一、经济时间序列的非线性特性检验及其应用（论文文献综述）
才月[1]（2021）在《单环闭式脉动热管内两相流非线性理论模型研究》文中提出寻求高效的节能方法是应对日益严重的能源问题的有效途径。而脉动热管作为一种结构简单、体积小、效率高、适应性强的新型传热元件,在强化传热、节能减排等各个领域应用日益广泛。目前对脉动热管的研究主要集中在实验以及数值模拟两方面,对管内工作流体的对流换热、导热以及相变等多种物理过程与脉动热管运行机理间的联系研究的不够透彻。为更加深入的研究脉动热管的工作机理,本文从管内工质的流动与传热以及流体动力学角度,建立了两种类型的理论模型,为脉动热管在工程实践中的应用提供了理论依据。首先,基于脉动热管的热对流偏微分方程组,同时又应用了分离变量法、伽辽金法等,建立了含潜热两相流单环闭式脉动热管的类Lorenz方程模型。将所建立的类Lorenz方程模型进行编程,通过模拟计算得到了脉动热管内工作流体的混沌特性参数,并对其运动特性及传热性能进行研究。其次,本文又考虑了脉动热管内气液两相流运动的非线性及相变等特性,建立了含两液柱的单环闭式脉动热管的弹簧-质量-阻尼流体动力学模型,对脉动热管的动力学特性及非线性特性进行了分析。最后,为了验证所建立的两种类型的脉动热管理论模型的准确性,本文还同时进行了脉动热管的实验及Fluent数值模拟研究,并将结果与理论模型所得结论进行对比,发现两者具有良好的一致性。通过对脉动热管两种理论模型的计算分析,以及对Fluent数值模拟数据和实验数据进行相空间重构,得到了含潜热两相流单环闭式脉动热管的分叉图、吸引子轨迹图以及李雅普诺夫指数值。发现单环闭式脉动热管内的工作流体呈循环与振荡相结合的运动状态,且随着加热功率的增加,脉动热管内工作流体的运动逐渐由低维混沌向高维混沌发展,传热特性逐渐得到提高。同时,应用所建立的类Lorenz方程预测了特定条件下单环闭式脉动热管的最佳结构参数和充液率,为进一步构造最佳传热性能的脉动热管提供了理论依据。
毛学耕[2]（2021）在《非线性时间序列的复杂性和因果关系度量及其应用》文中研究指明在信息化飞速发展的时代,数据的搜集、处理和研究至关重要.数据统计分析作为统计学科的一个重要方向,因其关联的理论知识丰富、方法应用广泛引起了不同学科的科学家们的大量关注.其中,时间序列的非线性和相互关系度量为考察现实世界中客观存在的复杂系统的内在作用机制和动态演化提供了参考,这也是本文的主要研究方向.在本文中,我们基于累积剩余信息、概率分布理论和信息熵研究非线性非平稳时间序列的复杂性、在不同时间尺度下的波动情况以及它们之间的差异性;基于经验模式分解和相位一致性研究时间序列之间的因果关系;基于分形理论和广义熵分析序列的分形结构.本文的主要研究内容包括以下四个方面:1、时间序列的累积剩余信息研究.我们基于非广延熵将累积剩余Kullback-Leibler 信息（Cumulative residual Kullback-Leibler information,CRKL）推广到分数阶,提出一种新的量化序列之间差异性的度量,定义为分数阶CRKL（Fractional CRKL,FCRKL）.在理论层面,我们研究了 FCRKL和CRKL以及Fisher信息之间的关系,并给出了关于FCRKL的一些性质和定理及其相应证明.除此之外,我们也定义了离散形式的FCRKL.通过模拟不同分布函数,验证了 FCRKL度量的有效性.然后,我们将FCRKL应用到金融市场中,分析不同股票指数之间的相似性.研究发现FCRKL更能有效区分股票指数之间在不同时期的差异性,并且能够识别出特定时期的金融事件.另一方面,针对分布熵算法存在的不足,我们将累积剩余信息和分布熵结合,提出了累积剩余分布熵（Cumulative residual distribution entropy,CRDE）和多尺度累积剩余分布熵（Multiscale CRDE,MCRDE）.CRDE可以分析状态空间重构后向量之间距离的分布情况和幅值变化,能够捕捉到序列更全面的动态信息.同时MCRDE能够较准确地刻画出高斯白噪声和1/f噪声在不同时间尺度下的波动情况.在实际应用中,MCRDE揭示了不同病理状态下心率间隔时间序列的差异性,验证了健康年轻个体的生理机制复杂性最高,能够随外部环境的变化作出适当的调整,而老年和疾病个体的生理机制相对来说比较脆弱,复杂性降低.2、时间序列在不同尺度下的因果关系.我们首次应用因果分解方法研究了十个主要国家近48年GDP序列之间的因果关系.首先我们应用集成经验模式分解（Ensemble empirical Mode Decomposition,EEMD）分解 GDP 变化率序列,获得四个本征模函数（Intrinsic Mode Function,IMF）和一个残余趋势,并分别计算了它们的方差贡献率和平均周期.我们发现绝大多数国家的经济增长波动以3-5年的短时间周期为主.然后利用原因和结果的协变原则以及相位一致性理论计算每对IMF之间的因果关系方向和强度.发现各个国家在不同时期的环境下,因果关系的方向和强度是有变化的,在短周期和中长周期体现最明显,这也说明各国之间的经济往来和相关政策是随时间变化的.但在长周期条件下,国家之间的因果关系明显减少和减弱,这表明长期来看,国家的经济波动主要由自身的发展政策和环境主导.3、多变量样本熵（Multivariate sample entropy,MVSE）和多变量多尺度样本熵（Multivariate multiscale sample entropy,MMSE）的容忍度计算方法研究.容忍度参数r的选取直接影响相似模式的存在比例.传统计算容忍度参数r的方法比较简单,在衡量新模式产生的概率大小方面可能会产生偏差从而导致结果不准确.基于此问题,我们结合累积直方图方法（Cumulative Histogram Method,CHM）估计了所有可能的r值,并建立了 MVSE和MMSE分布,能够更完整更准确地度量序列的复杂度.通过比较不同性质序列的基于CHM的自适应MVSE结果和传统的MVSE结果,验证了基于CHM的MVSE能够用于计算短时间序列,并且随序列长度增加变化不明显.同时我们又定义了两个辅助性度量AvgMMSE和SDMMSE,以便研究在不同尺度下的复杂性.对于短时间序列,我们应用AvgMVSE和SDMVSE.同时,基于累积直方图方法能够揭示股票指数所含的信息量随时间推移的变化情况,对多变量股票指数数据的分析保留了收盘价格和成交量每个通道的波动特征.4、复杂度-熵平面以及分数维结构分析.首先,我们将原始的复杂度-熵因果关系平面推广到多变量情形,提出了多变量多尺度复杂度-熵因果关系平面（Multi-variate multiscale complexity-entropy causality plane,MMCECP）,即通过计算多变量置换熵和多变量统计复杂度测度分析多变量时间序列的统计性质.通过对不同类型的模拟数据验证,我们说明了 MMCECP的有效性以及其对噪声的免疫性.在金融时间序列应用中,MMCECP能够将发达国家和新兴国家的股票指数区分开,并且不同地区的股票指数在MMCECP的位置也有较明显的差异.然后,我们用功率谱熵（Power spectral entropy,PSE）替换置换熵在频域上分析序列的动态特性.和置换熵相比,PSE算法不需要选取合适的参数.我们又结合Tsallis熵和Renyi熵将原始熵平面推广为熵曲线分析,并给出了在参数趋于0和无穷时广义PSE和复杂性测度的极限值.在q阶Tsallis复杂度-熵曲线中,混沌序列和随机序列的熵曲线形状是可区分的,其中混沌序列的熵曲线是开放的但随机序列的熵曲线是闭合的;在r阶Renyi复杂度-熵曲线中我们可以通过曲线的曲率来辨别不同类型的序列,具有长程自相关性的序列的熵曲线曲率存在正值而不相关的序列的曲线曲率是负值;同时在Tsallis-Renyi熵曲线中也可观察到两种熵之间的关系随参数变化的情况.在睡眠的ECG和EEG信号分析中,验证了 SWS阶段具有最明显的复杂性特性,并且EEG信号比ECG信号更能准确区分不同的睡眠状态.另一方面,我们又提出了一种新的复杂性度量,分散Lempel-Ziv复杂度（Dispersion Lempel-Ziv complexity,DLZC）.相比于原始的LZC,DLZC能够将原始序列映射到多元符号化序列,这样能够减少信息的损失.不同组数值模拟验证了 DLZC和标准化的分散熵（Normalized dispersion entropy,NDE）对参数变化和不同程度的噪音不敏感.同时,我们建立了以NDE为横坐标,DLZC为纵坐标的熵平面.三种不同性质的混沌序列在熵平面的聚集区域是可区分的,并且其多尺度特性是明显有差异的,验证了提出的熵平面的有效性.熵平面也使得不同指数下的分形布朗运动和分形高斯白噪声更具有可区分性.在心率间隔时间序列应用中,我们分析了不同病理状态下心率数据的复杂性,深入研究了年龄和疾病与心率数据之间的相关关系.研究表明健康年轻个体具有最显着的复杂性,而年龄和疾病都会导致系统复杂性的降低,这一现象说明随着年龄的增长或者一些疾病的干扰,个体的生理机制适应环境能力减弱,从而导致复杂性降低.
