 第3章 基于WMRA的线性结构时变参数识别 |
| 3.1 引言 |
| 3.2 基于WMRA的线性结构时变参数识别 |
| 3.2.1 时变参数识别模型的建立 |
| 3.2.2 时变参数小波多分辨率表达 |
| 3.3 数值仿真 |
| 3.3.1 单自由度线性结构数值仿真 |
| 3.3.2 多自由度线性结构数值仿真 |
| 3.4 本章小结 |
| 第4章 基于WMRA-UKF的线性结构时变参数识别 |
| 4.1 引言 |
| 4.2 部分观测信息下基于WRMA-UKF的模型建立 |
| 4.3 数值仿真 |
| 4.3.1 单自由度线性结构数值仿真 |
| 4.3.2 三自由度线性结构数值仿真 |
| 4.3.3 五自由度线性结构数值仿真 |
| 4.4 抗噪性研究 |
| 4.4.1 结构加速度噪声 |
| 4.4.2 观测噪声 |
| 4.4.3 地震加速度噪声 |
| 4.5 本章小结 |
| 第5章 基于WMRA-UKF的结构时变参数识别试验验证 |
| 5.1 引言 |
| 5.2 时变刚度框架模型试验 |
| 5.2.1 模型制作 |
| 5.2.2 测试工况 |
| 5.3 结构刚度识别 |
| 5.3.1 工况一:刚度时不变 |
| 5.3.2 工况二:第三层刚度突变 |
| 5.3.3 工况三:第二层刚度突变 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参加科研情况 |
| 致谢 |
| 作者简介 |
（2）基于CVA的变压器故障诊断及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 油浸式电力变压器故障诊断及预测技术 |
| 2.1 电力变压器故障分类 |
| 2.2 基于DGA的变压器故障诊断理论 |
| 2.2.1 溶解油中气体产生机理 |
| 2.2.2 DGA用于变压器故障判断 |
| 2.3 电力变压器故障诊断算法 |
| 2.3.1 常规算法 |
| 2.3.2 智能算法 |
| 2.4 电力变压器故障预测算法 |
| 2.4.1 SVM预测模型 |
| 2.4.2 ARMA预测模型 |
| 2.4.3 组合预测模型 |
| 2.5 本章小结 |
| 第3章 基于小波神经网络的电力变压器故障诊断研究 |
| 3.1 基于小波变换的变压器故障诊断理论 |
| 3.2 小波神经网络故障诊断模型建立 |
| 3.2.1 输入输出神经元的确定 |
| 3.2.2 隐含层的确定 |
| 3.3 小波神经网络故障诊断模型训练 |
| 3.3.1 训练样本数据的选取 |
| 3.3.2 小波变换去噪处理 |
| 3.3.3 小波神经网络模型训练 |
| 3.4 故障诊断结果分析 |
| 3.5 本章小结 |
| 第4章 基于DGA结合CVA算法在变压器故障诊断中的研究 |
| 4.1 基于CVA的变压器故障诊断理论 |
| 4.2 CVA故障诊断模型建立 |
| 4.3 CVA优化小波神经网络故障诊断模型训练 |
| 4.3.1 特征值提取 |
| 4.3.2 训练和测试阶段 |
| 4.4 故障诊断结果分析 |
| 4.5 本章小结 |
| 第5章 基于PSO-SVM模型和WPT-ARMA模型组合的变压器预测模型 |
| 5.1 基于PSO-SVM模型预测 |
| 5.1.1 PSO-SVM模型建立 |
| 5.1.2 PSO-SVM模型的误差评价 |
| 5.2 基于WPT-ARMA模型预测 |
| 5.2.1 ARMA模型的建立 |
| 5.2.2 ARMA模型的预报 |
| 5.3 组合预测的电力变压器故障预测 |
| 5.3.1 组合预测的主要思想 |
| 5.3.2 基于PSO-SVM与WPT-ARMA的组合预测模型 |
| 5.4 变压器预测模型维数的实例仿真分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间研究成果 |
（3）基于深度学习的超短期太阳辐照度预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 辐照度预测方法的分类 |
| 1.2.2 辐照度预测模型 |
| 1.2.3 国内研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 太阳辐照度的理论基础 |
