非線性自回歸時序模型分析及工程應(yīng)用

1 時間序列分析基礎(chǔ) 1．1 時間序列 1．2 時間序列分析 1．3 線性時序模型 1．3．1 ARMA(n，m)模型 1．3．2 AR(n)模型和MA(m)模型 1．4 非線性時序模型 1．4．1 BL模型 1．4．2 TAR模型 1．4．3 EXPAR模型 1．4．4 SD—AR模型 1．5 隨機(jī)過程的數(shù)字特征 1．5．1 均值和方差函數(shù) 1．5．2 矩函數(shù) 1．5．3 自協(xié)方差函數(shù)和自相關(guān)函數(shù) 1．5．4 高階自相關(guān)函數(shù)2 非線性自回歸時序模型 2．1 GNAR模型的結(jié)構(gòu)原理 2．2 GNAR模型線性項參數(shù)的穩(wěn)健性 2．3 GNAR模型與線性時序模型的關(guān)系 2．3．1 GNAR模型與ARMA(2，1)模型的關(guān)系 2．3．2 GNAR模型與具有直線趨勢的ARMA(2，1)模型的關(guān)系 2．3．3 GNAR模型與AR(3)模型的關(guān)系 2．3．4 GNAR模型與具有直線趨勢的AR(3)模型的關(guān)系 2．4 GNAR模型與其他非線性時序模型的關(guān)系 2．4．1 GNAR模型與BL模型的關(guān)系 2．4．2 CNAR模型與EXPAR模型的關(guān)系 2．4．3 GNAR模型與TAR模型的關(guān)系 2．4．4 數(shù)值算例 2．5 GNAR模型和混沌 2．5．1 混沌的概念 2．5．2 時間序列和混沌 2．5．3 GNAR模型對混沌的跟蹤 2．6結(jié)論3 非線性自回歸時序模型的定階和參數(shù)估計 3．1 GNAR模型的定階 3．1．1 定階原則 3．1．2 仿真算例 3．1．3 實(shí)驗定階方法 3．1．4 實(shí)例分析 3．2 非線性時間序列模型的參數(shù)估計 3．3 GNAR模型的參數(shù)估計4 非線性自回歸時序模型的預(yù)報 4．1 時間序列的預(yù)報 4．1．1 預(yù)報的意義和原理 4．1．2 ARMA(n，m)模型的預(yù)報方程 4．1．3 AR(n)模型的預(yù)報方程 4．2 組合模型的預(yù)報 4．2．1 具有趨勢性的非平穩(wěn)時間序列 4．2．2 組合模型的一般表達(dá)式 4．2．3 應(yīng)用實(shí)例 4．3 GNAR模型的預(yù)測預(yù)報 4．3．1 GNAR模型的預(yù)報方程 4．3．2 GNAR模型與組合模型的對比實(shí)驗 4．3．3 經(jīng)典時序數(shù)據(jù)的預(yù)測實(shí)驗 4．3．4 現(xiàn)代時序數(shù)據(jù)的預(yù)測實(shí)驗5 非線性自回歸時序模型在機(jī)器視覺領(lǐng)域的應(yīng)用 5．1 基于機(jī)器視覺的尺寸測量 5．2 基于GNAR模型的直線邊緣畸變校正 5．2．1 圖像畸變 5．2．2 畸變校正原理 5．2．3 直線邊緣畸變校正實(shí)驗 5．3 工程應(yīng)用 5．4 結(jié)j論6 非線性自回歸時序模型在系統(tǒng)辨識和故障診斷領(lǐng)域的應(yīng)用 6．1 基于GNAR模型的狀態(tài)辨識和故障診斷理論 6．1．1 基本概念 6．1．2 方法和步驟 6．1．3 特征量的生成 6．1．4 判別函數(shù) 6．2 車床工作狀態(tài)分類 6．3 軌道車輛轉(zhuǎn)向架運(yùn)行狀態(tài)辨識 6．3．1 轉(zhuǎn)向架運(yùn)行狀態(tài)辨識的目的和意義 6．3．2 軌道車輛動力學(xué)模型和參數(shù) 6．3．3 轉(zhuǎn)向架運(yùn)行狀態(tài)辨識 6．4 高速離心空氣壓縮機(jī)故障識別 6．5 結(jié)論參考文獻(xiàn)