赵璐璐[3]（2021）在《基于多生理信号动力学特征分析的抑郁状态检测》文中指出抑郁症作为一种精神障碍,以显着而持久的情绪低落、兴趣减退和思维迟缓等为主要临床症状,病情严重者会导致自残乃至自杀。近年来,随着患者数量的急剧增加和世界各地频频报告的自杀事件,抑郁症已逐渐为人们所熟知,而其带来的危害也日渐升高。据世界卫生组织2017年统计,全球约有3.22亿抑郁症患者,抑郁症已成为当今社会的首要致残原因。此外,抑郁症还会给家庭和社会带来巨大的经济负担,是导致全球疾病负担的一个重大因素。与其广泛的发病率和严重的危害性不匹配的是抑郁症相对落后的诊疗现状。作为一种精神性疾病,抑郁症的发病机制尚不明确,目前临床诊断仍依赖于精神病专家的主观面诊和量表等定性方法,定量化精准诊疗的临床应用罕见报道,同时还面临着早期诊断困难、医疗资源匮乏等问题。因此研究抑郁症的生理心理学机理,探寻准确、有效的抑郁症生物标记物,在对其生理病理状态充分认知的基础上,实现抑郁症的定量化精准诊疗,对提高诊断准确率、减轻诊疗负担等,无疑具有十分重大的临床意义和社会价值。本文基于多生理信号的动力学分析,对抑郁症患者状态检测问题展开研究,构建了抑郁症患者多生理信号数据库,提出了能够准确刻画抑郁症特点的生物标记物;通过对不同严重程度的抑郁症患者生理信号变化规律的探究,推进了对抑郁症生理变化和发病机制的深入理解。在此基础上初步建立了抑郁症患者生理心理模型,验证了基于多生理信号的抑郁状态检测研究的有效性,拓展了抑郁识别领域的特征库,为最终实现临床抑郁症的精准诊疗奠定了理论基础。论文的主要研究成果和创新之处如下:（1）针对当前抑郁研究领域尚无公开多生理信号数据库的问题,本文建立了多生理信号同步采集的抑郁症患者和健康对照组数据库。首先基于抑郁症的生理病理特点优化脑电采集方案,提出了基于前额叶的三导脑电信号采集方法;其次,为满足多生理信号融合的抑郁状态检测分析需求,设计了基于八通道生理信号采集系统的实验方案,同步采集心电、心音、脉搏、呼吸、脑电和皮电6种生理信号;此外,针对领域鲜有研究者关注抑郁病情程度对生理信号影响的现状,将患者划分为病情严重程度不同的三个组别,为开展抑郁程度对人体生理状态影响的相关研究奠定数据基础;最后,整理同步采集的多种生理信号数据,建立了本文研究所需数据库,后期规范整理公开后,将有助于推进该领域的快速发展。（2）基于交叉熵理论研究了不同程度抑郁病情对患者心肺耦合状态的影响。在传统心率变异性研究的基础上引入呼吸信号,采用熵和交叉熵的方法提取非线性心肺耦合特征,分析了特征在不同抑郁程度分组之间的差异性,以及各特征与抑郁程度的相关性。结果表明,本文提出的特征能够有效评估患者心肺状态的改变,揭示了抑郁程度与心肺耦合状态的一般规律,即随着抑郁程度的加深,患者交感和副交感神经活动失衡现象加重,心率变异性和呼吸变异性序列的不规则性升高,同时心率和呼吸活动的同步性降低。（3）基于非线性复杂度分析方法探究了不同程度抑郁病情对患者前额叶脑电复杂度的影响。采用样本熵和Lemple-Ziv复杂度方法探究了抑郁症患者脑电复杂度与健康对照组的区别,及其在不同抑郁程度分组之间的差异性。结果显示,抑郁症患者前额叶alpha波复杂度整体高于健康对照组,且这种升高随抑郁程度的加深呈现进一步增大的趋势。该结果揭示出抑郁症患者前额叶脑电不可预测性增加,即相关脑动力学活动的随机性增强,进而阐释了患者心肺耦合程度降低的机理,同时表明样本熵和LZC可作为定量化指标用于临床抑郁疾病的精准诊疗。（4）基于非线性复杂度方法研究了抑郁症患者前额叶脑电不对称性的变化规律。提出了 AsyLZC和AsySEn两个新指标,同时结合交叉熵算法评估了患者前额叶不对称性随抑郁程度的变化,即抑郁症患者的前额叶alpha波不对称性明显高于健康组,且这种不对称性随抑郁程度的加深而呈现出进一步增强的趋势。研究结果揭示出,随着患者抑郁程度的加深,其右额叶大脑活动相对左额叶逐步增强,导致交感-迷走神经活动平衡向交感显性方向倾斜,进而阐释了临床抑郁脑神经生理学变化的机理,同时表明了两个新指标在抑郁状态评估中的有效性。（5）为验证本文提出的生理指标在抑郁状态检测中的有效性,分别对心肺系统指标和脑电各波段指标进行抑郁识别性能的测试,并建立基于多生理信号融合的抑郁状态检测模型,得到了 92%的抑郁识别准确率,佐证了本文所建数据库的有效性和研究方法的可行性,为实现基于多生理信号的抑郁状态识别及抑郁症的精准诊疗奠定了理论基础。
杨霞[4]（2021）在《基于人员红外数据的时间序列组合预测模型研究》文中提出预测是一种重要的数据分析方法,有助于挖掘数据间的规律和估计未来的趋势。随着智能监测技术的提升,对学校房间使用时长的监测需求越来越强烈。与传统的调查人员统计的方式相比较,使用红外传感器监测既能让统计结果更加准确,还能有效减少劳动力。人员红外时间序列数据往往很复杂,具有很强的不确定性,现有的单一预测模型很难全面地对其进行预测。在查阅了组合预测模型以及红外传感器数据预测模型的相关文献的基础上,决定使用组合预测模型对人员红外时间序列数据进行预测。通过对人员红外数据的预测,有利于掌握学校房间的使用规律,从而做出高效的时间规划,减少不必要的资源浪费。组合模型的方式有多种,通过何种方式将哪些单一模型组合是需要研究的问题。针对学校房间使用情况的监测需求,本文提出了三种适用于人员红外时间序列数据的组合预测模型。本文的研究内容和贡献如下:1)针对Prophet模型时间推理能力略差、缺少残差检验的问题,提出了由季节性自回归综合移动平均模型和Prophet模型组成的预测模型,该模型克服了传统的等权组合的弊端。首先使用季节性自回归综合移动平均模型和Prophet模型进行预测。然后分别为两个模型赋予初始权值,在最大迭代次数内,不断修改权值,以获取最优的权值组合。最后将两个模型的预测值乘以其对应的最优权值并求和。2)针对支持向量机模型参数获取的难题,本文提出基于蚁群和粒子群算法优化的支持向量机组合预测模型。该模型在单一启发式算法优化模型参数的基础上,升级为混合启发式算法优化模型参数,使得预测准确率更高。首先以支持向量机模型的均方误差为适应度函数。其次求出粒子群和蚁群算法中更优的适应度及对应的参数。最后将该组参数代入支持向量机模型进行预测。3)针对传统时间序列预测模型很难捕获数据间的非线性关系问题,提出将自回归综合移动平均模型与并行结构的长短时记忆网络和支持向量机整合为组合预测模型,以全面地对时间序列进行分析。该模型首先将自回归综合移动平均模型的预测值作为线性成分,计算其残差。其次,使用并行结构的长短时记忆网络与支持向量机模型预测残差部分,计算并行模型预测值的均值,将该值作为非线性成分。最后,将线性部分与非线性部分求和作为最终的预测结果。三种组合模型在对人员红外时间序列数据的预测上,其结果均优于对应的单项模型。实验结果说明本文提出的三种组合预测模型在房间使用时长预测领域有更好的准确性,扩展了组合预测模型的应用范围。
