导读:本文包含了符号时间序列分析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:序列,符号,时间,符号化,齿轮箱,尺度,概率。
符号时间序列分析论文文献综述
韦祥,李本威,张赟[1]（2018）在《采用符号时间序列分析的轴承早期微弱故障预警》一文中研究指出针对轴承早期磨损故障预警难的问题,提出了一种采用符号时间序列分析的轴承早期微弱故障预警方法。首先对轴承振动信号进行相空间重构,其次利用聚类的思想对相空间进行分割,对分割的子区间赋予唯一的符号,从而将振动信号转化为符号时间序列,最后通过Lempel-Ziv复杂度对符号时间序列进行定量分析。以Duffing方程为研究对象,验证了该方法对于动力学结构表征的精确性,表征精度可达95.85%;与常规的符号时间序列分析方法相比,所提方法对动力学结构表征精度更高。利用该算法对于动力学结构变化的敏感性特点,将其应用于轴承状态监控中,试验结果显示算法可以发现轴承早期微弱磨损故障并实现全寿命性能衰退的监控。(本文来源于《西安交通大学学报》期刊2018年06期）
周子航[2]（2016）在《基于瞬态时间序列符号动力学分析的风机齿轮箱故障诊断研究》一文中研究指出近年来,随着环境污染越来越不容乐观,清洁能源的开发和利用已成为全世界关注的研究热点,在我国新能源政策的鼓励和支持下,我国风力发电行业正在呈现着迅猛发展的势头,风力发电正处于当今新能源发展的热潮中。现如今我国在风力发电行业虽已有许多了后来居上的发展成果,但与全世界对比,我国的风电产业起步相对较晚,一些技术实力相对还未完全成熟,风机机组设备的运行控制和维护技术仍有一定的发展空间,风电机组事故也频有发生。众多风机机组事故的分析调查显示,风机机组齿轮箱故障是引起系统停机故障发生的核心原因之一。在严峻的环境条件下风机齿轮箱极易因超负荷受力导致故障产生,且恶劣环境下的维修工作难以开展,由齿轮箱故障造成风电机组停机所带来的经济损失和人力消耗均十分巨大。因此,在风机运行过程中,有效地进行故障检测与诊断对维护风机可靠稳定运行具有至关重要的作用。本文首先分析了风机齿轮箱故障中各部件的故障概率及各种齿轮箱部件的故障原因与损伤机理,并对齿轮箱故障类型进行了分类;以风机齿轮箱振动信号为检测信号源,在频域内分析了齿轮故障、轴承故障、轴故障等不同故障类型下的振动信号频谱特性。其次,针对风机齿轮箱振动信号的非平稳特性和定频采样方式存在的频谱泄露现象,采用了叁次样条插值的异步信号重采样方法对振动信号进行了信号处理,采用时域平均方法,将一定周期数量的时间序列信号进行迭加并取平均值,获得新的短序列进行分析。并以风机齿轮箱振动时间序列为给定数据节点,完成了对时间序列的函数f的重构。然后,采用瞬态时间序列符号动力学的算法,首先根据符号动力学中的数据的符号划分方法,对风机齿轮箱的振动信号进行符号化,获得输出的符号序列,从而根据有限长度的符号序列建立了概率有限状态自动机(PFSA)模型;依据该振动信号的序列数据,进行了在线分类,利用训练数据建立模型。由测试数据检验模型的输出正确与否,并实现在线地对模型进行自整定,根据后验概率进行分类,从而确定该风机齿轮箱的故障类型。最后,通过MATLAB环境下建立模型和仿真,验证了本文瞬态时间序列符号动力学的算法在风机齿轮箱故障诊断过程中的有效性和准确性。(本文来源于《河北工业大学》期刊2016-03-01）
