一、残差EWMA-图对平稳自回归过程数据的检验能力（论文文献综述）
顾昕雨[1]（2021）在《基于ARIMA-SVR组合模型的卫星遥测数据预测研究》文中指出随着科技时代的不断发展,卫星的在轨寿命越来越长。卫星的状态受空间环境与运行时长的影响,这些影响可能会使卫星在运行过程中出现故障,从而造成不可挽回的事故损失。卫星运行过程中产生的遥测数据能够直接表达卫星的状态,对卫星遥测数据的变化趋势进行预测,可以提前预知发生故障的可能,为卫星运控管理人员留出更充裕的时间实施故障处置。本文建立了卫星遥测数据预测模型,对卫星实际遥测数据的变化趋势进行预测,提高预测精度,使工作人员能够更精确地分析判读卫星在轨运行的状态。卫星遥测数据的特征比较复杂,为提高预测精度,本文从组合模型层面进行预测研究。针对卫星时序遥测数据的周期性、非线性等特点,结合差分自回归滑动平均模型（ARIMA）处理周期性样本以及支持向量回归模型（SVR）处理非线性样本的优势,本文利用ARIMA-SVR组合模型对卫星真实遥测数据进行预测。本文以空间科学某型号卫星实际在轨运行数据作为研究对象,为验证组合模型在预测精度上的提升,分别利用ARIMA模型、SVR模型、长短记忆人工神经网络模型（LSTM）以及ARIMA-SVR组合模型对卫星的实际遥测数据进行短期和中期预测。为了保证SVR模型核函数参数选取的可靠性,本文利用粒子群优化（PSO）算法对SVR模型核函数的参数进行寻优。在实验的最后,本文利用决定系数（R2）、均方误差（MSE）、均方根误差（RMSE）以及平均相对误差绝对值（MAPE）评价标准对四种不同模型的预测效果进行评价。实验结果表明,无论是短期还是中期预测,ARIMA-SVR串联组合模型的预测精度都高于ARIMA、SVR以及LSTM预测模型。将短期预测与中期预测的结果对比后发现,ARIMA-SVR组合模型在短期预测中的精度高于中期预测,表明ARIMA-SVR组合模型更适用于卫星遥测数据的短期预测。本文以卫星实际遥测数据作为研究对象,结合实验得出的预测结果,证明了ARIMA-SVR模型可以有效提高卫星遥测数据的预测精度,表明该模型在卫星遥测数据的预测中具有实际的应用价值,未来可以为卫星的异常检测提供有效的决策分析支持。
杨立宁[2]（2020）在《大规模时空序列的预测与模式识别》文中研究指明大数据时代为诸多行业的变革提供了巨大推动力。为获取和处理更多数据,越来越多的技术被发明和应用,“万物互联”已成趋势。大多物联网数据同时具有时间和地点标签。近年来,大规模时空序列层出不穷。基于大数据对时空序列相关性和因果性进行挖掘,并据此进行推断和预测成为了大数据的重要应用之一。本文的研究内容为大规模低频时空序列的预测和大规模高频时空序列的模式识别,主要在大规模时空序列的模型上进行一些改进与尝试以便大规模时空序列在各个行业的应用。本文首先详细梳理了当前时空序列预测模型的发展及其广泛的应用场景。对常用的层次分析模型进行了详细阐述,并在层次模型的框架下详细介绍了本文所使用到的STARMA模型以及时空Kriging模型,给出了其参数推断过程的简要公式推导。低频时空序列预测方面,针对小规模时空数据集,通过分析原有时空模型STARMA关于空间相关性假设以及时空Kriging模型方程组奇异性的局限性,将时空Kriging技术和STARMA模型进行结合。通过对时空Kriging进行稀疏化并将稀疏的权重结果作为STARMA模型的空间权重矩阵。这样,一方面通过稀疏化解决了时空Kriging难以求解逆矩阵的问题,另一方面突破了STARMA模型空间权重矩阵构建的局限性。之后,通过分析论述两种模型均无法在大规模数据集中应用。据此,针对大规模时空数据集,通过详细的公式推导和算法说明,阐述了新提出的基于奇异值分解技术和带有季节效应的差分自回归移动平均模型的时空序列预测技术。大规模低频时空序列预测方法以上海市某地区通信基站流量数据集为研究案例,对比了新方法和已有经典时空模型方法的预测精度,给出算法的使用条件及其应用价值。大规模高频时空序列方面,本文基于刀具加工过程的振动信号,利用刀具退化过程信号的同步性构建基于Group Lasso约束的分段线性回归模型对高维信号中的同步变点进行检测,进而完成刀具不同健康寿命阶段的划分,并通过仿真数据和真实刀具加工信号数据与目前常用的方法进行对比验证其应用价值。最终,本文通过提出分别针对大规模低频时空序列的预测模型以及大规模高频时空序列的模式识别模型,在大数据背景下为时空序列模型的发展做出了尝试,并在真实应用中得到了较好的效果。