周睿[5]（2021）在《基于语音非线性动力学特性的抑郁症识别研究》文中提出目前,利用客观信号识别抑郁症的研究备受关注,其中语音信号因其易采集、非侵入、设备廉价、信息丰富等特点,成为研究热点之一。抑郁人群语音信号具有语速慢、停顿长、低沉和语调单一等特点。目前已有相关研究从抑郁患者语音信号时域和频域的角度对其特性的讨论,但是尚缺乏从发声系统角度对其特性的讨论。因此本文采用非线性动力学理论、方法对抑郁、正常两类人群发声系统进行对比分析,并提取语音信号的非线性特征用于抑郁症识别模型的构建。本文主要创新和贡献如下:（1）本文采用非线性动力学技术分析抑郁人群发声系统,发现该系统混沌特性降低,递归特性明显,系统趋于稳定、有序。这一结果印证了抑郁和正常人群发声系统存在差异,为构建抑郁识别模型打下基础。本文采用非线性动力学和递归分析技术在相同单音素（元音“啊”）、相同多音素（朗读）、不同多音素（访谈）三类不同语音段上提取混沌、递归等非线性特征并做对比研究。前两者比较发现抑郁人群发声系统混沌特性降低而递归特性明显;三者比较发现非线性特征对音素变化较敏感,构建识别模型需要考虑这一因素。（2）基于（1）的研究成果,本文构造了基于发声系统维度的非线性特征抑郁症识别模型,获得了优于传统模型的识别结果。为了充分挖掘非线性特征对发声系统的表征能力,同时克服其音素敏感缺陷,本文根据单语音帧嵌入维数分组非线性特征,再构建其统计量,并依此训练抑郁症识别模型。在470名受试者共11582个语音段上对该模型进行分性别验证,女性、男性抑郁症识别模型分类正确率分别达到76.3%、72.4%,验证了该模型的有效性。本文通过定量分析抑郁人群语音信号的非线性特性,研究抑郁症患者发声系统的变化,构建了基于发声系统维度的非线性特征抑郁症识别模型,提升了识别准确率。
刘宏志[6]（2020）在《空中交通流量波动动态演化及其非线性分析》文中指出随着空中交通的迅猛发展,在可预见的未来,大流量、高密度的航班运行将会成为常态。在可用空域资源增幅缓慢的现实情况下,为确保航班增长、保持安全与服务质量水平,国际组织、各国空中交通管理当局与研究机构提出了各种运行概念和解决方案。虽然这些概念和方案种类繁多,但其本质都是在遵循空中交通动态演化规律与特性的基础上,使用各种技术手段实现空中交通资源在时间和空间上的优化配置,从而达到交通需求与所需资源相匹配的目标。空中交通动态演化规律和运行特性的准确刻画是空中交通系统优化与控制的一个关键问题。然而,空中交通不但会受到时空非均衡交通需求的影响,还会受到天气这一不确定因素的严重影响,致使空中交通的动态演化规律和运行特性很难使用数学模型进行精准描述和刻画。此外,虽然在空中交通系统中绝大多数航班在航路上飞行,但机场的进离场航班才是系统运行的原始驱动力。为此,本研究针对机场空中交通（进离场航班）流量时间序列,采用时间序列分析方法,从空中交通流量波动动态演化、流量波动多尺度多重分形特性和多尺度复杂性的角度,探究流量波动短期演化规律和长期的统计特性,以期为流量波动的仿真建模、预测分析和流量管理措施的制定提供科学的理论基础和分析工具。本论文的主要研究内容包括如下三大部分,详细工作介绍如下:（1）为有效刻画空中交通流量波动的动态演化,针对北京首都机场单日离场航班流量时间序列,使用可视图与水平可视图方法将时间序列映射成复杂网络;采用序模体抽取复杂网络的局部结构以刻画流量波动模式,依据波动模式出现的次序与频次,构造了波动模式的状态转移图,刻画了空中交通流量波动的动态演化轨迹;根据可视线的疏密程度,采用网络社团划分方法,将复杂网络划分为不同的社团（时段）;构建序模体剖面刻画时段内的波动特性,量化分析了不同时段间波动特性的差异。本部分研究从波动模式转移和波动特性差异的角度,为流量波动研究提出了一种全新的理论分析工具,为流量短期波动的仿真建模、预测分析以及针对特定波动特性时段定制空中交通流量管理措施提供了科学的分析工具。（2）为探究空中交通流量波动的多尺度多重分形特性,针对北京首都机场2017年整个夏秋航季的离场航班流量时间序列,采用多尺度多重分形分析方法,依据Hurst面的起伏判定该时间序列具有多尺度多重分形特性;辨析了该时间序列中存在的多重分形的类型,明确了该多重分形特性产生的主要原因;提出了多尺度多重分形谱面,分析了参数的设置对于多重分形谱面形状的影响;根据多重分形谱面的形状特征,从多尺度视角考察了该时间序列的分形强度和主导波动类型,发现了主导波动类型发生突变的时间尺度;基于Hurst面间距离,探索了时间序列长度与多尺度多重分形特性刻画近似度之间的关系,进而确定了最小有效长度。本部分研究为理解空中交通流量波动的长期统计自相似特性提供了有益的分析方法,为使用多重分形理论构建流量波动仿真模型,进而预测流量的涨落波动提供了理论基础,也为在不同时间尺度考察流量波动特性,进而制定不同时间尺度下的流量管理策略提供了理论依据。（3）为探究空中交通流量波动的多尺度复杂性,针对中国十大繁忙机场2017年整个夏秋航季的空中交通流量时间序列,采用改进的多尺度排列熵,从单变量视角量化了十大机场的进离场流量波动的多尺度复杂性;提出了改进的多变量多尺度排列熵,从多变量视角量化了十大机场空中交通总体流量波动的复杂性;提出了熵值尖峰概念,并据此将机场进行分类,以表征不同机场之间空中交通流量波动复杂性的相似性;提出了改进的多尺度多变量关联性量化方法,考察了十大机场进离场流量波动之间的多尺度关联性,依据最大值关联性尖峰的位置,识别出主导交通流交替更迭时间尺度。本研究为理解空中交通流量波动的长期统计规律性和不确定性提供了有益的分析方法,为量化空中交通流量波动的预测难度提供了理论基础和有效工具,为评测空中交通流量波动仿真模型提供了有效测度指标。
魏强[7]（2020）在《基于核学习方法的超短期风电功率预测研究》文中研究说明风力发电是未来清洁能源主要发展的方向之一,随着关键风力发电技术和设备的日渐成熟,风力发电场规模不断扩大,风电全国并网比例也呈递增趋势,风力发电功率的强非线性特性对国网安全与稳定运行的影响越来越突出,及时预测风力发电的输出功率是缓解电网调峰、调频压力,提高国网稳定安全运行的有效方法之一。因此,研究能够准确预测风电功率及变化趋势的方法是很有必要的。本文通过核主成分分析（Kernel Principal Component Analysis,KPCA）提取有效维度的历史风电功率数据,简化核极限学习机（Kernel Extreme Learning Machine,KELM）算法的输入维度,然后将不同核函数引入新型前馈神经网络构建基于实际风电场数据的短期风电功率预测模型,为了进步简化主观因素对模型的影响,将优化算法引入到预测模型中来,对核函数的参变量予以改善,使模型在预测精度和泛化方面具备更好的表现。本文主要研究内容如下:（1）核学习理论研究。首先,在研究前馈神经网络的基础上,对极限学习机（Extreme Learning Machine,ELM）的基本算法进行了深入研究,并将核函数升维学习的思想引入到ELM算法中,构建具有强非线性信号处理能力的KELM,并重点分析高斯核函数、小波核函数、多项式核函数以及线性核函数对ELM算法的影响,并且利用正则化最小二乘算法,进一步提高KELM的鲁棒能力。其次,在主成分分析（Principal Component Analysis,PCA）基本原理与算法基础上,着重探究高斯核函数、小波核函数、多项式核函数以及线性核函数与PCA算法的结合。将核函数引入PCA形成KPCA,并深入研究核函数对提取的有效特征以及对模型预测精度的影响。