胡世杰[3]（2015）在《基于符号化时间序列分析的轴承故障诊断方法研究》一文中研究指出轴承是旋转机械设备的关键部件,其可靠性对设备的安全运行至关重要。随着现代工业技术的发展,机械设备中轴承的工作条件越来越苛刻,发生故障的概率越来越大。从历史统计数据来看,轴承是旋转机械发生故障概率最大的部件之一,因此对轴承的故障诊断方法研究具有十分重要的意义。符号化时间序列分析是由符号动力学理论、混沌时间序列分析和信息理论发展起来的一种新的信号分析方法,经过近十几年的迅速发展已经逐渐成熟。将符号化时间序列分析引入到轴承的故障诊断当中,可以为轴承故障诊断提供一种新的解决思路。本文着重研究基于符号概率有限状态机特征提取的轴承智能诊断算法,主要工作和研究成果归纳如下：(1)介绍了符号化时间序列分析的基本理论,在对之前符号化方法总结分析的基础上,提出了一种高效实用的符号化方法：基于概率密度相空间划分的符号化方法。在该方法中,首先对时间序列进行概率密度统计分析,进而确定若干个概率相等的区间,然后对属于特定区间的值赋予一个特定的符号,这样就把原始时间序列转化成了符号时间序列。为了检验该方法的效果,将基于概率密度空间划分的符号化时间序列分析方法用于轴承疲劳实验的异常诊断当中。通过对比实验表明,概率密度符号化方法与传统的空间划分方法相比对异常更加敏感,能够更早的诊断出轴承状态的异常变化。(2)将符号化概率有限状态机扩展到二维空间上,提出了一种基于短时傅里叶变换的二维符号概率有限状态机特征提取方法。相比传统的方法在两个方面做了补充和改进：首先,使用短时傅里叶变换系数代替小波系数作为符号概率有限状态机的输入。其次,对有限状态机中的状态矩阵确定方法进行了改进,提出了一种忽略矩形框中符号排列而只考虑符号分布的策略来对状态进行压缩的方法,这一改进提高了该特征提取方法的计算效率。(3)传统的K-最近邻分类算法,随着训练样本数量增加所需的存储空间与计算时间将大大增长。针对上述局限性提出了一种基于K-means聚类改进的K-最近邻分类算法。该改进算法,首先使用K-means对训练集进行聚类分析,使各类训练样本数量得到压缩,然后使用K个最近压缩样本对未知类型样本进行分类。这一改进提高了算法的计算效率、并避免了样本数量分布不均衡对分类的影响。(4)给出了基于符号化时间序列分析的轴承智能故障诊断方法,并对实际轴承故障信号进行分类诊断。共进行了轴承内圈、球体、外圈叁类故障损伤程度的检测,叁组实验平均分类正确率为99.00%、92.33%、99.92%,均表现了较高的识别率。为了验证对K-最近邻算法改进的有效性,同时进行了传统K-最近邻算法的对比实验,实验表明本文提出的改进方法,在保证轴承故障诊断效果同时提高了其计算效率并降低了所需存储空间。(本文来源于《东南大学》期刊2015-05-01）
徐梅,申来凤[4]（2015）在《基于符号时间序列方法的金融异常波动与市场有效性关系分析》一文中研究指出引入符号时间序列分析方法,以收益符号序列修正Shannon熵作为市场有效性的度量,以时变修正Shannon熵描述市场有效性随时间的变化,采用Logit模型分析价格异常波动或暴跌发生的概率与市场有效性之间的关系。将提出的方法应用于沪深两个股票市场的异常波动及暴跌与市场有效性关系的分析中,结果表明市场有效性越弱,发生异常波动或暴跌的概率越大,市场有效性对异常波动的影响比对价格暴跌的影响更显着,深圳市场有效性对异常波动或价格暴跌的影响比上海市场更显着。理论与实证分析都表明所提出的方法是可行的、有效的。(本文来源于《数理统计与管理》期刊2015年02期）
