非线性时间序列在线预测建模与仿真pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

非线性时间序列在线预测建模与仿真PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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