（2）将KPCA方法与KELM方法相结合,提出一种基于KPCA-KELM的超短期风电功率预测模型。将KPCA提取的非线性主元,重构成时间序列向量,并作为KELM方法有效输入,构建KPCA-KELM风电功率预测模型。为了验证所提出方法的合理性,首先将KPCA-KELM应用于常规混沌时间序列的预测中,并且探究影响KPCA-KELM风电功率预测模型预测精度因素。其次,基于加拿大亚伯达省风电场及美国NREL实验室的实测数据,验证所提KPCA-KELM风电功率预测模型的预测精度和泛化能力。并通过对比试验探究核学习理论对基于KPCA-KELM的超短期风电功率预测模型的预测精度的影响。（3）在研究影响KPCA-KELM风电功率预测模型预测精度的基础上,为了简化主观因素对模型的预测精度的影响,将优化的思想引入KPCA-KELM风电功率预测模型中,即分别利用遗传算法（GA）、模拟退火（SA）和微分演化（DE）三种优化算法对风电功率模型的初始化参数:输入维度、核变量以及正则化系数进行寻优,进而形成KPCA-O-KELM方法的三种不同算法:KPCA-GA-KELM、KPCA-DE-KELM、KPCA-SA-KELM,并且,首先将KPCA-O-KELM应用于标准混沌时间序列的预测中,探究KPCA-O-KELM风电功率预测模型构建的合理性。其次,为了测试KPCA-O-KELM方法对超短期风电功率预测的能力,将KPCA-O-KELM风电功率预测模型用于美国NREL实验室所提供的实际风电功率实测数据。
高梦琦[8]（2020）在《基于机器学习的城市轨道交通客流需求预测》文中研究说明城市轨道交通凭借其安全性、可靠性、运量大等优势成为了城市公共交通的重要组成部分。近年轨道交通的建设也随城市扩张而加快,线网规模不断扩大,形成网络化运营。客流是城市轨道交通建设与运营的基础,而城市轨道交通客流需求预测有助于管理者提前预知客流分布及其动态演变规律,适时调整客运服务计划,使轨道交通更加安全高效地运营。因此,城市轨道交通客流需求预测对其系统的科学高效运营管理具有重大意义。本文基于AFC刷卡数据,通过对城市轨道交通的宏观客流特性与乘客个体出行特征进行深入分析,为出发地-目的地（OD）预测模型建立奠定基础。然后对宏观的进站量、OD量和微观的个体出行OD（乘客目的地）三个部分做预测,可以获得客流量在轨道交通网络中的分布以及精细化的乘客OD出行信息,实时准确地把握客流量变化。本文主要研究工作分为以下3个部分:（1）建立了多特征Wavelet-LSTM的车站进站量预测模型。首先应用灰色关联度分析和格兰杰因果关系检验选取相关车站,然后针对时间序列数据的波动性应用小波变换进行分解,得到稳定的子序列,最后将每一个子序列输入可学习序列时间规律的长短时记忆网络（LSTM）进行进站量预测。将本方法应用到天通苑站的车站进站量预测研究中,Wavelet-LSTM模型的结果平均绝对百分误差为7.441%,优于ARIMA模型、仅输入单特征和不做小波变换的LSTM模型。（2）在进站量预测基础上,提出了Kalman-Wavelet-LSTM的宏观OD量预测模型。由于AFC系统一般上传15分钟粒度的实时进出站量数据,无法提前获知客流的目的地信息,难以获得当前时段的OD数据。本文提出求解客流状态空间的卡尔曼滤波预测方法,通过加入Wavelet-LSTM修正过程以处理客流序列的波动性并学习时间上的规律。将该方法应用于天通苑与西二旗两站间两个方向15min和30min的OD量预测中,其预测精度相比于传统卡尔曼滤波算法有了较好的提升。（3）针对海量的乘客出行明细信息,选取随机森林（RF）和Light GBM进行Stacking组合,构建乘客目的地集成预测模型（RF-Light GBM）,实现微观层面精细化的个体OD预测。RF算法可以有效降低方差,改进的梯度提升树Light GBM算法具有降低偏差的优势,因此使得提出的RF-Light GBM集成模型可根据大量乘客的特征信息进行目的地分类,且内部算法高效,适用于大数据分析。通过不断学习参数,使模型的预测准确率达86.682%。
杨泽[9]（2020）在《基于状态估计与融合预测的PHM方法研究》文中提出伴随着当今科学技术的高速发展,越来越多的复杂设备在航空航天、能源、船舶、制造业等领域得到广泛的应用,并且对设备的集成化、智能化、综合化水平需求也日趋提升。其中,机电设备在航空航天领域扮演着重要角色,其功能的复杂性日益提升,装备研制的风险、周期与费用越来越高,这也同时提出了设备应当具有高可靠性的要求。故障预测与健康管理技术（Prognostics and Health Management,PHM）作为一种对设备健康状态进行监测、诊断、预测和管理的技术,通过对系统内可能存在的故障隐患以及设备的剩余使用寿命进行预测,提高设备安全性,从而尽可能地降低故障影响及后勤维护成本,减少财产损失和重大事故的发生,该技术已在诸多领域受到日趋广泛的关注与重视。因此,深入研究机电设备相关的PHM技术具有重要的理论价值和实践意义。本文以机电伺服控制系统的PHM系统为研究重点,开展系统等效数学模型建模、特征参数辨识、健康状态预测与评估等研究,主要研究内容如下:（1）针对半实物仿真试验平台——直线电机驱动Stewart平台的伺服控制系统的失效机理进行分析,建立等效数学模型,建立故障树,确定性能退化的特征参数,以此为基础给出该系统的PHM技术方案（2）应用无迹卡尔曼滤波（Unscented Kalman Filter,简称UKF）理论研究特征参数辨识方法,针对状态方程欠秩导致无法实现多参数同时辨识的问题,给出一种多UKF的循环推挽结构观测器设计方法,实现了多参数的联合辨识（3）引入模糊隶属规则,采用基于冲突分配的DS证据融合理论的方法实现伺服系统的健康状态评估、预测和剩余使用寿命（Remaining Useful Life,RUL）预测,给出相应状态下的故障原因,为辅助维修决策提供便利。（4）给出一种基于非线性修正的ARIMA模型与长短期记忆（Long Short-Term Memory,LSTM）神经网络相结合的数据融合预测方法,提升数据的长期预测精度,并基于该方法完成了伺服系统的健康状态与故障的预测。在上述研究成果基础上,完成了相应的仿真验证,研究结果表明,本文提出的多UKF循环推挽观测器以及基于非线性修正ARIMA-LSTM的融合预测方法能够较好地解决目前存在的一些问题,基于模糊隶属函数与DS证据融合的评估方法也能够较好地给出系统当前以及未来时刻的健康状态。