胡世杰,钱宇宁,严如强[5]（2014）在《基于概率密度空间划分的符号化时间序列分析及其在异常诊断中的应用》一文中研究指出提前诊断出机械系统中的异常信息对于防止生产事故的产生非常重要。在各种诊断方法中,符号化时间序列分析(STSA,Symbolic time series analysis)是一种常用的异常诊断方法,然而它的诊断效果和符号化时间序列的形成紧密相关。在对之前方法总结分析的基础上,提出了一种高效实用的符号化方法——基于概率密度空间划分的符号化方法。在该方法中,首先对时间序列进行概率密度统计分析,进而确定若干个概率相等的区间,然后对属于特定区间的值赋予一个特定的符号。为了检验该方法的效果,将基于概率密度空间划分的符号化时间序列分析方法用于轴承疲劳实验的异常诊断当中。通过对比实验表明:概率密度符号化方法相比于传统的空间划分方法对异常更加敏感,能够更早诊断出轴承的异常。(本文来源于《振动工程学报》期刊2014年05期）
李金丹[6]（2013）在《基于“已实现”波动金融波动的符号时间序列分析》一文中研究指出金融波动是金融市场风险的晴雨表。面对尚在发展中的国内金融市场，金融时间序列数值的起伏诠释了金融市场的内在属性稳定性。在现有的金融市场中，需要利用金融波动研究来分析金融风险，以期增强投资者的风险意识，引导投资者进行理性投资，促使金融市场有序健康地发展。因此，金融波动的相关预测与分析对我国金融市场具有重要的理论和实践意义。金融市场本身是一个时变、复杂的非线性系统，影响因素较多、结构复杂、变化多端。基于对上述情况的考虑，符号时间序列应用于金融波动分析能够更好地拟合复杂多变的金融市场，为国内外学者在金融市场领域的研究提供重要依据，对国内外金融市场的健康发展起着促进作用。因此，本文通过利用灰色马尔科夫模型预测金融波动来引导投资者行为，并通过聚类分析来归类风险，帮助投资者实现风险规避、风险对冲。首先，本文介绍了金融波动的研究背景，提出金融波动研究的现实意义，总结了金融波动、“已实现”波动、符号时间序列分析的研究成果，从而指明论文的创新点、目的与研究意义。其次，本文提出了灰色马尔科夫模型、“已实现”波动、符号时间序列分析和聚类分析的具体方法理论，重点介绍了灰色马尔科夫模型和聚类分析的理论框架和工作步骤，为论文的相关研究提供理论依据。最后基于我国国内金融市场中上证指数和深证成指的“已实现”波动时间序列，利用灰色马尔科夫模型预测金融波动并利用聚类分析方法将现有金融市场的金融波动序列进行分类，从而能够使投资者全方位地了解我国金融市场，根据自己的风险偏好进行理性投资。本文仅为国家自然科学基金项目“基于符号时间序列分析的金融波动研究”(项目编号：70971097)研究工作的一部分。(本文来源于《天津大学》期刊2013-12-01）
徐梅,奚丹丹[7]（2013）在《基于符号时间序列方法的多尺度股指波动分析》一文中研究指出将小波多分辨分析与符号时间序列分析方法相结合,确定不同尺度上股指波动的主要模式与异常模式,为不同类型的投资者提供参考。通过离散小波分析得到波动序列不同尺度的细节,针对不同尺度上的细节,采用符号时间序列分析方法确定其主要模式与异常模式,并与原序列比较异同。用该方法以上证综指与深证成指两个指数的5分时序列为样本,对其"已实现"波动序列进行实证分析,以验证该方法的可行性和有效性。(本文来源于《武汉理工大学学报(信息与管理工程版)》期刊2013年04期）
南晓强,李群湛,邱大强[8]（2013）在《基于符号时间序列法的风电功率波动分析与预测》一文中研究指出风电功率波动与预测是风电并网研究的主要内容。针对风电功率的随机波动特性,将符号时间序列方法应用于风电功率波动与预测分析中,并提出一种自适应分区方法,该方法根据数据序列分布的密集程度,实现数据序列区域的非均匀分割,找出信息量丰富的区域,以便突出反映数据的变化情况。之后,以符号序列直方图理论为基础,通过直方图求逆实现原始数据序列关键数据区域的定位,进而完成风电功率的预测。以某一风电场实测风电功率数据验证所提方法的有效性,为风电功率调度提供参考。(本文来源于《中国电力》期刊2013年06期）