| 2.1 基本概念 |
| 2.1.1 太阳能 |
| 2.1.2 太阳辐射 |
| 2.1.3 与太阳相关的重要参数 |
| 2.1.4 辐射能等相关术语 |
| 2.2 大气层外的太阳辐照度 |
| 2.2.1 太阳常数 |
| 2.2.2 大气质量 |
| 2.3 到达地表的太阳辐照度 |
| 2.3.1 大气的吸收 |
| 2.3.2 大气的散射 |
| 2.3.3 大气的反射 |
| 2.3.4 到达地表的太阳辐射强度 |
| 2.4 本章小结 |
| 第3章 常见的辐照度预测模型 |
| 3.1 持久性模型 |
| 3.2 气象参数模型 |
| 3.2.1 数值天气预报NWP模型 |
| 3.2.2 基于卫星图像和全天空成像图像的预测模型 |
| 3.3 统计模型 |
| 3.3.1 ARMA |
| 3.3.2 ARIMA |
| 3.3.3 指数平滑 |
| 3.4 机器学习模型 |
| 3.4.1 ANN |
| 3.4.2 SVM |
| 3.5 深度学习模型 |
| 3.5.1 卷积神经网络 |
| 3.5.2 循环神经网络 |
| 3.5.3 长短时记忆网络 |
| 3.6 混合模型 |
| 3.7 常用的评价指标 |
| 3.8 本章小结 |
| 第4章 基于门控循环单元和天气预报数据的24 小时辐照度预测研究 |
| 4.1 引言 |
| 4.2 数据分析 |
| 4.3 预测方法 |
| 4.3.1 GRU模型 |
| 4.3.2 基于GRU网络的辐照度预测 |
| 4.4 实验结果与讨论 |
| 4.4.1 与其他模型的对比 |
| 4.4.2 收敛速度对比分析 |
| 4.4.3 不同数据集上GRU和 LSTM结果对比 |
| 4.5 本章小结 |
| 第5章 基于小波变换和Elman网络的小时辐照度预测研究 |
| 5.1 引言 |
| 5.2 数据集及分析 |
| 5.3 WT-ENN方法 |
| 5.3.1 小波分解 |
| 5.3.2 Elman神经网络 |
| 5.3.3 混合WT-ENN方法 |
| 5.4 实验结果及分析 |
| 5.5 不同方法的对比研究 |
| 5.6 本章小结 |
| 第6章 基于CEEMDAN分解的CNN-LSTM网络预测小时辐照度 |
| 6.1 引言 |
| 6.2 模型设计 |
| 6.2.1 CEEMDAN方法 |
| 6.2.2 卷积神经网络 |
| 6.2.3 不同的CNN-LSTM网络输入结构 |
| 6.2.4 提出的CEEMDAN-CNN-LSTM模型 |
| 6.3 数据分析 |
| 6.4 实验结果与分析 |
| 6.4.1 不同CNN-LSTM结构结果的比较 |
| 6.4.2 不同预测方法结果的对比 |
| 6.4.3 不确定分析 |
| 6.5 本章小结 |
| 第7章 基于LSTM-MLP多分支结构的预测模型研究 |
| 7.1 基于LSTM的小时辐照度预测模型比较研究 |
| 7.1.1 LSTM-MLP双分支结构 |
| 7.1.2 数据分析 |
| 7.1.3 实验结果与分析 |
| 7.1.4 小结 |
| 7.2 WPD-CNN-LSTM-MLP混合深度学习模型预测辐照度 |
| 7.2.1 引言 |
| 7.2.2 模型设计 |
| 7.2.3 数据分析 |
| 7.2.4 实验结果 |
| 7.2.5 比较与分析 |
| 7.2.6 小结 |
| 第8章 总结与展望 |
| 8.1 研究工作总结 |
| 8.2 本文的创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（4）泛基因组工具变量孟德尔随机化方法及其应用研究 ——以食管鳞癌mGWAS为例（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 一、前言 |
| 二、基于泛基因组工具变量的孟德尔随机化方法研究(OMR) |
| 1. 研究背景 |
| 2. 研究方法 |
| 2.1 理论模型 |
| 2.2 统计模拟 |
| 2.3 实例验证 |
| 2.4 OMR模型与最新MR方法对比分析 |
| 2.5 模型评价指标 |
| 3. 研究结果 |
| 3.1 理论证明结果 |
| 3.2 统计模拟结果 |
| 3.3 实例验证结果 |
| 3.4 R包使用说明 |
| 4. 讨论 |