丁坦[10]（2020）在《抽水蓄能机组调节系统非线性建模、辨识及优化控制研究》文中认为近年来我国能源结构中可再生能源发电比例逐步增加,水电、风电、光电等清洁能源发电规模不断增大。风电、光电属于间歇性能源且具有较强波动性,严重影响电网稳定运行。抽水蓄能电站作为水电中唯一同时具有发电和储能功能的发电方式,在电网中不但起到调峰调频、事故备用等作用,更能消纳间歇性能源给电网造成的冲击。因此,近年来抽水蓄能电站新建设项目不断开工,抽水蓄能机组单机容量也不断加大,过水系统日趋复杂。传统控制方法难以满足抽水蓄能机组的实际控制需求,研究针对抽水蓄能机组的控制理论成为当务之急。抽水蓄能机组调节系统是一个复杂的强非线性系统,其强非线性特性导致调节系统精确建模、辨识以及优化控制等问题上存在巨大难点。本文从抽水蓄能机组调节系统精确建模着手,对调节系统中各主要部分非线性特性进行分析和建模,并在此基础上对抽水蓄能机组调节系统参数辨识、模型辨识、优化控制等问题进行了研究并提出了新方法。文中所提新方法的内容如下:（1）以抽水蓄能机组调节系统各部分为研究对象,重点对水泵水轮机的非线性进行分析,并分别为调节系统中各部分建立了模型。利用改进Suter变换对水泵水轮机全特性曲线进行预处理,再利用最小二乘支持向量机（LSSVM）对预处理数据进行拟合并构建水泵水轮机非线性模型;过水系统模型采用双曲正切函数;执行结构数学模型考虑死区、限位等非线性环节。在此基础上针对不同研究需求分别建立了调节系统线性模型、非线性模型和数值计算模型,为后续调节系统辨识及控制优化提供基础。（2）将“结构已知、参数未知”的调节系统参数辨识问题转化为对参数标称值的优化求解问题,提出了一种具有较强优化能力的改进鲸鱼优化算法（MSWOA）,将该算法分别用于辨识抽水蓄能机组调节系统线性模型和非线性模型。辨识结果证明MSWOA优化算法实现了对调节系统线性模型和非线性模型的高精度辨识。（3）建立以水泵水轮机非线性模型为核心的抽水蓄能机组仿真平台,并由仿真平台在带限白噪声信号下获得机组转速输出信号。由上述信号构建单输入输出非线性自回归模型（NARX模型）并获得辨识所需的训练样本。利用训练样本构建BiLSTM神经网络辨识模型,对BiLSTM辨识模型参数进行优化选择,再利用BiLSTM辨识模型对抽水蓄能机组模型进行辨识。实验结果证明BiLSTM模型实现了对抽水蓄能机组模型高精度辨识。（4）基于由不同辨识方法获得的模型制定相应的控制策略。由参数辨识方法获得的调节系统线性模型因过水系统采用双曲正切函数,将其转换为不确定奇异时滞系统。研究了该奇异时滞系统模型中参数Tr和hw对系统稳定域影响、在不同PID参数和不同工况点下对过渡过程中性能指标变化规律的影响。在此基础上设计H∞控制器并将控制器设计转化为具有最小衰减度γ的优化问题且实验验证了该设计方法的有效性。针对由BiLSTM辨识获得的抽水蓄能机组模型设计了PID控制器且PID参数由MSWOA算法优化获得。将该PID控制器用于抽水蓄能机组仿真平台,分别在三组相邻水头下进行过渡过程计算,仿真结果表明三组水头下过渡过程时域稳定性能指标均满足要求,且证明该辨识模型具有良好适用性。（5）为了保障在水泵断电、100%甩负荷等大波动工况下抽水蓄能机组运行安全,有效抑制过渡过程中转速和压力激增,以“单管单机”结构的抽蓄电站为研究对象,研究了不同导叶关闭方式对调节系统各水力单元水力特性和机组转速的影响。基于“单管单机”结构的抽水蓄能机组数值计算模型建立一种导叶关闭规律优化模型并利用改进多目标灰狼算法求解导叶关闭优化规律。该模型考虑了调节系统中各环节的约束限制,选择转速上升率和水击压力上升值作为多目标优化目标函数,并在甩负荷和水泵断电工况下分别对一段式、两段式和三段式导叶关闭规律进行优化求解,结果证明了模型有效性。
二、经济时间序列的非线性特性检验及其应用（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、经济时间序列的非线性特性检验及其应用（论文提纲范文）
（1）单环闭式脉动热管内两相流非线性理论模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及其意义 |
| 1.2 脉动热管概述 |
| 1.2.1 脉动热管的结构特性 |
| 1.2.2 脉动热管的工作原理及优点 |
| 1.3 脉动热管动力学非线性特性研究现状 |
| 1.3.1 脉动热管的实验及数值模拟研究现状 |
| 1.3.2 脉动热管的理论模型研究现状 |
| 1.4 脉动热管在工程中的应用 |
| 1.5 本文主要研究内容 |
| 第二章 脉动热管的类Lorenz方程 |
| 2.1 混沌理论及其特性参数 |
| 2.2 类洛伦兹方程的建立 |
| 2.2.1 控制方程 |
| 2.2.2 截断解 |
| 2.2.3 类Lorenz方程 |
| 2.3 本章小结 |
| 第三章 脉动热管的理论模型结果分析 |
| 3.1 数值模型的建立 |
| 3.1.1 Fluent数值模拟模型 |
| 3.1.2 网格依赖性验证 |
| 3.1.3 模型求解过程 |
| 3.2 混沌特性分析 |
| 3.2.1 分岔 |
| 3.2.2 奇异吸引子 |
| 3.2.3 李雅普诺夫指数 |
| 3.3 数值模拟验证 |
| 3.4 脉动热管传热性能优化 |
| 3.4.1 结构尺寸 |
| 3.4.2 充液率 |
| 3.5 本章小结 |
| 第四章 脉动热管的弹簧-质量-阻尼模型 |
| 4.1 理论模型的建立 |
| 4.1.1 液塞的驱动力和摩擦力 |
| 4.1.2 气塞压降Δp_v的计算 |
| 4.1.3 质量项m的计算 |
| 4.1.4 弹簧-质量-阻尼模型 |
| 4.2 结果分析 |
| 4.2.1 实验测试结果 |
| 4.2.2 理论结果 |
| 4.2.3 振荡频率理论验证 |
| 4.3 单环闭式脉动热管的混沌特性 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 硕士期间发表论文情况 |
| 致谢 |
（2）非线性时间序列的复杂性和因果关系度量及其应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和研究对象 |
| 1.1.1 时间序列的复杂性 |
| 1.1.2 时间序列之间的因果关系 |
| 1.2 本文主要工作 |
| 2 累积剩余信息分析 |
| 2.1 基于Tsallis熵的分数阶累积剩余Kullback-Leibler信息 |
| 2.1.1 方法介绍 |
| 2.1.2 性质和定理证明 |
| 2.1.3 金融时间序列分析 |
| 2.2 累积剩余分布熵 |
| 2.2.1 方法介绍 |
| 2.2.2 模拟序列分析 |
| 2.2.3 心率间隔时间序列分析 |
| 3 基于EEMD的因果关系分析 |
| 3.1 方法介绍 |
| 3.1.1 经验模式分解 |
| 3.1.2 集成经验模式分解 |
| 3.1.3 Hilbert-Huang变换 |
| 3.1.4 相位一致性 |
| 3.1.5 两个时间序列之间的因果分解 |
| 3.2 GDP时间序列分析 |
| 3.2.1 因果分解 |
| 3.2.2 非线性因果检测 |
| 4 基于累积直方图的MMSE计算方法分析 |
| 4.1 方法介绍 |
| 4.1.1 传统方法计算MMSE |
| 4.1.2 累积直方图方法计算MMSE |
| 4.1.3 MMSE的辅助度量 |
| 4.2 模拟序列分析 |
| 4.2.1 传统方法和累积直方图方法比较 |
| 4.2.2 混沌系统分类 |
| 4.2.3 混合多变量逻辑映射分析 |
| 4.2.4 二元ARFIMA模型中权重系数对结果的影响 |
| 4.3 金融时间序列分析 |
| 5 复杂度-熵因果关系平面 |
| 5.1 多变量多尺度复杂度-熵因果关系平面 |
| 5.1.1 方法介绍 |
| 5.1.2 模拟序列分析 |
| 5.1.3 金融时间序列分析 |
