中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
時間序列混合智能辨識、建模與預測 版權信息
- ISBN：9787030645982
- 條形碼：9787030645982 ; 978-7-03-064598-2
- 裝幀：平裝膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
時間序列混合智能辨識、建模與預測 本書特色
本專著將提出利用"混合智能"的新策略來協調時間序列信號處理的效率和精度問題，結合作者多年從事的兩個工程科學"交通運輸工程"和"自動化工程"中的經典時間序列種類來詳細解釋如何運用所提出的新算法和模型完成工程實踐運用。本學術專著的作者及其團隊成員針對"非線性時間序列高精度預測"這個科學和工程熱點，經過長達十來年的深入研究，終于提出了針對不同信號特征和精度要求的超前多步智能預測理論和技術。在該理論中，我們提出了包括"快速集成經驗模式分解-神經網絡法"、"多分解器-極限學習機法"、"遺傳/思維進化神經網絡法"等在內的新方法體系。在本專著中，我們將運用鐵路沿線風速時間序列、風電場風速時間序列及機器人導航和電源時序數據對全部提出的辨識和預測新模型進行了實時和精度性能考核。
時間序列混合智能辨識、建模與預測 內容簡介
本專著將提出利用“混合智能”的新策略來協調時間序列信號處理的效率和精度問題, 結合作者多年從事的兩個工程科學“交通運輸工程”和“自動化工程”中的經典時間序列種類來詳細解釋如何運用所提出的新算法和模型完成工程實踐運用。
時間序列混合智能辨識、建模與預測 目錄
叢書序
前言
**篇 時間序列重要性分析
第1章 緒論
1.1 概述及研究必要性
1.2 時間序列研究進展
1.2.1 時間序列辨識、建模與預測領域研究情況綜述
1.2.2 鐵路沿線大風風速序列分析研究情況綜述
1.2.3 大氣污染物濃度序列分析研究情況綜述
1.2.4 股票價格序列分析研究情況綜述
1.3 時間序列分析方法體系
1.4 時間序列分析理論基礎
1.4.1 多步預測策略
1.4.2 時間序列預測精度評價指標
第二篇 鐵路沿線風速混合智能辨識、建模與預測
第2章 鐵路風速數據處理組合算法預測模型
2.1 引言
2.2 原始風速數據
2.3 數據處理組合算法模型
2.3.1 模型框架
2.3.2 理論基礎
2.3.3 建模步驟
2.3.4 數據處理組合算法風速預測結果
2.4 特征選擇數據處理組合算法模型
2.4.1 模型框架
2.4.2 理論基礎
2.4.3 建模步驟
2.4.4 不同特征選擇算法對數據處理組合算法模型精度的影響
2.5 分解特征選擇數據處理組合算法模型
2.5.1 模型框架
2.5.2 建模步驟
2.5.3 不同特征選擇算法對分解模型精度的影響
2.5.4 預測精度對比
2.6 模型預測精度綜合對比分析
2.6.1 模型預測結果分析
2.6.2 預測精度對比分析
2.7 本章小結
第3章 鐵路風速長短期記憶網絡預測模型
3.1 引言
3.2 原始風速數據
3.2.1 建模風速序列
3.2.2 樣本劃分
3.3 長短期記憶網絡預測模型
3.3.1 理論基礎
3.3.2 建模步驟
3.3.3 長短期記憶網絡模型風速預測結果
3.4 基于不同分解算法的長短期記憶網絡預測模型
3.4.1 模型框架
3.4.2 建模步驟
3.4.3 不同分解算法對模型精度的影響
3.5 基于誤差建模的不同分解算法預測模型
3.5.1 模型框架
3.5.2 理論基礎
3.5.3 建模步驟
3.5.4 不同分解算法對模型精度的影響
3.6 模型預測精度綜合對比分析
3.6.1 模型預測結果分析
3.6.2 預測精度對比分析
3.7 本章小結
第4章 鐵路風速卷積門限循環單元預測模型
4.1 引言
4.2 原始風速數據
4.2.1 建模風速序列
4.2.2 樣本劃分
4.3 CNNGRU預測模型
4.3.1 模型框架
4.3.2 理論基礎
4.3.3 建模步驟
4.3.4 不同深度網絡模型精度分析
4.4 基于SSA的CNNGRU
4.4.1 模型框架
4.4.2 建模步驟
4.4.3 不同深度神經網絡對模型精度的影響
4.5 模型預測精度綜合對比分析
4.5.1 模型預測結果分析
4.5.2 預測精度對比分析
4.6 本章小結
第5章 鐵路風速預測 Boosting集成預測模型
5.1 引言
5.2 原始風速數據
5.2.1 建模風速序列
5.2.2 風速序列劃分
5.3 基于 Boosting算法的集成預測模型
5.3.1 模型框架
5.3.2 建模步驟
5.3.3 Boosting算法