| 三、应用研究: 以血清代谢物对食管鳞癌的因果关联分析为例 |
| 1. 研究背景 |
| 2. 研究方法 |
| 2.1 研究人群 |
| 2.2 全基因组分型与填补方法 |
| 2.3 非靶向血清代谢组学检测方法 |
| 2.4 食管鳞癌高发区人群mGWAS分析 |
| 2.5 食管鳞癌GWAS分析 |
| 2.6 OMR分析 |
| 3. 研究结果 |
| 3.1 人口统计特征 |
| 3.2 食管鳞癌高发区人群mGWAS分析结果 |
| 3.3 食管鳞癌GWAS分析结果 |
| 3.4 OMR分析结果 |
| 4. 讨论 |
| 四、结论 |
| 五、创新点与局限性 |
| 1. 创新点 |
| 2. 局限性 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间发表论文 |
| 学位论文评阅及答辩情况表 |
| 附英文发表文章 |
（5）基于ARMA-BP神经网络的城市空气质量预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外发展现状 |
| 1.3.1 国内研究发展现状 |
| 1.3.2 国外研究发展现状 |
| 1.4 本文主要研究内容及组织结构 |
| 2 空气质量理论基础与空气质量影响因素 |
| 2.1 空气质量指数定义 |
| 2.2 AQI计算方法 |
| 2.3 空气质量指数影响因素 |
| 2.4 本章小结 |
| 3 空气质量数据采集与统计分析 |
| 3.1 数据采集与预处理 |
| 3.2 西安市AQI时间序列特征分析 |
| 3.3 空气质量数据的相关性分析 |
| 3.4 本章小结 |
| 4 基于BP神经网络的空气质量预测 |
| 4.1 人工神经网络 |
| 4.1.1 基本概念 |
| 4.1.2 激活函数 |
| 4.1.3 训练规则 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络基本结构 |
| 4.2.2 BP神经网络学习过程 |
| 4.2.3 BP神经网络特点 |
| 4.3 基于BP神经网络的空气质量预测实验 |
| 4.4 本章小结 |
| 5 基于ARMA-BP组合模型的空气质量预测 |
| 5.1 时间序列模型 |
| 5.1.1 时间序列分析 |
| 5.1.2 自回归模型 |
| 5.1.3 移动平均模型 |
| 5.1.4 自回归移动平均模型 |
| 5.2 ARMA模型建模步骤 |
| 5.2.1 平稳性检验 |
| 5.2.2 模型识别与定阶 |
| 5.2.3 参数估计与模型诊断 |
| 5.3 ARMA-BP神经网络组合预测模型 |
| 5.3.1 组合预测模型 |
| 5.3.2 仿真实验 |
| 5.4 遗传算法改进组合模型 |
| 5.4.1 BP神经网络的不足 |
| 5.4.2 遗传算法 |
| 5.4.3 算法改进 |
| 5.4.4 改进的组合模型仿真实验 |
| 5.4.5 实验结果对比 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（6）基于监测数据时频域特征统计分析的桥梁安全预警研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 桥梁安全预警研究现状 |
| 1.2.1 桥梁安全预警研究进展 |
| 1.2.2 桥梁安全预警目前存在的主要问题 |
| 1.3 本文主要研究内容 |
| 2 基于时间序列分析模型的桥梁安全预警 |
| 2.1 引言 |
| 2.2 时间序列分析模型理论 |
| 2.2.1 常用时间序列模型的介绍及选用 |
| 2.2.2 时间序列分析模型的建立流程 |
| 2.2.3 时间序列分析模型的建模算例 |
| 2.3 监测数据时间序列分析ARMA模型的建立 |
| 2.3.1 长期监测加速度数据的ARMA模型建立 |
| 2.3.2 桥梁安全预警指标的构造 |
| 2.4 基于ARMA分析模型的桥梁安全预警 |
| 2.4.1 基于ARMA分析模型的系统运动模型 |
| 2.4.2 不同监测数据的时间序列分析模型比对 |
| 2.4.3 桥梁安全预警指标的敏感性分析 |
| 2.4.4 桥梁安全整体预警方法的研究 |
| 2.5 本章小结 |