| 5.2 基于功率谱熵的扩展复杂度-熵曲线 |
| 5.2.1 方法介绍 |
| 5.2.2 模拟数据分析 |
| 5.2.3 非线性检验 |
| 5.2.4 睡眠时间序列分析 |
| 5.3 基于分散Lempel-Ziv复杂度和分散熵平面 |
| 5.3.1 方法介绍 |
| 5.3.2 模拟数据分析 |
| 5.3.3 心率间隔时间序列分析 |
| 6 总结与展望 |
| 参考文献 |
| 附录A |
| A.1 当q→0~+和q→∞时,H_q[P]和C_q[P]的极值情况 |
| A.2 当r→0~+和r→∞时,H_r[P]和C_r[P]的极值情况 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据 |
（3）基于多生理信号动力学特征分析的抑郁状态检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 抑郁症患者心电特征研究 |
| 1.2.2 抑郁症患者脑电特征研究 |
| 1.2.3 基于生理信号的抑郁识别 |
| 1.2.4 问题分析与立题依据 |
| 1.3 主要研究内容和创新点 |
| 1.3.1 课题来源与主要研究内容 |
| 1.3.2 论文的主要创新点 |
| 1.4 论文的组织架构 |
| 1.5 本章小结 |
| 第2章 抑郁症患者多生理信号采集实验 |
| 2.1 实验目的 |
| 2.2 实验准备 |
| 2.2.1 信号选择 |
| 2.2.2 被试选择 |
| 2.2.3 实验设备与参数设置 |
| 2.3 实验流程 |
| 2.3.1 被试基本信息采集 |
| 2.3.2 实验数据采集 |
| 2.4 数据库建立 |
| 2.5 本章小结 |
| 第3章 抑郁症患者的心肺耦合状态研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 实验数据 |
| 3.2.2 心电和呼吸信号预处理 |
| 3.2.3 心肺系统特征提取 |
| 3.2.4 替代数据分析 |
| 3.2.5 统计学分析 |
| 3.3 实验结果 |
| 3.3.1 心肺耦合在不同抑郁分组之间的差异性分析 |
| 3.3.2 心肺耦合与抑郁程度的相关性分析 |
| 3.3.3 替代数据和差值数据分析 |
| 3.4 抑郁症患者心肺耦合结果的生理学讨论 |
| 3.5 本章小结 |
| 第4章 抑郁症患者的前额叶脑电复杂度研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 实验数据 |
| 4.2.2 脑电数据预处理 |
| 4.2.3 脑电复杂度特征提取 |
| 4.2.4 统计学分析 |
| 4.3 实验结果 |
| 4.3.1 脑电复杂度在不同组别之间的差异性分析 |
| 4.3.2 脑电复杂度与抑郁打分之间的相关性分析 |
| 4.4 抑郁脑电复杂度分析结果的生理学讨论 |
| 4.5 本章小结 |
| 第5章 抑郁症患者的前额叶脑电不对称性研究 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 实验数据 |
| 5.2.2 脑电数据预处理 |
| 5.2.3 脑电不对称性特征提取 |
| 5.2.4 统计学分析 |
| 5.3 实验结果 |
| 5.4 抑郁脑电不对称性分析结果的生理学讨论 |
| 5.5 本章小结 |
| 第6章 基于多生理信号融合与机器学习的抑郁状态检测 |
| 6.1 分类器 |
| 6.1.1 随机森林 |
| 6.1.2 支持向量机 |
| 6.1.3 K-最近邻 |
| 6.2 不同类型指标的抑郁识别性能评估 |
| 6.2.1 心肺系统指标的抑郁识别性能 |
| 6.2.2 脑电各波段指标的抑郁识别性能 |
| 6.3 基于多生理信号融合的抑郁状态检测 |
| 6.3.1 模型构建流程 |
| 6.3.2 基于特征融合的抑郁识别 |
| 6.3.3 基于基尼指数的特征筛选 |
| 6.3.4 基于筛选特征集的抑郁识别 |
| 6.4 单信号指标分类性能与多信号融合识别结果分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的成果与参与的研究项目 |
| 学位论文评阅及答辩情况表 |
（4）基于人员红外数据的时间序列组合预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与意义 |
| 1.2 预测模型的国内外研究现状 |
| 1.3 研究内容和创新 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 理论基础 |
| 2.1 时间序列基本概念 |
| 2.2 预测模型相关理论基础 |
| 2.3 预测性能的评价方法 |
| 2.4 红外传感器的相关理论 |
| 2.5 本章小结 |
| 3 基于Prophet-SARIMA的组合预测模型 |
| 3.1 引言 |
| 3.2 相关理论知识 |
| 3.3 基于Prophet-SARIMA的组合预测模型 |
| 3.4 模拟实验和结果分析 |
| 3.5 本章小结 |
| 4 基于PSOACO-SVM的组合预测模型 |
| 4.1 引言 |
| 4.2 相关理论知识 |
| 4.3 基于PSOACO-SVM的预测模型 |
| 4.4 模拟实验和结果分析 |
| 4.5 本章小结 |
| 5 基于ARIMA-LSTM-SVM的组合预测模型 |
| 5.1 引言 |
| 5.2 相关理论知识 |
| 5.3 基于ARIMA-LSTM-SVM的组合预测模型 |
| 5.4 模拟实验和结果分析 |
| 5.5 本章小结 |
| 6 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
（5）基于语音非线性动力学特性的抑郁症识别研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于语音信号的抑郁症识别研究 |
| 1.2.2 语音信号非线性动力学特性的应用研究 |
| 1.3 研究内容与主要贡献 |
| 1.3.1 本文研究内容 |
| 1.3.2 主要创新及贡献 |
| 1.4 章节安排 |
| 1.5 本章小结 |
| 第二章 相关技术及原理 |
| 2.1 语音信号处理相关技术简介 |
| 2.1.1 语音信号预处理 |
| 2.1.2 基于语音的抑郁症识别常用特征 |
| 2.2 非线性动力学简介 |
| 2.2.1 非线性动力系统 |
| 2.2.2 混沌与递归特性 |
| 2.3 非线性时间序列分析技术与常用指标 |
| 2.3.1 相空间重构 |
| 2.3.2 最大Lyapunov指数 |
| 2.3.3 Kolmogorov熵 |
| 2.3.4 Hurst指数 |
| 2.4 递归图和定量递归分析技术 |
| 2.4.1 递归图 |
| 2.4.2 定量递归分析(RQA) |
| 2.5 特征分析和特征选择方法简介 |
| 2.5.1 T检验 |
| 2.5.2 秩和检验 |