程诚[3]（2020）在《基于通止规检测的自相关工艺控制图研究》文中进行了进一步梳理新中国成立尤其是改革开放以来,我国制造业迅猛发展,有力地推动了工业化和现代化进程。随着“工业4.0”和“中国制造2025”等概念的提出,各国对制造业的投入力度越来越大,产品的质量备受关注。在生产过程中,人们判断产品的质量是否达标的依据是产品的质量特性数据是否在合理范围内。对于一些标准化程度高且简单易加工的产品通常采用大批量生产的方式,在检测过程中有些零件比如孔轴等的尺寸较小,测量这些零件的质量特性数据十分耗时且容易受到各种方面的影响导致测量精度不准确,所以通止规被发明出来应用于这些生产过程。通止规分为通规和止规,按产品允许偏差的上限做止端,允许偏差的下限做通端。检验时,只需将产品的质量特性同通止规的规格进行比较而无需测量出具体的数值即可判断产品是否合格,检测过程效率高且耗时短,因此通止规被广泛的应用在质量检测中。传统的控制图假设统计数据是独立存在的。然而在利用通止规进行检验的某些生产过程或特定工艺中包括零件锻造、孔轴挤压等大批量的生产中,随着测量技术和采集数据技术的发展,数据的独立性假设遭到质疑,这些生产过程中均被发现存在自相关数据。对于存在自相关数据的生产过程,如果继续采用常规控制图进行质量监控,可能会产生大量的虚发或漏发警报,从而降低监控效率甚至扰乱生产过程的秩序,导致不必要的质量控制成本产生。对于使用通止规检测的生产工艺中存在的自相关现象,本文提出了一种计数控制图AR-n p x控制图来监测自相关数据的均值。因为采用通止规进行检测,该控制图充分发挥了操作简单,监测效率高的优点。为了对该控制图进行优化设计,相较于常规的马尔科夫链法和Monte Carlo随机模拟方法,本文采用了更易于计算的Stein-chen法来计算ARL。此外,将所提出的AR-n p x控制图与npx控制图的性能进行比较,展现出AR-np x控制图在处理自相关数据上的优越性。本文还提供了灵敏度分析来研究控制图的稳健性,发现AR-n p x控制图在偏移较小和相关程度较低时稳健性较好。最后,通过一个行业实际案例说明如何将AR-n p x控制图应用于生产过程,为实际应用提供了参考。
王东菲[4]（2020）在《基于自相关过程的多元统计过程控制研究》文中提出统计过程控制（SPC,Statistical Process Control）是提高产品质量和节省企业生产成本的有效方法,它为经济发展起到了关键的作用。控制图作为统计过程控制的主要工具是监控生产过程产品质量的重要手段。随着人们对质量要求的提高,人们的关注已经从一个质量特性转化为多个质量特性,而且当今数据采集技术的飞速发展,使得采集到的数据通常存在自相关现象。本文主要针对多变量自相关过程的在线质量控制进行了具体的研究:首先,分析不同的自相关结构对常规多元控制图的影响,以MEWMA控制图为研究对象,当总体协方差取值不同时,分析传统控制图和残差控制图的性能。通过Monte Carlo模拟对比以下两种情况:（1）忽略自相关的原始数据;（2）考虑自相关时,根据拟合成原始数据的多变量时间序列模型VAR（1）构建的残差数据。对比不同均值偏移大小和不同自相关结构下的平均运行链长（Average Run Length,ARL）,进而分析各条件下的控制图监测偏移的性能。分析结果表明残差MEWMA控制图性能最佳,且以S2为总体协方差取值时,残差MEWMA控制图受控平均运行链长ARL0较低,但能更快的发现均值的变化。其次,为了提高预测准确性,实现多元自相关过程的有效监控,提出了一种基于混沌遗传算法（Chaotic Genetic Algorithm,CGA）优化的支持向量回归（Support Vector Regression,SVR）模型,简称为CGA-SVR,该方法不仅可以有效滤除自相关,而且能克服SVR模型的超参数过早陷入局部最优这一缺陷,进而基于该模型建立多变量残差MEWMA控制图来监控统计过程的均值。通过对旋片泵噪音和温度两个质量特性的实例分析,与传统的SVR模型对比,该模型具有预测稳定和泛化性能较高的特点,且对自相关过程的监控效果较明显。