期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于小波变换的小样本随机振荡序列灰色预测模型
被引量:
5
1
作者
张娜
雷明
《数学的实践与认识》
北大核心
2020年第9期28-35,共8页
针对GM(1,1)幂模型对于小样本振荡序列对含突变信息无能为力的问题,提出了基于小波变换的小样本振荡序列灰色预测模型.首先,针对原始数据序列建立GM(1,1)幂模型描述其总体趋势特征;然后,利用小波变换提取GM(1,1)幂模型残差序列所包含的...
针对GM(1,1)幂模型对于小样本振荡序列对含突变信息无能为力的问题,提出了基于小波变换的小样本振荡序列灰色预测模型.首先,针对原始数据序列建立GM(1,1)幂模型描述其总体趋势特征;然后,利用小波变换提取GM(1,1)幂模型残差序列所包含的有用信号和随机噪声,并结合GM(1,1)幂模型构成新的时间相应函数;最后,以与原始平均误差最小为原则确定小波变换的小波基和分解层次并对小波进行重构GM(1,1)幂模型残差序列,并结合原始GM(1,1)幂模型对随机振荡序列进行预测.算例中通过对城市用水量的拟合及预测结果表明:应用基于傅立叶变换的GM(1,1)幂振荡序列模型和基于分数阶离散GM(1,1)幂模型研究了振荡序列模型平均误差分别为3.22%和5.66%,而本文的方法平均误差为1.11%.算例研究表明,此方法能够快速高效的解决GM(1,1)幂模型对小样本有突变趋势振荡序列的预测问题.
展开更多
关键词
小波变换
随机振荡序列
突变信息
GM(1
1)幂模型
萤火虫算法
原文传递
基于随机振荡序列的DGM(1,1)模型的建模及应用
被引量:
3
2
作者
杨芬
关叶青
+1 位作者
曾波
刘桦
《数学的实践与认识》
CSCD
北大核心
2013年第16期175-180,共6页
考虑直接用非单调、波动性强的随机振荡序列建模预测效果不理想的问题,通过进一步挖掘平移变换和几何平均变换的性质,证明了平移变换和几何平均变换的随机振荡序列更加符合DGM(1,1)模型建模条件,构建了基于随机振荡序列的DGM(1,1)模型...
考虑直接用非单调、波动性强的随机振荡序列建模预测效果不理想的问题,通过进一步挖掘平移变换和几何平均变换的性质,证明了平移变换和几何平均变换的随机振荡序列更加符合DGM(1,1)模型建模条件,构建了基于随机振荡序列的DGM(1,1)模型建模步骤.运用算例验证了模型的有效性,且提高了DGM(1,1)模型的预测精度,扩大了DGM(1,1)模型的应用范围.
展开更多
关键词
灰色系统预测
DGM(1
1)模型
随机振荡序列
原文传递
灰色马尔可夫模型的地铁车门故障预测
被引量:
2
3
作者
洪展鹏
陈正华
《装备制造技术》
2017年第3期223-226,共4页
地铁车辆的客室车门因数量多、开关频繁,是列车的主要故障系统之一,一旦正线发生车门故障,极易造成晚点。基于广州地铁某线路的现有车门故障数据,提出将灰色GM(1,1)模型与马尔可夫链相结合,对车门系统的年故障次数作出预测。结果表明灰...
