导读:本文包含了时序模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,时序,序列,时间,灰色,多普勒,电信号。
时序模型论文文献综述
裘余丹[1]（2019）在《改性脱硫灰除氨试验与除氨率时序模型拟合分析》一文中研究指出对火电厂粉煤灰改性后制成两种改性脱硫灰,通过试验测定了两种改性脱硫灰吸收氨气与除臭的能力。为描述吸附剂除氨率随时间的变化趋势,构建了除氨率―时序数学模型。结果表明:以10%石灰+75%粉煤灰+15%石膏并在常温消化条件下制备脱硫灰,二者吸收氨气的能力优于同类型市售吸附剂;两种脱硫灰与市售吸附剂除氨率随时间的变化趋势可分别用叁次幂关系式和线性关系式进行较准确描述,模型误差较小。该除氨率―时序数学模型可用于预测脱硫灰除氨率随时间的变化趋势,并且应用于工程插值计算。(本文来源于《能源环境保护》期刊2019年05期）
张振宇,王文倬,张钢,王智伟,马晓伟[2]（2019）在《基于非时序模型的新能源消纳能力评估方法》一文中研究指出随着风电和光伏装机容量的快速增长,弃风和弃光问题日益突出,开展新能源消纳能力研究,建立消纳能力量化评估体系对电网调度的运行和控制工作有着重要的意义。文中提出了一种基于非时序分析模型的新能源消纳能力量化评估方法。该方法基于概率分析理论,首先利用阿基米德Copula函数构建了新能源理论出力的概率分布,通过负荷特性构建了系统新能源消纳空间的概率分布,进而得到了系统新能源弃电功率的概率分布。然后,再通过新能源弃电功率的概率分布计算得到新能源弃电率,评估系统的新能源消纳能力。最后,基于EPRI 36机组系统验证了所提方法的正确性和有效性,并分析了负荷、新能源装机容量、常规机组调峰率以及备用水平对弃电率的影响。(本文来源于《电力系统自动化》期刊2019年20期）
斯建宁,张龙[3]（2019）在《基于ARIMA时序模型的隧道结构变形预测》一文中研究指出利用隧道结构变形监测数据与时间关系建模分析,可以预测隧道结构未来变形的发展趋势,是确保隧道运营安全的重要预报手段。依托某隧道结构变形监测历史数据,基于ARIMA时序模型的基本理论,将隧道结构变形随时间的变化非平稳特性,通过差分处理转化为平稳的时间序列,结合平稳序列自相关(ACF)和偏相关(PACF)的特性,确定了最优预测模型ARIMA(5,4,2)。对该模型进行有效检验,表明该模型适合该监测点的数据预测分析,且该隧道结构变形预测值与检验样本中的监测值较为接近,平均预测误差为1.84%,较常规线形回归预测方法(平均预测误差为3.29%)具有明显优势。(本文来源于《资源信息与工程》期刊2019年02期）
彭雯[4]（2019）在《基于时序模型的旅游地客流量的分析预测》一文中研究指出文章对旅游地客流量预测问题,利用时间序列分析中的不同模型对上海市连续多个季度的入境旅游数据进行统计分析。通过对照得到文章采用的预测方法与实际数据吻合度较高,并给出未来几个季度数据的预测,为旅游行业实施科学化管理提供了参考。(本文来源于《广东蚕业》期刊2019年04期）
张龙,成俊良,杨世锡,李兴林[5]（2019）在《基于时序模型和自联想神经网络的齿轮故障程度评估》一文中研究指出齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。(本文来源于《振动与冲击》期刊2019年02期）
刘立坤,张春蔚,王东森[6]（2018）在《基于时序模型的颤振预测技术研究》一文中研究指出本文主要研究了颤振边界预测应用技术,针对湍流激励下的结构响应数据,采用遗忘因子最小二乘法建立时序模型,结合Jury稳定性判据构造不同飞行速度下的稳定性参数,通过外推得到颤振临界速度预测结果。以仿真试验为例,讨论了临近边界速度大小和响应数据时间长度等因素对预测精度的影响。最后结合颤振风洞试验实测数据验证了该方法的合理性和工程实用性。(本文来源于《航空科学技术》期刊2018年11期）