最后,为了提高多元自相关统计过程监控灵敏度,减少监控过程中造成的成本损失。应用差分粒子群优化算法（Differential Particle Swarm Optimization,D-PSO）求解了自相关MEWMA控制图的经济和经济统计设计模型。首先基于田口损失函数构建自相关MEWMA控制图的经济模型;利用差分粒子群优化算法求解确定控制图五个参数[n,h,k,Φ,θ]的最优组合,使单位时间成本最低。最后,使用实验设计方法对成本函数和控制图的主要参数进行灵敏度分析,分析不同的控制图设计参数对控制图经济性能的影响,进而减少质量损失。
张立波[5]（2019）在《云数据中心环境下集成工作负载预测方法研究》文中研究说明随着网络技术和计算机硬件计算力的发展,云计算成为互联网一种新的服务模式,因其所具有的高可扩展性、灵活性和成本效益,云数据中心的规模得以快速扩展,但随之而来的巨大能量消耗成为一个日益严重的问题。如何降低云数据中心的能耗受到越来越多研究人员的关注,目前的大部分研究工作旨在提升任务的调度效率,进而有效地提升了底层物理资源的运行效率,降低了云数据中心的能耗,然而很少有研究工作实现预测计算资源需求量,并据此灵活地调控云数据中心资源池的规模。针对这一问题,本研究提出一种整合的负载预测模型,这一模型可以基于历史负载数据预测下一时段所需计算资源,为云数据中心中底层资源池规模调整提供预先的数据指导。本研究贡献主要体现在以下两方面的工作,具体如下:首先是负载时间序列的生成与处理。本研究采用谷歌云数据中心公布的负载记录集作为研究对象,经过对原始数据集进行预处理,将其整合成为在指定时间粒度下负载数量分布的时间序列。这一过程中的重要内容有两方面,一方面,使用自相关函数确定合适的时间粒度,保证生成的时间序列中相邻数据点之间存在较强的相关性,使得后续模型具有更好的精确性;另一方面,在生产环境中存在异常事件使得负载数量激增,干扰负载序列在时间分布上的规律性,会对预测模型的精确度造成较大的影响,所以本研究需要选择合适的平滑算法,过滤数据中这些影响预测精度的异常点,达到特征增强的目的。其次是预测算法的选择和模型训练。本研究选择自回归差分移动平均算法、单隐层神经网络、长短期记忆神经网络以及随机配置神经网络四种算法对负载时间序列进行预测,从多个角度衡量模型的性能并选出最优算法。与此同时,现有的研究中往往是基于经验设定建模算法的超参数,本研究设计一系列实验,快速找到使得模型性能最优的超参数,提升模型预测精度的同时减少建模所需的时间成本。综上所述,本研究通过对云数据中心历史负载数据的预处理,对其建立一种整合的负载预测模型,通过实验证明,本研究提出的模型较其它预测方法可以更精确和高效地预测下一时刻的计算资源需求量,为灵活地调整云数据中心的资源池规模提供可靠的数据指导。
龙威[6]（2019）在《基于多元泊松和时间序列模型的累积和控制图设计》文中研究表明多元离散数据在现代制造业中非常普遍,多元泊松控制图常被用来监控此类数据,如MP,MP-CUSUM和MP-EWMA图。然而这些控制图都假设数据服从等协方差的多元泊松模型,限制各个变量之间的相关性关系,因此应用范围狭窄。本文基于异协方差多元泊松模型,提出GMP-CUSUM累积和控制图。在考虑不同相关性样本,变量偏移个数和偏移大小的情况下,通过蒙特卡洛模型,比较传统MP控制图和新控制图的平均运行链长（ARL）,发现异协方差多元泊松模型更加适应对多元离散数据的建模,新控制图提高了对过程偏移的灵敏度。在实际应用中,异协方差多元泊松模型能分析异相关性的多元数据,应用范围广;新控制图能更快速地检测到异常过程偏移,灵敏度高。除此之外,在时间维度上具备自相关性质的统计过程控制也具有重要意义,时间序列控制图常被用来监控此类数据,如P-CUSUM和P-EWMA图等。而过去的控制图都建立在一维的泊松整数值时间序列模型基础上,忽视多个维度之间的相关性,因此应用范围有限。本文基于多元泊松一阶自回归时间序列模型,建立多元累积和控制图。之后利用蒙特卡洛模拟,研究了模型参数和偏移距离对该控制图性能的影响。与传统的一维自相关数据的控制图相比,在某些参数组合下,新控制图对过程偏移具有较高的灵敏度。在实际应用中使用新控制图监控多元数据,能保证生产过程的稳定性,因而具有重要的实际意义。
