非線性自回歸時序模型分析及工程應用

1 時間序列分析基礎 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 隨機過程的數字特征 1．5．1 均值和方差函數 1．5．2 矩函數 1．5．3 自協方差函數和自相關函數 1．5．4 高階自相關函數2 非線性自回歸時序模型 2．1 GNAR模型的結構原理 2．2 GNAR模型線性項參數的穩(wěn)健性 2．3 GNAR模型與線性時序模型的關系 2．3．1 GNAR模型與ARMA(2，1)模型的關系 2．3．2 GNAR模型與具有直線趨勢的ARMA(2，1)模型的關系 2．3．3 GNAR模型與AR(3)模型的關系 2．3．4 GNAR模型與具有直線趨勢的AR(3)模型的關系 2．4 GNAR模型與其他非線性時序模型的關系 2．4．1 GNAR模型與BL模型的關系 2．4．2 CNAR模型與EXPAR模型的關系 2．4．3 GNAR模型與TAR模型的關系 2．4．4 數值算例 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結論3 非線性自回歸時序模型的定階和參數估計 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 實驗定階方法 3．1．4 實例分析 3．2 非線性時間序列模型的參數估計 3．3 GNAR模型的參數估計4 非線性自回歸時序模型的預報 4．1 時間序列的預報 4．1．1 預報的意義和原理 4．1．2 ARMA(n，m)模型的預報方程 4．1．3 AR(n)模型的預報方程 4．2 組合模型的預報 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式 4．2．3 應用實例 4．3 GNAR模型的預測預報 4．3．1 GNAR模型的預報方程 4．3．2 GNAR模型與組合模型的對比實驗 4．3．3 經典時序數據的預測實驗 4．3．4 現代時序數據的預測實驗5 非線性自回歸時序模型在機器視覺領域的應用 5．1 基于機器視覺的尺寸測量 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驗 5．3 工程應用 5．4 結j論6 非線性自回歸時序模型在系統辨識和故障診斷領域的應用 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 6．2 車床工作狀態(tài)分類 6．3 軌道車輛轉向架運行狀態(tài)辨識 6．3．1 轉向架運行狀態(tài)辨識的目的和意義 6．3．2 軌道車輛動力學模型和參數 6．3．3 轉向架運行狀態(tài)辨識 6．4 高速離心空氣壓縮機故障識別 6．5 結論參考文獻