| 2.5.3 mRMR特征选择方法 |
| 2.5.4 相关性特征法 |
| 2.6 常用分类器简介 |
| 2.6.1 支持向量机 |
| 2.6.2 朴素贝叶斯 |
| 2.6.3 随机森林 |
| 2.7 本章小结 |
| 第三章 基于语音的抑郁症识别数据采集实验 |
| 3.1 实验设计 |
| 3.1.1 实验目的 |
| 3.1.2 实验范式 |
| 3.1.3 被试入组和排除标准 |
| 3.1.4 实验设备 |
| 3.1.5 实验流程 |
| 3.2 数据集的构建 |
| 3.3 本章小结 |
| 第四章 抑郁人群语音信号的非线性动力学特性分析 |
| 4.1 语音信号的非线性动力学特性分析方法 |
| 4.1.1 语音信号的非线性动力学特性 |
| 4.1.2 语音信号的非线性特征提取 |
| 4.2 抑郁人群语音信号非线性动力学特性分析 |
| 4.2.1 相同单音素语音信号的非线性特性分析 |
| 4.2.2 相同多音素语音信号的非线性特性分析 |
| 4.2.3 不同多音素语音信号的非线性特性分析 |
| 4.3 抑郁人群语音非线性特征分析讨论 |
| 4.4 本章小结 |
| 第五章 基于非线性特征的抑郁症识别模型 |
| 5.1 模型构建流程与评估方法 |
| 5.2 基于传统非线性动力学特征的抑郁症识别模型 |
| 5.2.1 非线性动力学参数统计量特征构造 |
| 5.2.2 单特征抑郁症识别模型对比分析 |
| 5.2.3 融合特征抑郁症识别模型对比分析 |
| 5.2.4 基于传统非线性动力学特征的抑郁症识别模型小结 |
| 5.3 基于发声系统维度的非线性特征抑郁症识别模型 |
| 5.3.1 基于发声系统维度的非线性特征构造 |
| 5.3.2 抑郁症识别模型构建算法 |
| 5.3.3 抑郁症识别与特征选择结果分析 |
| 5.3.4 基于发声系统维度的非线性特征抑郁症识别模型小结 |
| 5.4 基于非线性特征的抑郁症识别讨论与总结 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（6）空中交通流量波动动态演化及其非线性分析（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 空中交通流动态演化研究综述 |
| 1.2.2 空中交通时间序列分析研究综述 |
| 1.2.3 空中交通非线性特性研究综述 |
| 1.2.4 空中交通复杂性研究综述 |
| 1.3 论文主要研究内容与技术路线 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 技术路线 |
| 2 空中交通流量波动动态演化研究 |
| 2.1 所用时间序列数据 |
| 2.2 可视图与水平可视图方法 |
| 2.3 空中交通流量时间序列的复杂网络表示 |
| 2.4 空中交通流量波动模式的动态演化 |
| 2.5 不同时段流量波动特性的差异分析 |
| 2.6 本章小结 |
| 3 空中交通流量波动多尺度多重分形特性研究 |
| 3.1 所用时间序列数据 |
| 3.2 多重分形去趋势波动分析与多尺度多重分形分析方法 |
| 3.3 多重分形谱面的构建 |
| 3.4 多尺度多重分形特性识别 |
| 3.5 多尺度多重分形成因判别 |
| 3.6 多尺度多重分形特性量化分析 |
| 3.6.1 参数设置对于多重分形谱面形状的影响 |
| 3.6.2 多重分形强度多尺度变化分析 |
| 3.6.3 主导波动类型多尺度变化分析 |
| 3.7 最小有效天数的确定 |
| 3.8 本章小结 |
| 4 空中交通流量波动多尺度复杂性研究 |
| 4.1 所用时间序列数据 |
| 4.2 改进的(单变量)多尺度排列熵 |
| 4.3 改进的多变量多尺度排列熵 |
| 4.4 空中交通流量波动复杂性多尺度依赖判定 |
| 4.5 进离场流量波动多尺度复杂性对比分析 |
| 4.6 进离场流量波动多尺度关联性分析 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 工作总结与主要创新 |
| 5.1.1 工作总结 |
| 5.1.2 主要创新 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 位论文数据集 |
（7）基于核学习方法的超短期风电功率预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.3 风电功率预测分类 |
| 1.4 风电功率预测模型及原理 |
| 1.5 论文的主要研究内容 |
| 第二章 核学习理论 |
| 2.1 极限学习机理论 |
| 2.2 核极限学习机理论 |
| 2.3 序列特征提取方法 |
| 2.3.1 PCA方法 |
| 2.3.2 核学习方法 |
| 2.3.3 KPCA方法 |
| 2.4 小结 |
| 第三章 基于KPCA-KELM方法的超短期风电功率预测研究 |
| 3.1 基于KPCA-KELM方法在混沌时间序列预测中的应用 |
| 3.2 基于KPCA-KELM方法在实际风电功率预测中的应用 |
| 3.2.1 KPCA的性能评价 |
| 3.2.2 KELM的性能评价 |
| 3.3 小结 |
| 第四章 基于KPCA-O-KELM的超短期风电功率预测研究 |
| 4.1 KPCA-GA-KELM方法 |
| 4.2 KPCA-DE-KELM方法 |
| 4.3 KPCA-SA-KELM模型 |
| 4.4 基于KPCA-O-KELM方法在混沌时间序列预测中的应用 |
| 4.5 基于KPCA-O-KELM方法在实际风电功率预测中的应用 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 5.1 研究结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（8）基于机器学习的城市轨道交通客流需求预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与研究意义 |
| 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 客流短时预测研究现状 |
| 1.2.2 OD动态预测研究现状 |
| 1.2.3 出行目的地预测研究现状 |
| 1.2.4 国内外研究现状总结 |
| 1.3 研究内容与论文结构 |
| 2 城市轨道交通乘客出行特征分析 |
| 2.1 数据来源和预处理 |
| 2.2 宏观客流量特征分析 |
| 2.2.1 基于客流特征的城市轨道交通车站聚类 |
| 2.2.2 考虑车站类型的客流时空特性分析 |
| 2.3 微观乘客个体出行特征分析 |
| 2.3.1 乘客出行时间分布特征 |
| 2.3.2 乘客出行距离分布特征 |
| 2.4 本章小结 |
| 3 基于多特征WAVELET-LSTM的进站客流量短时预测 |
| 3.1 模型概述 |
| 3.2 多特征WAVELET-LSTM预测模型构建 |
| 3.2.1 相关车站选取 |
