混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.     

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.     

应用神经网络-时间序列预测路面平整度

以神经网络和时间序列分析方法为基础,采用零均值化、标准偏差预处理方法、规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模,利用BP网络对平整度非平稳时序进行趋势项提取,使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法,建立了适合平整度预测的神经网络时间序列分析联合模型,并以江苏省某高速公路的平整度数据为例进行了预测分析。研究结果表明：新模型的预测精度高、实时可靠,可应用于实际工程。     

基于无碰撞区跳频码的准同步组网方案

根据无碰撞区(No Hit Zone,NHZ)跳频码的特点,提出了一种基于NHZ跳频码的跳频通信系统多址接入准同步组网方案.仿真结果表明,该方案保证了跳频系统工作在NHZ跳频码的无碰撞区范围内,有效地降低了系统的多址干扰,改善了系统的整体误码率性能,适合于多用户跳频通信系统.     

数据序列稳健分析方法中RYW估计及其收敛性

根据对Ｍ估计，ＬＳ估计及Ｙ－Ｗ估计的分析，提出一种新的稳健估计方法－ＲＹＷ估计，讨论证明了这各估计的渐近性质，结果证明了ＲＹＷ是一种行之有效的简明稳健方法。     

随机环境干扰下非线性时间序列的非常返性分析

非线性时间序列的一个典型模型为：Xn 1=T(Xn) en 1．本文在此基础上引入随机干扰，建立RENLAR时序模型：Xn 1=T(Xn) en 1(Zn 1)．利用一般状态空间的Markov链理论，建立该模型为非常返的充分条件．     

基于m序列调制的自适应音频数字水印算法研究

提出了一种基于m序列调制的自适应音频数字水印算法．该算法首先将视觉上可辨的二值水印图像降维为一维序列，再将水印序列伪随机排序并与m序列作扩频调制，最后对数字音频信号进行分段离散小波变换，把经过调制的水印信息自适应地嵌入到原音频信号小波分解中等尺度绝对值较大的分量上．仿真实验证明了算法的稳健性和不可觉察性．