田振凯,李瑞海,许彦国[7]（2018）在《动态灰色-时序模型在建筑物沉降预测中的应用》一文中研究指出针对灰色模型和时间序列都无法准确预测建筑物波动性沉降的问题,本文采用动态灰色模型和时间序列相结合的方法来预测分析其沉降趋势。首先根据监测数据建立灰色模型,在此基础上构建动态灰色模型来拟合时间序列中的趋势项,然后依据时间序列进行预测。结果表明:动态灰色-时序模型能够准确预测建筑物的变化趋势。(本文来源于《测绘与空间地理信息》期刊2018年10期）
樊怡囡[8]（2018）在《陕西省人均GDP的预测——基于时序模型与灰色模型的对比研究》一文中研究指出本文选取了陕西省1978-2015年逐年人均GDP的数据作为原始数据,将这些数据进行优化处理,并利用序列自相关函数、偏自相关函数的性质选择适合的模型,建立陕西省人均GDP时间序列模型,并对陕西省人均GDP的增长规律进行分析,并对陕西省人均GDP进行预测,比较灰色预测法和传统时序预测法对陕西省人均GDP预测的优劣。(本文来源于《西部皮革》期刊2018年14期）
辛雨航[9]（2018）在《基于半监督与时序模型的脑电信号特征提取方法研究》一文中研究指出脑电信号(Electroencephalogram,EEG)是由大脑细胞群进行生命活动所产生的一种自发性的电活动,其中隐藏了许多的与人类意识活动相关的信息,人类对于脑电信号的研究一直处于一个增长的态势,伴随着机器学习技术的发展以及人类对于医疗健康的需求,越来越多的国家开始重视并大力发展以大脑为研究对象的脑计划项目,通过分析脑电信号,来解密脑电信号中所隐藏的潜在信息。脑电信号分析的一个重要的方面就是通过提取有用的信息来理解脑电信号。利用这些提取的特征,可以判断他们所反映的模式或者异常,进而对脑电信号进行分类或者回归。因此,如何更加有效的提取特征并转化为有用的信息成为当前国内外研究的热点。目前,对于脑电信号的特征提取主要利用机器学习的方法,该方法无需进行过多的人为参与,仅仅通过训练即可获得有效的特征,本文以机器学习的方法为基础,针对脑电信号当中的P300信号,先是提出了一种半监督判别分析(Semi-supervised Discriminant Analysis,SDA)的特征提取方法,然后在此基础上又提出了 一种收缩半监督判别分析(Semi-supervised Regularized Discriminant Analysis,SRDA)的特征提取方法,不断提高了在小样本情况下的识别准确率。对于麻醉手术中的脑电信号,设计了一种基于长短期记忆网络(Long Short-Term Memory,LSTM)的脑电信号特征提取与麻醉深度监测模型,借助于该模型对于时序信号的优势,对脑电信号进行特征提取,进而监测麻醉深度。本文的主要创新和贡献主要在以下叁个方面:(1)提出了基于半监督判别分析的特征提取方法。该算法在原始的线性判别分析(Linear Discriminant Analysis,LDA)的基础上,对目标函数进行了改进。首先通过一个关系矩阵将有标签数据与无标签数据进行连接,然后将该矩阵作为惩罚项对目标函数进行优化,从而得到新的目标函数。该算法在BCI竞赛III数据集上进行了测试,取得了优于传统方法的识别准确度。(2)提出了基于收缩半监督判别分析的特征提取方法。该方法在半监督判别分析的基础上进行了改进,对数据的总体散度进行收缩,进而优化目标函数,从而提高小样本下的识别准确率。(3)设计了一种基于长短期记忆网络(Long-Short Term Memory,LSTM)的脑电信号麻醉深度特征提取模型,该算法首先对脑电信号进行预处理,然后提取脑电信号的熵特征,频谱特征作为输入放到LSTM网络中进行训练,将多个特征融合为一个特征,最终将特征进行回归处理,得到麻醉深度指数。实验结果表明,该方法具有更高的预测准确率。为麻醉深度监测的进一步发展找到了方向。(本文来源于《山东大学》期刊2018-05-15）