刘吉辉[7]（2019）在《面向时间序列的古建筑室内环境预测方法研究》文中提出我国各地博物馆收藏了珍贵的历史文物,文物存在年代久远容易受到周围环境的影响,博物馆通过调节文物所处的环境,提升文物的保护力度。本文的研究点立足于北京故宫博物院（简称“故宫”）环境监测系统,在故宫实际部署的环境监测系统中,使用时间序列预测的方法对环境监测系统采集到的温度和湿度数据进行趋势预测。本文改进传统时序预测模型差分移动自回归平均模型ARIMA和神经网络预测模型长短期记忆网络模型LSTM,对温湿度数据进行分析和趋势预测。首先,针对ARIMA模型的参数定阶依靠观察数据的自相关函数图和偏相关函数图容易出现误差的问题,本文提出ARIMA-PDQ模型,新模型使用参数自动定阶算法,实现模型参数定阶过程的自动化,从而提高模型的预测精度。其次,针对循环神经网络RNN在模型训练过程容易出现梯度消失和梯度爆炸的问题,本文提出LSTM-WB模型,新模型在训练过程中使用参数更新优化算法SGAdagrad,使预测模型能快速收敛和精确度提升。最后,实验验证ARIMA-PDQ预测模型和LSTM-WB预测模型具有较高的预测精度和实际的应用价值。本文的研究可以为故宫古建筑室内环境监测系统提供温湿度环境参数的变化趋势,通过对室内环境进行调控,提高文物的保护工作。
马曦[8]（2018）在《时间序列特征的化工过程变量故障监测方法研究》文中研究指明化工生产过程中对过程变量的实时监测是保障产品质量和生产安全必不可少的措施,统计过程控制（Statistical Process Control,SPC）方法是一种采用数理统计技术形成监测统计量的方式实时评估和监控过程工况的工具,它受到了学术界的广泛关注和研究,并且应用在工业生产中可保障生产的稳定运行并辅助现场工艺的操作决策。评估过程故障监测性能的主要要素有监测图在正常工况下的误报警率和在异常工况下的报警时间。过程数据往往受到噪声与粗差的干扰,过程数据信噪比过低易导致过程控制图的误报警率上升和异常工况识别灵敏性下降。实际生产中过程变量的采样频率过高,高采样频率易引起数据较高的时序相关性,从而导致控制图的高误报警率和报警延迟。针对过程数据含噪和时序相关特征影响过程监控效果的问题,本文开展了以下研究工作:（1）针对过程数据含多种类型噪声引起故障监测图误报警率上升的问题,首先测试现有基础滤波方法对各种噪声特征的过程数据的降噪性能;考虑到在线降噪要求滤波器具有较低的参数灵敏度,在经验模态分解（EMD）的基础上建立一种过程数据在线降噪的方法OLREMD;为保证方法同时消除数据中的噪声和粗差,结合小波阈值滤波和中值滤波优化方法。经过对多种模拟信号的测试,提出方法具有低参数灵敏性,在同一参数波动范围内,与其它在线降噪方法相比,其降噪均方误差平均波动范围最高降低了约99%;测试六种含噪特征的模拟信号,OLREMD均能得到较低的降噪误差并对具有复合特征的含噪信号保持稳定的降噪效果;作为数据预处理步骤,OLREMD可降低过程故障监测模型的误报警率约6%,并提高了工况辨识度。（2）针对传统统计过程控制图直接应用于非平稳周期性特征的间歇过程变量而引起异常工况报警延迟的问题,首先基于现场聚丙烯PP间歇过程工艺,在ASPEN PLUS平台上建立PP间歇仿真过程;基于间歇过程仿真数据分析变量的趋势特征,确定监控统计量;将定义统计量融入传统CUSUM控制图建立趋势特征残差图,即趋势CUSUM控制图,具有与传统CUSUM控制图相似的故障监测规则。方法应用于聚丙烯PP间歇生产的仿真过程和现场过程中测试其监控效果,通过案例对比,趋势CUSUM控制图可有效地对间歇过程变量在整个批次过程中进行监测,定量变量的趋势偏差,平均早于传统SPC控制图约94个采样点发现异常工况,为操作者提供可靠的操作决策支持。（3）针对数据时序相关引起过程控制图误报警率上升的问题,首先以单变量和多变量Shewhart控制图为例,分析了数据时序相关对其监控能力的影响;基于跳跃采样的方法改进Shewhart控制图的监控方式,以不基于模型的方式消除数据自相关引起的误报警率上升的问题。经过对单变量和多变量时间序列数据的案例分析,改进后的控制图是一种可适用于不同时序相关水平数据的通用工具,可作为基于模型的修正Shewhart控制图的替代控制图,将误报警率维持在期望水平上,在双变量过程中与传统Shewhart控制图相比误报警率平均降低70%,且早于传统Shewhart控制图约20次采样识别异常工况。