- 作 者：伍雪冬著
- 出 版 社：北京：国防工业出版社
- 出版年份：2015
- ISBN：9787118106541
- 标注页数：153 页
- PDF页数：163 页
请阅读订购服务说明与试读!
订购服务说明
1、本站所有的书默认都是PDF格式，该格式图书只能阅读和打印，不能再次编辑。
2、除分上下册或者多册的情况下，一般PDF页数一定要大于标注页数才建议下单购买。【本资源163 ≥153页】
图书下载及付费说明
1、所有的电子图书为PDF格式，支持电脑、手机、平板等各类电子设备阅读；可以任意拷贝文件到不同的阅读设备里进行阅读。
2、电子图书在提交订单后一般半小时内处理完成,最晚48小时内处理完成。(非工作日购买会延迟)
3、所有的电子图书都是原书直接扫描方式制作而成。
第1章 绪论 1
1.1 引言 1
1.2 时间序列预测研究历史及意义 2
1.3 时间序列预测应用前景 4
1.4 时间序列预测研究方法概况 5
1.4.1 传统时间序列预测方法 5
1.4.2 人工神经网络方法 6
1.4.3 支持向量机方法 7
1.4.4 其他方法 8
1.5 时间序列在线预测方法研究现状 10
1.5.1 重新建模方法 11
1.5.2 动态神经网络方法 11
1.5.3 在线支持向量回归方法 11
1.5.4 核自适应滤波方法 12
1.6 非线性滤波算法在线训练下基于智能计算技术的时间序列预测方法 14
1.7 本书的主要内容与结构安排 15
参考文献 17
第2章 非线性滤波理论 22
2.1 最小方差估计 22
2.2 卡尔曼滤波 28
2.3 扩展卡尔曼滤波 28
2.3.1 滤波更新 32
2.3.2 预测更新 33
2.3.3 扩展卡尔曼滤波算法总结 33
2.3.4 迭代滤波 34
2.4 Unscented卡尔曼滤波 35
2.4.1 Unscented变换 35
2.4.2 Unscented变换采样策略 37
2.4.3 观测更新 41
2.4.4 预测更新 42
2.4.5 Unscented卡尔曼滤波总结 42
2.5 高斯粒子滤波 43
2.5.1 理想蒙特卡罗仿真 44
2.5.2 贝叶斯重要采样 44
2.5.3 观测更新 45
2.5.4 预测更新 46
2.5.5 高斯粒子滤波总结 47
2.6 小结 48
参考文献 48
第3章 基于前馈型神经网络的时间序列在线预测 50
3.1 人工神经网络 50
3.1.1 神经元 50
3.1.2 神经网络联接形式 51
3.1.3 神经网络学习方法 52
3.2 多层感知神经网络 53
3.2.1 多层感知神经网络结构 53
3.2.2 多层感知神经网络学习模型 53
3.2.3 实验结果和分析 54
3.2.4 结论 58
3.3 径向基函数神经网络 58
3.3.1 径向基函数神经网络结构 59
3.3.2 径向基函数神经网络学习模型 60
3.3.3 实验结果和分析 61
3.4 小结 64
参考文献 65
第4章 基于最小二乘支持向量机模型的时间序列在线预测 67
4.1 支持向量机理论基础 67
4.1.1 机器学习问题 67
4.1.2 统计学理论基础 69
4.1.3 支持向量机 71
4.1.4 参数选择 76
4.2 最小二乘支持向量机 79
4.3 迭代非线性滤波方法 81
4.3.1 迭代扩展卡尔曼滤波 81
4.3.2 迭代Unscented扩展卡尔曼滤波 82
4.4 基于二乘支持向量机的时间序列在线预测模型 83
4.5 发动机系统可靠性预测实验仿真 86
4.5.1 实验数据 86
4.5.2 数据处理和性能指标定义 89
4.5.3 模型参数设置 89
4.5.4 实验结果 91
4.6 小结 94
参考文献 94
第5章 基于单乘法神经元模型的时间序列在线预测 97
5.1 单乘法神经元模型 97
5.2 基于单乘法神经元模型的风速一步预测 98
5.2.1 预测模型 98
5.2.2 实验结果和分析 99
5.3 基于单乘法神经元模型的能源消耗数据预测 102
5.3.1 实验数据和数据处理 102
5.3.2 实验结果 103
5.4 时间序列在线多步预测 105
5.4.1 时间序列在线多步预测模型一 106
5.4.2 时间序列在线多步预测模型二 106
5.4.3 结论 110
5.5 小结 110
参考文献 111
第6章 观测数据随机缺失下的时间序列在线预测 114
6.1 观测数据随机缺失 114
6.2 观测数据随机缺失下的扩展卡尔曼滤波算法 116
6.3 观测数据随机缺失下的Unscented卡尔曼滤波算法 118
6.4 观测数据随机缺失下的高斯粒子滤波算法 120
6.5 观测数据随机缺失下基于多层感知神经网络的时间序列一步预测 122
6.5.1 多层感知神经网络预测模型 122
6.5.2 实验仿真 122
6.6 观测数据随机缺失下基于径向基函数神经网络的时间序列一步预测 122
6.6.1 径向基函数神经网络预测模型 122
6.6.2 实验仿真 123
6.7 基于多层感知神经网络的观测数据随机缺失下的时间序列多步预测 126
6.7.1 多层感知神经网络预测模型 126
6.7.2 实验仿真 126
6.8 小结 133
参考文献 133
第7章 观测数据随机延时下的时间序列在线预测 136
7.1 观测数据延时的滤波处理方法 136
7.1.1 重复滤波法 136
7.1.2 状态扩维法 137
7.2 观测数据一步随机延时下的扩展卡尔曼滤波算法 138
7.3 观测数据一步随机延时下的Unscented卡尔曼滤波算法 142
7.4 观测数据随机延时下基于径向基函数神经网络的时间序列多步预测 147
7.4.1 径向基函数神经网络预测模型 147
7.4.2 实验仿真 147
7.5 小结 150
参考文献 150