王琦,高春峰,周健,魏国,聂晓明[10]（2018）在《基于新陈代谢双时序模型的激光多普勒测速仪漂移数据滤波》一文中研究指出为了有效抑制激光多普勒测速仪输出数据的随机漂移,提高其测量精度,在传统时序模型的基础上采用新陈代谢双时序模型进行激光多普勒测速仪漂移数据滤波.该模型由两级新陈代谢时序模型级联而成,每一级新陈代谢时序模型均依次对13个数据点时序建模.依据此模型分别对激光多普勒测速仪静态及动态漂移数据进行建模和滤波.利用方差分析法及Allan方差法对滤波前后的测速仪静态漂移数据进行分析并利用频谱分析法对比了滤波前后的测速仪动态漂移数据.结果表明:新陈代谢双时序模型将静态漂移数据标准差减小为原始数据的44%,将角度随机游走降为原始数据的41%;该方法不仅能实时降低激光多普勒测速仪的静态随机漂移误差,而且能够实时有效抑制其动态输出噪声.(本文来源于《光子学报》期刊2018年06期）
时序模型论文开题报告
（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：
随着风电和光伏装机容量的快速增长,弃风和弃光问题日益突出,开展新能源消纳能力研究,建立消纳能力量化评估体系对电网调度的运行和控制工作有着重要的意义。文中提出了一种基于非时序分析模型的新能源消纳能力量化评估方法。该方法基于概率分析理论,首先利用阿基米德Copula函数构建了新能源理论出力的概率分布,通过负荷特性构建了系统新能源消纳空间的概率分布,进而得到了系统新能源弃电功率的概率分布。然后,再通过新能源弃电功率的概率分布计算得到新能源弃电率,评估系统的新能源消纳能力。最后,基于EPRI 36机组系统验证了所提方法的正确性和有效性,并分析了负荷、新能源装机容量、常规机组调峰率以及备用水平对弃电率的影响。
（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。
时序模型论文参考文献
[1].裘余丹.改性脱硫灰除氨试验与除氨率时序模型拟合分析[J].能源环境保护.2019
[2].张振宇,王文倬,张钢,王智伟,马晓伟.基于非时序模型的新能源消纳能力评估方法[J].电力系统自动化.2019
[3].斯建宁,张龙.基于ARIMA时序模型的隧道结构变形预测[J].资源信息与工程.2019
[4].彭雯.基于时序模型的旅游地客流量的分析预测[J].广东蚕业.2019
[5].张龙,成俊良,杨世锡,李兴林.基于时序模型和自联想神经网络的齿轮故障程度评估[J].振动与冲击.2019
[6].刘立坤,张春蔚,王东森.基于时序模型的颤振预测技术研究[J].航空科学技术.2018
[7].田振凯,李瑞海,许彦国.动态灰色-时序模型在建筑物沉降预测中的应用[J].测绘与空间地理信息.2018
[8].樊怡囡.陕西省人均GDP的预测——基于时序模型与灰色模型的对比研究[J].西部皮革.2018
[9].辛雨航.基于半监督与时序模型的脑电信号特征提取方法研究[D].山东大学.2018
[10].王琦,高春峰,周健,魏国,聂晓明.基于新陈代谢双时序模型的激光多普勒测速仪漂移数据滤波[J].光子学报.2018
论文知识图