地铁车辆的客室车门因数量多、开关频繁,是列车的主要故障系统之一,一旦正线发生车门故障,极易造成晚点。基于广州地铁某线路的现有车门故障数据,提出将灰色GM(1,1)模型与马尔可夫链相结合,对车门系统的年故障次数作出预测。结果表明灰色GM(1,1)模型表示出了故障的总体发展趋势,灰色马尔可夫模型则很准确地预测了车门系统的年故障次数。对预测值的进一步延展,可以得到车门系统在维持现有检修模式下未来的年故障次数,用预测结果指导未来的检修维护策略,适当更新定期维护频率,可提高车门系统的可靠性。
展开更多
关键词
客室车门故障
随机振荡序列
灰色GM(1
1)模型
马尔可夫链
下载PDF
职称材料
题名
基于小波变换的小样本随机振荡序列灰色预测模型
被引量:
5
1
作者
张娜
雷明
机构
北京大学贫困地区发展研究院
石河子大学经济与管理学院
出处
《数学的实践与认识》
北大核心
2020年第9期28-35,共8页
基金
国家自然科学基金(41801119):整体性治理视阈下深度贫困地区精准脱贫多元主体协同机制研究
国家语委重点资助项目(ZDI135-67):少数民族地区推普的精准扶贫效应及完善路径研究
+1 种基金
中国博士后科学基金第63批面上项目(2018M631220):整体性治理视阈下我国精准扶贫多元主体协同机制研究
石河子大学高层次人才科研启动资金专项(RCSX201754):精准扶贫过程中的脱贫机制研究。
文摘
针对GM(1,1)幂模型对于小样本振荡序列对含突变信息无能为力的问题,提出了基于小波变换的小样本振荡序列灰色预测模型.首先,针对原始数据序列建立GM(1,1)幂模型描述其总体趋势特征;然后,利用小波变换提取GM(1,1)幂模型残差序列所包含的有用信号和随机噪声,并结合GM(1,1)幂模型构成新的时间相应函数;最后,以与原始平均误差最小为原则确定小波变换的小波基和分解层次并对小波进行重构GM(1,1)幂模型残差序列,并结合原始GM(1,1)幂模型对随机振荡序列进行预测.算例中通过对城市用水量的拟合及预测结果表明:应用基于傅立叶变换的GM(1,1)幂振荡序列模型和基于分数阶离散GM(1,1)幂模型研究了振荡序列模型平均误差分别为3.22%和5.66%,而本文的方法平均误差为1.11%.算例研究表明,此方法能够快速高效的解决GM(1,1)幂模型对小样本有突变趋势振荡序列的预测问题.
关键词
小波变换
随机振荡序列
突变信息
GM(1
1)幂模型
萤火虫算法
Keywords
wavelet
transform
random
oscillation
sequence
mutation
information
GM(1,1)power
model
firefly
algorithm
分类号
N941.5 [自然科学总论—系统科学]
TP18 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
基于随机振荡序列的DGM(1,1)模型的建模及应用
被引量:
3
2
作者
杨芬
关叶青
曾波
刘桦
机构
南京航空航天大学经济与管理学院
重庆工商大学电子商务及供应链系统重庆市重点实验室
出处
《数学的实践与认识》
CSCD
北大核心
2013年第16期175-180,共6页
基金
国家自然科学基金(71271226)
中央高校基本科研业务费专项资金
南京航空航天大学研究生创新基地(实验室)开放基金项目(KFJJ120128)
文摘
考虑直接用非单调、波动性强的随机振荡序列建模预测效果不理想的问题,通过进一步挖掘平移变换和几何平均变换的性质,证明了平移变换和几何平均变换的随机振荡序列更加符合DGM(1,1)模型建模条件,构建了基于随机振荡序列的DGM(1,1)模型建模步骤.运用算例验证了模型的有效性,且提高了DGM(1,1)模型的预测精度,扩大了DGM(1,1)模型的应用范围.
关键词
灰色系统预测
DGM(1
1)模型
随机振荡序列
Keywords
Grey
,system
forecasting
DGM(1,
1)
model
random
oscillation
sequence
分类号
N941.5 [自然科学总论—系统科学]
O242.1 [理学—计算数学]
原文传递
题名
灰色马尔可夫模型的地铁车门故障预测
被引量:
2
3
作者
洪展鹏
陈正华
机构
广州地铁
南洋理工大学
出处
《装备制造技术》
2017年第3期223-226,共4页
文摘
地铁车辆的客室车门因数量多、开关频繁,是列车的主要故障系统之一,一旦正线发生车门故障,极易造成晚点。基于广州地铁某线路的现有车门故障数据,提出将灰色GM(1,1)模型与马尔可夫链相结合,对车门系统的年故障次数作出预测。结果表明灰色GM(1,1)模型表示出了故障的总体发展趋势,灰色马尔可夫模型则很准确地预测了车门系统的年故障次数。对预测值的进一步延展,可以得到车门系统在维持现有检修模式下未来的年故障次数,用预测结果指导未来的检修维护策略,适当更新定期维护频率,可提高车门系统的可靠性。
关键词
客室车门故障
随机振荡序列
灰色GM(1
1)模型
马尔可夫链
Keywords
the
fault
of
passenger
compartment
door
random
oscillation
sequence
grey
GM
(1,1)
model
markov
chain
分类号
U231 [交通运输工程—道路与铁道工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于小波变换的小样本随机振荡序列灰色预测模型
张娜
雷明
《数学的实践与认识》
北大核心
2020
5
原文传递
2
基于随机振荡序列的DGM(1,1)模型的建模及应用
杨芬
关叶青
曾波
刘桦
《数学的实践与认识》
CSCD
北大核心
2013
3
原文传递
3
灰色马尔可夫模型的地铁车门故障预测
洪展鹏
陈正华
《装备制造技术》
2017
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部