奚丹丹[9]（2012）在《基于符号时间序列分析的多尺度金融波动研究》一文中研究指出金融波动性是金融市场的内在属性，与金融市场的功能与稳定性密切相关，也是衡量一个市场效率和发展完善程度的指标。金融市场的波动性意味着市场中不确定性和风险，因此无论对于市场投资者还是市场监管者而言，研究金融波动特性，全面、正确认识金融波动，把握金融波动特性，都有着重要的意义。金融市场本质上是一个非线性系统，影响因素众多，变化复杂。分形、混沌分析和符号时间序列分析等非线性系统分析方法逐步引入金融市场的分析中，以期能够更有效、更全面地揭示金融波动性的规律。众多研究结果发现，金融市场波动存在多尺度现象，利用单一时间尺度分析金融波动得到的结果往往是片面的。因此本文从多尺度的角度出发，采用符号时间序列分析方法，对金融市场的波动特性展开研究，希望能够全面且准确地认识金融波动的特性。首先，文章论述了进行金融市场波动研究的背景及意义，总结了金融波动的研究成果，重点介绍了符号时间序列分析方法和小波多分辨分析的基本理论，为论文的展开提供理论基础。然后将小波多分辨分析与符号时间序列方法结合，对将上证综指和深证成指的“已实现”波动序列分解为不同尺度的细节分量，对原序列及不同的细节分量分别采用符号化分析，得出不同尺度上的符号序列直方图，辨别确定不同时间尺度上的主要变化模式与异常变化模式，为不同类型的投资者提供投资策略和风险管理的依据；提出符号序列秩次图，直观地研究不同序列之间以及同一序列在不同尺度上的相似性与差异性，体现符号时间序列分析的优越性，计算简便，减少了很多不必要的麻烦；采用欧几里得范数、2统计量、相对熵以及秩次距离等符号时间序列的统计量，定量地分析不同序列之间不同尺度上的差异性，用具体的值描述差异性。本文是国家自然科学基金项目“基于符号时间序列分析的金融波动研究”(项目编号：70971097)研究工作的一部分。(本文来源于《天津大学》期刊2012-12-01）
王雨蒙[10]（2012）在《基于符号时间序列分析的金融波动分析与预测》一文中研究指出高频金融数据包含更多的市场信息，由于其在市场微观结构的实证研究方面的重要性而受到广泛关注。对高频金融波动的研究对股票估值、衍生产品定价、资产组合配置、风险管理、货币政策的制定等至关重要，传统分析方法针对具体的波动数据，建立波动模型，本文则从不同的角度出发，分析与预测高频金融波动的整体模式。本文首先将符号时间序列分析方法与K-Nearest Neighbors(K-NN)算法相结合，提出了一种基于符号时间序列直方图的高频金融波动整体分布的预测方法。第一步将观测所得的时间序列变换为符号时间序列，利用符号序列直方图直观表示符号序列的分布，引入符号直方图时间序列的概念，采用K-NN算法得到下一个周期符号序列直方图的预测。在K-NN算法中，针对符号序列直方图的特点，提出以欧几里得范数，χ2统计量和相对熵作为选择邻居时的符号直方图序列相似度的度量方法，并利用系统自身的几何特性确定符号直方图序列的嵌入维数。其次，利用可以有效提取日内信息的“已实现”波动来度量高频金融时间序列的波动，首次使用具有鲁棒性的排列熵方法分析“已实现”波动序列的顺序模式、序列之间的广义同步，利用全概率理论，在已知历史“已实现”波动顺序模式的情况下，预测下一个交易日的“已实现”波动处于不同水平的概率。针对本文所提的方法，均以上证综指或深证成指5分时的高频数据检验了方法的可行性与有效性。结果表明直方图时间序列的预测所得结果整体误差均在可以接受的范围内，预测所得的分布与真实分布均值相同，但是方差较小；而基于排列熵方法分析时，发现这两个指数的“已实现”波动序列之间基本不存在广义同步，确定了它们的主要顺序模式，并基于主要顺序模式对“已实现”波动水平进行预测，结果显示主要顺序模式的条件顺序模式仍然占主要地位。(本文来源于《天津大学》期刊2012-11-01）