5.4 模型預測精度綜合對比分析
5.4.1 模型預測結果
5.4.2 預測步數對模型精度的影響
5.4.3 預測策略對模型精度的影響
5.4.4 Boosting算法對模型精度的影響
5.5 本章小結
第6章 基于Stacking的鐵路風速集成預測模型
6.1 引言
6.2 原始風速數據
6.2.1 建模風速序列
6.2.2 樣本劃分
6.3 Stacking集成算法
6.4 Stacking預測模型
6.4.1 模型框架
6.4.2 建模步驟
6.4.3 模型預測結果
6.4.4 不同Stacking結構對預測精度的影響
6.5 Stacking分解預測模型
6.5.1 模型框架
6.5.2 建模過程
6.6 模型預測精度綜合對比分析
6.6.1 模型預測結果
6.6.2 不同Stacking結構對預測精度的影響
6.6.3 分解算法對預測精度的影響
6.7 本章小結
第三篇 大氣污染物濃度混合智能辨識、建模與預測
第7章 大氣污染物濃度時間序列特征
7.1 大氣污染物濃度分析的重要性
7.2 大氣污染物類型
7.2.1 一次污染物與二次污染物
7.2.2 天然污染物與人為污染物
7.2.3 氣態污染物與氣溶膠態污染物
7.3 大氣污染物濃度評價指標
7.4 不同大氣污染物濃度相關性分析
7.4.1 大氣污染物濃度數據
7.4.2 不同大氣污染物濃度相關性研究
7.5 大氣污染物濃度季節性分析
7.5.1 大氣污染物濃度數據
7.5.2 非季節性污染物濃度時間序列預測模型
7.5.3 季節性污染物濃度時間序列預測模型
7.5.4 模型預測結果與精度對比分析
7.6 本章小結
第8章 大氣污染物濃度確定性預測模型
8.1 引言
8.2 大氣污染物濃度數據
8.2.1 原始污染物濃度時間序列
8.2.2 樣本劃分
8.3 不同分解框架下的大氣污染物濃度混合預測模型
8.3.1 模型框架
8.3.2 Elman神經網絡理論基礎
8.3.3 建模步驟
8.3.4 不同分解算法的預測結果對比分析
8.3.5 不同分解參數的預測結果對比分析
8.4 基于不同預測器的大氣污染物濃度混合預測模型
8.4.1 模型框架
8.4.2 理論基礎
8.4.3 建模步驟
8.4.4 分解算法對不同預測器的預測精度影響分析
8.4.5 不同預測器預測結果對比分析
8.5 模型性能綜合對比分析
8.5.1 *優模型預測結果
8.5.2 *優模型預測精度對比分析
8.6 本章小結
第9章 大氣污染物濃度不確定性區間預測模型
9.1 引言
9.2 大氣污染物濃度數據
9.2.1 原始污染物濃度時間序列
9.2.2 樣本劃分
9.3 模型總體框架
9.4 SVM確定性預測模型
9.5 SVM-KDE區間預測模型
9.5.1 理論基礎
9.5.2 模型預測結果
9.6 SVM-ARCH區間預測模型
9.6.1 理論基礎
9.6.2 模型預測結果
9.7 SVM-GARCH區間預測模型
9.7.1 理論基礎
9.7.2 模型預測結果
9.8 WPD-區間預測混合模型
9.8.1 混合模型框架
9.8.2 建模過程
9.8.3 模型預測結果
9.9 模型性能綜合對比分析
9.9.1 不同區間預測模型對比
9.9.2 含分解混合模型與無分解模型對比
9.10 本章小結
第10章 大氣污染物濃度聚類混合預測模型
10.1 引言
10.2 大氣污染物濃度數據
10.2.1 原始污染物濃度時間序列
10.2.2 樣本劃分
10.3 模型總體框架
10.4 BFGS 確定性預測模型
10.5 聚類內部評價指標
10.5.1 理論基礎
10.5.2 評價指標
10.6 K-均值-BFGS 混合預測模型
10.6.1 理論基礎
10.6.2 模型預測結果
10.7 FCM-BFGS 混合預測模型
10.7.1 理論基礎
10.7.2 模型預測結果
10.8 K-medoids-BFGS 混合預測模型
10.8.1 理論基礎
10.8.2 模型預測結果
10.9 模型性能綜合對比分析
10.10 本章小結
第11章 大氣污染物濃度時空混合預測模型
11.1 引言
11.2 大氣污染物濃度數據
11.2.1 原始污染物濃度時間序列
11.2.2 樣本劃分
11.3 不同站點PM2.5 濃度相關性分析
11.4 大氣污染物濃度 ELM 時空混合預測模型
11.4.1 模型框架
11.4.2 ELM 理論基礎
11.4.3 建模步驟
11.4.4 相關系數修正的PM2.5 濃度時空混合預測模型
11.4.5 融合目標監測點數據修正的PM2.5 濃度時空混合預測模型
11.4.6 不同輸入順序的PM2.5 濃度時空混合預測模型
11.5 模型性能綜合對比分析