| 3 基于三分之一倍频程谱分析的桥梁安全预警 |
| 3.1 引言 |
| 3.2 监测序列相似性衡量 |
| 3.2.1 时间序列分析相似性的定义 |
| 3.2.2 监测序列相似性衡量方法的介绍 |
| 3.3 监测数据域变换处理 |
| 3.3.1 监测数据域变换处理手段 |
| 3.3.2 基于域变换特征显示监测序列相似性距离度量指标 |
| 3.4 基于域变换特征显示序列相似度距离函数安全预警 |
| 3.4.1 数值模型及损伤工况的设置 |
| 3.4.2 距离函数指标安全预警效果 |
| 3.5 本章小结 |
| 4 基于小波包分析理论的桥梁结构安全预警 |
| 4.1 引言 |
| 4.2 小波包分析理论 |
| 4.2.1 传统的小波分析 |
| 4.2.2 小波包分析的定义 |
| 4.2.3 小波包分析预警原理 |
| 4.3 小波包参数介绍 |
| 4.3.1 常用小波基及其性质 |
| 4.3.2 最优小波基和分解层次的选择 |
| 4.4 基于小波包能量的桥梁安全预警 |
| 4.4.1 小波包能量的构造 |
| 4.4.2 基于小波包能量的预警指标 |
| 4.4.3 损伤预警指标的预警效果 |
| 4.5 本章小结 |
| 5 桥梁结构安全预警体系概念的初步设计 |
| 5.1 引言 |
| 5.2 桥梁结构预警的特点及预警体系概念初步设计 |
| 5.2.1 桥梁结构安全监测预警体系的特点 |
| 5.2.2 桥梁结构安全监测预警体系的指标选用 |
| 5.2.3 桥梁结构安全监测预警体系的阈值设置原则 |
| 5.2.4 桥梁结构安全监测预警体系的预警流程 |
| 5.3 桥梁安全预警阈值的分析与设置 |
| 5.3.1 固定预警阈值的分析与设置 |
| 5.3.2 动态预警阈值的分析与设置 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 本文主要结论 |
| 6.2 对未来研究的展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（7）高维时间序列的统计校正学习（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 时间序列预测的国内外研究历史与现状 |
| 1.2.1 时间序列预测的传统方法 |
| 1.2.2 高维时间序列预测的研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 预测高维时间序列的理论基础 |
| 2.1 向量自回归模型简述 |
| 2.2 信息准则方法 |
| 2.3 Reduced-Rank回归 |
| 2.4 Lasso |
| 2.4.1 Lasso ARMA |
| 2.4.2 Group Lasso |
| 2.5 随机森林 |
| 2.6 决策树 |
| 2.7 超前滞后关系 |
| 2.8 本章小结 |
| 第三章 数据 |
| 3.1 数据来源 |
| 3.2 数据特点 |
| 3.2.1 平稳性 |
| 3.2.2 弱信号 |
| 3.2.3 联动性 |
| 3.2.4 相关性 |
| 3.2.5 非线性 |
| 3.3 本章小结 |
| 第四章 校正的统计模型 |
| 4.1 降维向量自回归模型 |
| 4.2 模拟 |
| 4.2.1 产生数据 |
| 4.2.2 估计模型系数 |
| 4.2.3 选择最优的模型 |
| 4.3 校正的机器学习模型 |
| 4.3.1 信号增强 |
| 4.3.2 ARMA滤波 |
| 4.3.3 ARMA增广Lasso模型 |
| 4.3.4 ARMA增广随机森林模型 |
| 4.4 本章小结 |
| 第五章 实证分析 |
| 5.1 评估标准 |
| 5.2 实验结果 |
| 5.2.1 重要变量的实验结果 |
| 5.2.2 两步预测的实验结果 |
| 5.2.3 Lasso模型的实验结果 |
| 5.2.4 改进的LP模型的实验结果 |
| 5.3 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 相关关系 |
| 附录B 代码 |
| B.1 算法4-1 |
| B.2 算法4-2 |
| 攻读硕士学位期间取得的成果 |