符号时间序列分析论文开题报告
（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：
近年来,随着环境污染越来越不容乐观,清洁能源的开发和利用已成为全世界关注的研究热点,在我国新能源政策的鼓励和支持下,我国风力发电行业正在呈现着迅猛发展的势头,风力发电正处于当今新能源发展的热潮中。现如今我国在风力发电行业虽已有许多了后来居上的发展成果,但与全世界对比,我国的风电产业起步相对较晚,一些技术实力相对还未完全成熟,风机机组设备的运行控制和维护技术仍有一定的发展空间,风电机组事故也频有发生。众多风机机组事故的分析调查显示,风机机组齿轮箱故障是引起系统停机故障发生的核心原因之一。在严峻的环境条件下风机齿轮箱极易因超负荷受力导致故障产生,且恶劣环境下的维修工作难以开展,由齿轮箱故障造成风电机组停机所带来的经济损失和人力消耗均十分巨大。因此,在风机运行过程中,有效地进行故障检测与诊断对维护风机可靠稳定运行具有至关重要的作用。本文首先分析了风机齿轮箱故障中各部件的故障概率及各种齿轮箱部件的故障原因与损伤机理,并对齿轮箱故障类型进行了分类;以风机齿轮箱振动信号为检测信号源,在频域内分析了齿轮故障、轴承故障、轴故障等不同故障类型下的振动信号频谱特性。其次,针对风机齿轮箱振动信号的非平稳特性和定频采样方式存在的频谱泄露现象,采用了叁次样条插值的异步信号重采样方法对振动信号进行了信号处理,采用时域平均方法,将一定周期数量的时间序列信号进行迭加并取平均值,获得新的短序列进行分析。并以风机齿轮箱振动时间序列为给定数据节点,完成了对时间序列的函数f的重构。然后,采用瞬态时间序列符号动力学的算法,首先根据符号动力学中的数据的符号划分方法,对风机齿轮箱的振动信号进行符号化,获得输出的符号序列,从而根据有限长度的符号序列建立了概率有限状态自动机(PFSA)模型;依据该振动信号的序列数据,进行了在线分类,利用训练数据建立模型。由测试数据检验模型的输出正确与否,并实现在线地对模型进行自整定,根据后验概率进行分类,从而确定该风机齿轮箱的故障类型。最后,通过MATLAB环境下建立模型和仿真,验证了本文瞬态时间序列符号动力学的算法在风机齿轮箱故障诊断过程中的有效性和准确性。
（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。
符号时间序列分析论文参考文献
[1].韦祥,李本威,张赟.采用符号时间序列分析的轴承早期微弱故障预警[J].西安交通大学学报.2018
[2].周子航.基于瞬态时间序列符号动力学分析的风机齿轮箱故障诊断研究[D].河北工业大学.2016
[3].胡世杰.基于符号化时间序列分析的轴承故障诊断方法研究[D].东南大学.2015
[4].徐梅,申来凤.基于符号时间序列方法的金融异常波动与市场有效性关系分析[J].数理统计与管理.2015
[5].胡世杰,钱宇宁,严如强.基于概率密度空间划分的符号化时间序列分析及其在异常诊断中的应用[J].振动工程学报.2014
[6].李金丹.基于“已实现”波动金融波动的符号时间序列分析[D].天津大学.2013
[7].徐梅,奚丹丹.基于符号时间序列方法的多尺度股指波动分析[J].武汉理工大学学报(信息与管理工程版).2013
[8].南晓强,李群湛,邱大强.基于符号时间序列法的风电功率波动分析与预测[J].中国电力.2013
[9].奚丹丹.基于符号时间序列分析的多尺度金融波动研究[D].天津大学.2012
[10].王雨蒙.基于符号时间序列分析的金融波动分析与预测[D].天津大学.2012
论文知识图