| 3.2.2 进站客流序列的小波变换 |
| 3.2.3 长短时记忆网络 |
| 3.3 实例分析 |
| 3.3.1 数据基础 |
| 3.3.2 预测结果分析 |
| 3.4 本章小结 |
| 4 基于KALMAN-WAVELET-LSTM的宏观OD分布预测模型 |
| 4.1 模型概述 |
| 4.2 KALMAN-WAVELET-LSTM预测模型构建 |
| 4.2.1 客流状态空间模型构建 |
| 4.2.2 Kalman-Wavelet-LSTM预测算法 |
| 4.3 实例分析 |
| 4.3.1 数据基础 |
| 4.3.2 预测结果分析 |
| 4.4 本章小结 |
| 5 基于RF-LIGHTGBM的乘客出行目的地预测 |
| 5.1 基于机器学习单模型的乘客出行目的地预测 |
| 5.1.1 基于决策树的乘客出行目的地预测 |
| 5.1.2 基于随机森林的乘客出行目的地预测 |
| 5.1.3 基于梯度提升树的乘客出行目的地预测 |
| 5.1.4 基于Light GBM的乘客出行目的地预测 |
| 5.2 基于RF-LIGHTGBM组合模型的乘客出行目的地预测 |
| 5.3 实例分析 |
| 5.3.1 数据基础 |
| 5.3.2 预测结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于状态估计与融合预测的PHM方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 PHM的国内外研究现状 |
| 1.2.2 伺服系统的PHM技术研究现状 |
| 1.3 论文的主要研究内容及章节安排 |
| 第2章 Stewart仿真平台退化参数 |
| 2.1 引言 |
| 2.2 Stewart平台结构 |
| 2.3 系统建模及故障分析 |
| 2.3.1 伺服系统数学模型 |
| 2.3.2 常见故障分析以及退化特征参数 |
| 2.4 基于Stewart平台的PHM方案设计 |
| 2.5 本章小结 |
| 第3章 伺服控制系统的多参数辨识 |
| 3.1 引言 |
| 3.2 无迹卡尔曼滤波理论 |
| 3.3 多UKF循环推挽结构观测器 |
| 3.3.1 算法结构介绍 |
| 3.3.2 仿真算例验证 |
| 3.4 伺服控制系统多参数辨识仿真实验 |
| 3.5 本章小结 |
| 第4章 伺服控制系统的健康状态评估方法 |
| 4.1 引言 |
| 4.2 健康状态模糊隶属度函数 |
| 4.3 D-S证据融合方法 |
| 4.4 基于D-S证据融合的健康状态模糊评判 |
| 4.5 本章小结 |
| 第5章 基于特征参数的健康状态融合预测方法 |
| 5.1 引言 |
| 5.2 自回归滑动平均(ARMA)模型 |
| 5.2.1 自回归滑动平均(ARMA) |
| 5.2.2 基于非线性因子修正的ARMA |
| 5.2.3 仿真算例 |
| 5.3 长短时记忆神经网络(LSTM) |
| 5.4 非线性ARMA-LSTM融合预测算法 |
| 5.4.1 算法结构 |
| 5.4.2 伺服控制系统健康状态预测仿真实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（10）抽水蓄能机组调节系统非线性建模、辨识及优化控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 水泵水轮机数学建模研究与发展现状 |
| 1.3 抽水蓄能机组系统辨识研究现状 |
| 1.4 抽水蓄能机组调节系统控制优化研究现状 |
| 1.5 本文主要研究内容 |
| 2 抽水蓄能机组调节系统建模研究 |
| 2.1 引言 |
| 2.2 抽水蓄能机组调节系统数学模型 |
| 2.3 基于最小二乘支持向量机的水泵水轮机非线性模型 |
| 2.4 抽水蓄能机组调节系统数学模型 |
| 2.5 本章小结 |
| 3 抽水蓄能机组调节系统参数辨识 |
| 3.1 引言 |
| 3.2 抽水蓄能机组模型参数辨识的问题描述 |
| 3.3 基于改进鲸鱼算法的抽水蓄能机组调节系统参数辨识 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 4 基于BiLSTM神经网络的抽水蓄能机组模型辨识 |
| 4.1 引言 |
| 4.2 BiLSTM模型辨识方法 |
| 4.3 基于BiLSTM神经网络的抽水蓄能机组非线性模型辨识 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 5 基于辨识模型的优化控制策略研究 |
| 5.1 引言 |
| 5.2 抽水蓄能机组调节系统不确定奇异时滞模型 |
| 5.3 抽水蓄能机组调节系统不确定奇异时滞模型性能分析 |
| 5.4 基于抽水蓄能机组辨识模型的PID优化控制策略 |
| 5.5 本章小结 |
| 6 基于多目标优化的抽水蓄能机组导叶关闭规律研究 |
| 6.1 引言 |
| 6.2 抽水蓄能机组导叶关闭规律优化问题描述 |
| 6.3 改进多目标灰狼算法(Improved Multi-objective Grey Wolf OptimizationAlgorithm) |
| 6.4 抽蓄机组导叶关闭规律多目标优化模型 |
| 6.5 基于IMOGWO的导叶关闭规律优化策略 |
| 6.6 仿真实例分析 |
| 6.7 本章小结 |
| 7 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 下一步研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录1:攻读博士期间发表论文 |
| 附录2:攻读博士期间完成和参与科研项目 |
| 附录3:攻读博士期间所获奖项 |
| 附录4:CF和UF测试函数 |
四、经济时间序列的非线性特性检验及其应用（论文参考文献）
- [1]单环闭式脉动热管内两相流非线性理论模型研究[D]. 才月. 沈阳化工大学, 2021(02)
- [2]非线性时间序列的复杂性和因果关系度量及其应用[D]. 毛学耕. 北京交通大学, 2021(02)
- [3]基于多生理信号动力学特征分析的抑郁状态检测[D]. 赵璐璐. 山东大学, 2021(11)
- [4]基于人员红外数据的时间序列组合预测模型研究[D]. 杨霞. 四川师范大学, 2021(12)
- [5]基于语音非线性动力学特性的抑郁症识别研究[D]. 周睿. 兰州大学, 2021(09)
- [6]空中交通流量波动动态演化及其非线性分析[D]. 刘宏志. 北京交通大学, 2020(03)
- [7]基于核学习方法的超短期风电功率预测研究[D]. 魏强. 华东交通大学, 2020(06)
- [8]基于机器学习的城市轨道交通客流需求预测[D]. 高梦琦. 北京交通大学, 2020
- [9]基于状态估计与融合预测的PHM方法研究[D]. 杨泽. 哈尔滨工业大学, 2020(01)
- [10]抽水蓄能机组调节系统非线性建模、辨识及优化控制研究[D]. 丁坦. 华中科技大学, 2020(01)