11.6 本章小結
第四篇 金融股票時間序列混合智能辨識、建模與預測
第12章 金融股票時間序列
12.1 金融股票時間序列分析的重要性
12.2 我國股票指數
12.2.1 中證指數有限公司股票價格指數
12.2.2 上海證券交易所股票價格指數
12.2.3 深圳證券交易所股票價格指數
12.3 基礎交易數據
12.4 趨向型指標
12.4.1 升降線指標
12.4.2 動力指標
12.4.3 移動平均指標
12.4.4 平均線差指標
12.4.5 平滑異同平均指標
12.4.6 快速異同平均指標
12.5 反趨向型指標
12.5.1 隨機指標
12.5.2 擺動指標
12.5.3 相對強弱指標
12.5.4 威廉指標
12.5.5 乖離率指標
12.5.6 變動速率指標
12.5.7 引力線指標
第13章 金融股票時間序列特征混合辨識
13.1 引言
13.2 金融股票特征樣本空間
13.3 金融股票單變量特征辨識
13.3.1 算法原理
13.3.2 辨識過程
13.3.3 辨識結果分析
13.4 金融股票主成分分析特征辨識
13.4.1 算法原理
13.4.2 辨識過程
13.4.3 辨識結果分析
13.5 金融股票核主成分分析特征辨識
13.5.1 算法原理
13.5.2 辨識過程
13.5.3 辨識結果分析
13.6 金融股票因子分析特征辨識
13.6.1 算法原理
13.6.2 辨識過程
13.6.3 辨識結果分析
13.7 本章小結
第14章 金融股票時間序列傳統預測模型
14.1 引言
14.2 金融股票數據
14.2.1 基礎金融股票時間序列數據
14.2.2 樣本劃分
14.3 金融股票馬爾可夫鏈預測模型
14.3.1 理論基礎
14.3.2 建模過程
14.3.3 預測結果
14.4 金融股票貝葉斯預測模型
14.4.1 理論基礎
14.4.2 建模過程
14.4.3 預測結果
14.5 模型性能綜合比較分析
14.6 本章小結
第15章 金融股票時間序列神經網絡預測模型
15.1 引言
15.2 金融股票數據
15.2.1 基礎金融股票時間序列數據
15.2.2 特征辨識
15.2.3 樣本劃分
15.3 算法總體框架
15.4 金融股票 BP 神經網絡預測模型
15.4.1 理論基礎
15.4.2 建模過程
15.4.3 預測結果
15.5 金融股票Elman預測模型
15.5.1 建模過程
15.5.2 預測結果
15.6 金融股票RBF神經網絡預測模型
15.6.1 理論基礎
15.6.2 建模過程
15.6.3 預測結果
15.7 模型性能綜合比較分析
15.7.1 不同預測模型精度比較分析
15.7.2 不同特征提取方法比較分析
15.8 本章小結
第16章 金融股票時間序列深度網絡預測模型
16.1 引言
16.2 金融股票數據
16.2.1 基礎金融股票時間序列數據
16.2.2 特征辨識
16.2.3 樣本劃分
16.3 金融股票CNN深度網絡預測模型
16.3.1 模型框架
16.3.2 CNN深度網絡理論基礎
16.3.3 建模步驟
16.3.4 模型結果
16.4 金融股票LSTM深度網絡預測模型
16.4.1 模型框架
16.4.2 LSTM深度網絡理論基礎
16.4.3 建模步驟
16.4.4 模型結果
16.5 金融股票BiLSTM深度網絡預測模型
16.5.1 模型框架
16.5.2 BiLSTM深度網絡理論基礎
16.5.3 建模步驟
16.5.4 模型結果
16.6 模型性能綜合比較分析
16.7 本章小結
參考文獻
附錄
《交通與數據科學叢書》書目
展開全部
時間序列混合智能辨識、建模與預測 作者簡介
劉輝，男，中南大學教授、博士生導師，中德雙專業雙工學博士。現任中南大學學術委員會委員、交通運輸工程學院副院長。主持德國教研部Junior Group Leader基金、國家重點研發計劃課題、國家自然科學基金等。作為第一或通訊作者發表SCI、EI論文60余篇，其中入選ESI熱點論文、ESI高被引論文10余篇。作為第一完成人獲教育部自然科學獎二等獎，主要完成人獲國家科技進步獎一等獎。作為第一發明人授權國家發明專利40余項。專著2部由Springer與科學出版社合作出版。成果應用于我國青藏、蘭新等強風鐵路大風預警系統與德國CELISCA實驗室智能運載機器人平臺。
書友推薦
- >
推拿
- >
伯納黛特,你要去哪(2021新版)
- >
上帝之肋:男人的真實旅程
- >
唐代進士錄
- >
姑媽的寶刀
- >
隨園食單
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