（8）基于深度学习的风电场短期风速预测组合模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 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 风电风速预测方法 |
| 1.2.2 风速预测性能评估 |
| 1.2.3 存在问题分析 |
| 1.3 主要研究内容及章节安排 |
| 1.4 本章小结 |
| 第2章 风电场风速数据预处理与预测技术 |
| 2.1 风资源概况 |
| 2.1.1 风电场选址 |
| 2.1.2 风资源测量情况 |
| 2.2 测风数据整理与分析 |
| 2.2.1 数据完整性检验 |
| 2.2.2 数据合理性检验 |
| 2.3 多尺度风电场划分 |
| 2.4 时间序列分析理论基础 |
| 2.4.1 数据相关性分析 |
| 2.4.2 深度学习技术 |
| 2.5 基于深度学习的时间序列预测 |
| 2.6 本章小结 |
| 第3章 ARIMA和NARX组合模型的小尺度风速预测 |
| 3.1 ARIMA-NARX组合模型 |
| 3.1.1 自回归滑动平均模型 |
| 3.1.2 模型阶次估计 |
| 3.1.3 NARX神经网络 |
| 3.1.4 优化终止条件 |
| 3.1.5 模型评估 |
| 3.2 基于ARIMA-NARX网络的风速预测建模 |
| 3.2.1 样本数据 |
| 3.2.2 模型参数估计 |
| 3.2.3 网络训练及优化 |
| 3.3 结果与讨论 |
| 3.4 本章小结 |
| 第4章 基于Multi-TCN-LSTM模型的中尺度风速预测 |
| 4.1 引言 |
| 4.2 Multi-TCN-LSTM架构 |
| 4.2.1 TCN架构 |
| 4.2.2 TCN-LSTM结构 |
| 4.2.3 基于LSTM网络的预测 |
| 4.2.4 时间卷积层 |
| 4.2.5 空间卷积层 |
| 4.2.6 循环层 |
| 4.2.7 跳跃连接 |
| 4.2.8 引入注意力机制 |
| 4.2.9 损失函数 |
| 4.2.10 随机梯度优化 |
| 4.3 基于Multi-TCN-LSTM模型的风速建模过程 |
| 4.3.1 参数设置与优化 |
| 4.3.2 网络训练过程 |
| 4.4 结果与讨论 |
| 4.5 本章小结 |
| 第5章 基于时空克里金技术的大尺度风速预测 |
| 5.1 引言 |
| 5.2 时空地统计技术 |
| 5.2.1 时空变异函数 |
| 5.2.2 时空协方差函数模型 |
| 5.2.3 时空克里金技术 |
| 5.2.4 函数克里金 |
| 5.3 结果与讨论 |
| 5.3.1 时空变异性分析 |
| 5.3.2 预测结果 |
| 5.3.3 结果验证 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究成果与创新 |
| 6.1.1 主要研究成果 |
| 6.1.2 主要创新点 |
| 6.2 后续研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（9）大地震磁偏角数据异常分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 地磁异常分析研究的目的及意义 |
| 1.3 国内外地磁预测和研究现状 |
| 1.3.1 国外地磁观测预测研究现状及动态 |
| 1.3.2 国内地磁观测预测研究现状及动态 |
| 1.4 本文研究的方法和技术路线 |
| 1.5 论文的结构安排 |
| 第二章 地震地磁偏角D数据异常分析理论模型 |
| 2.1 地磁偏角D数据观测模型 |
| 2.2 地磁数据异常分析理论模型 |
| 2.2.1 非震地磁异常数据处理ARMA模型 |
| 2.2.2 地震地磁数据异常分析ARIMA模型 |
| 2.3 地磁偏角数据异常分析观测模型 |
| 2.4 本章小结 |
| 第三章 基于ARMA模型的地磁非震异常数据处理方法 |
| 3.1 地磁非震异常值插值研究 |
| 3.2 地磁偏角D插值方法 |
| 3.2.1 均值插值 |
| 3.2.2 线性插值 |
| 3.2.3 自回归移动平均ARMA模型 |
| 3.3 地磁数据插值实验设计 |
| 3.3.1 地磁插值数据处理 |
| 3.3.2 地磁插值实验方法设计 |
| 3.4 分析与讨论 |
| 3.5 本章小结 |
| 第四章 基于ARIMA模型的地磁偏角数据异常分析方法 |
| 4.1 一阶差分消除背景场 |
| 4.2 地磁偏角D二阶差分 |
| 4.3 基于ARIMA模型的地磁数据异常分析方法 |
| 4.3.1 连续阈值法提取地磁偏角数据异常方案 |
| 4.3.2 差分自回归移动平均模型滑动预测的地磁异常分析算法 |
| 4.4 地磁偏角数据异常分析算法测试与分析 |
| 4.5 本章小结 |
| 第五章 5 次大地震地磁偏角异常分析验证 |
| 5.1 地磁偏角限异常和异常程度识别判定和提取分析 |
| 5.2 5次7.0 级以上大地震地磁偏角异常分析 |
| 5.2.1 2008年5月12 日汶川地震地磁偏角异常分析 |
| 5.2.2 2010年4月14 日青海玉树地震地磁偏角异常分析 |
| 5.2.3 2013年4月20 日四川雅安地震地磁偏角异常分析 |
| 5.2.4 2014年2月12 日新疆于田地震地磁偏角异常分析 |
| 5.2.5 2017年8月8 日四川九寨沟地震地磁偏角异常分析 |
| 5.3 7 级以上大地震地磁偏角D异常的几个特点 |
| 5.4 本文地磁偏角异常分析法与其他方法的比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文研究成果 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 A 5组国家地磁台网14个国际交换台站 |
| 附录 B 攻读硕士学位期间的成果 |
（10）基于二维ARIMA模型的地铁车门夹紧力预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 存在的问题及研究目的 |
| 1.4 研究内容 |
| 1.5 剩余章节简介 |
| 1.6 本章小结 |
| 第2章 退化过程分析及夹紧力采集系统的设计 |
| 2.1 传动系统结构及动力学分析 |
| 2.1.1 结构及工作原理 |
| 2.1.2 传动系统动力学分析 |
| 2.2 夹紧力检测力系统设计 |
| 2.2.1 测力装置设计 |
| 2.2.2 硬件系统设计 |
| 2.2.3 软件系统设计 |
| 2.3 本章小结 |
| 第3章 预测模型及其构建 |
| 3.1 时间序列模型 |
| 3.1.1 AR模型 |
| 3.1.2 MA模型 |
| 3.1.3 ARMA模型 |
| 3.1.4 ARIMA模型 |
| 3.2 二维ARIMA预测方法 |
| 3.3 本章小结 |
| 第4章 实际案例分析 |
| 4.1 数据来源及预处理 |
| 4.2 预测过程 |
| 4.2.1 数据平稳性检验 |
| 4.2.2 模型识别与定阶 |
| 4.2.3 参数估计与残差检验 |
| 4.2.4 预测分析 |
| 4.3 预测误差分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 攻读学位期间的研究成果 |
四、ARMA模型识别及参数估计的新方法（论文参考文献）
- [1]部分观测信息下工程结构时变参数识别方法研究[D]. 晋冬丽. 河北工程大学, 2021(08)
- [2]基于CVA的变压器故障诊断及预测研究[D]. 张宇婷. 长春工业大学, 2021(08)
- [3]基于深度学习的超短期太阳辐照度预测模型研究[D]. 黄小乔. 云南师范大学, 2021(09)
- [4]泛基因组工具变量孟德尔随机化方法及其应用研究 ——以食管鳞癌mGWAS为例[D]. 王璐. 山东大学, 2021(12)
- [5]基于ARMA-BP神经网络的城市空气质量预测研究[D]. 王文静. 西安工业大学, 2021(02)
- [6]基于监测数据时频域特征统计分析的桥梁安全预警研究[D]. 曹晓龙. 大连理工大学, 2021(01)
- [7]高维时间序列的统计校正学习[D]. 陈静. 电子科技大学, 2021(01)
- [8]基于深度学习的风电场短期风速预测组合模型[D]. 王玉. 中国科学技术大学, 2021(09)
- [9]大地震磁偏角数据异常分析方法研究[D]. 董宝伟. 昆明理工大学, 2021(01)
- [10]基于二维ARIMA模型的地铁车门夹紧力预测[D]. 梁鑫. 兰州理工大学, 2020(02)