（4）在数据自相关情况下的Shewhart控制图,较对于数据时序独立下的Shewhart控制图,较晚识别过程异常,即其平均运行长度较大。为使设计控制图获得在指定运行长度下的期望监控能力,需适当调整其控制限,从平均运行长度的定义计算公式出发,优化并简化公式,提出一种适用于时间序列数据的运行长度与控制限的通用关系式,基于一阶自回归AR（1）过程数据验证并进一步简化关系式。Shewhart控制图,经控制限调整后,其实测的平均运行长度可达到期望值的98.5%;提出关系式应用于实际化工过程的变量监控中其实用性得到验证。
任冰[9]（2018）在《有偏分布自相关过程残差控制图的设计与应用》文中进行了进一步梳理在金融时间序列过程中,样本经常出现自相关性和波动簇聚性,这违背了休哈特控制图独立性假定。本文通过ARMA-GARCH模型对样本数据进行拟合,获得相互独立的残差序列,从而构建残差控制图。以往研究中通常假设残差序列服从标准正态分布,但在实际统计控制过程中残差序列通常不服从该假定,一般服从有偏分布,论文引入偏度系数法对残差控制图进行重新设计,通过使用随机模拟方法验证有偏分布自相关过程残差控制图的效果更优。并以沪深两市银行板块的股票为例进行实证分析,通过对其日收益率序列进行建模处理,使用有偏分布自相关过程残差控制图对个股异常波动进行监控,研究结果证明此方法预警效果更为显着,能够帮助市场监管者和投资者及时发现市场的异动。理论部分首先系统介绍常规控制图、自相关控制图基本理论,重点对残差控制图理论进行阐述。然后使用随机模拟法对残差序列有偏情况进行分析,研究结果证明常规残差控制图监控效果受到削弱甚至失效。针对这一情况,引入偏度系数法对控制图进行重新设计,提出有偏自相关过程残差控制图理论体系,通过对受控状态和失控状态的平均运行链长进行对比,发现本文构建的有偏自相关过程残差控制图体系控制效果优于传统残差控制图。最后进行实证分析,为了验证有偏分布自相关过程残差控制图的适用性,本文选择国内银行板块16支股票最近三年的数据进行研究,检验结果表明数据存在自相关特征和波动簇聚性,针对此类问题首先构建ARMA-GARCH模型。之后对得到的残差进行检验,结果发现残差序列相互独立且服从有偏分布,因此适合引入有偏自相关过程残差控制图体系。结果表明可以实现对日收益率的监控和预警,并且取得了较好的检测效果。
王海宇[10]（2018）在《基于多步预测误差的自相关过程统计质量控制》文中提出研究了采用多步预测误差构造多变量控制图对自相关过程进行统计质量监控的问题。建立了基于多步预测误差的Hotelling T2和MEWMA控制图模型,通过仿真分析对这种多变量控制图方法与以往的单变量控制图方法在监控自相关过程时的运行长度进行比对,用以评价控制图的效率.最后通过一个简单的算例说明该方法的使用。
二、残差EWMA-图对平稳自回归过程数据的检验能力（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、残差EWMA-图对平稳自回归过程数据的检验能力（论文提纲范文）
（1）基于ARIMA-SVR组合模型的卫星遥测数据预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 选题背景及其意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时间序列预测研究现状 |
| 1.2.2 遥测数据预测研究现状 |
| 1.2.3 总结与分析 |
| 1.3 本文的主要研究工作 |
| 1.4 本文的结构组成 |
| 第2章 模型理论 |
| 2.1 ARIMA模型介绍 |
| 2.1.1 AR模型 |
| 2.1.2 MA模型 |
| 2.1.3 ARMA模型 |
| 2.1.4 ARIMA模型 |
| 2.2 支持向量回归模型介绍 |
| 2.2.1 SVR模型原理 |
| 2.2.2 SVR模型参数选择 |
| 2.3 LSTM模型原理 |
| 2.4 组合模型原理 |
| 2.5 本章总结 |
| 第3章 模型选择与算法设计 |
| 3.1 卫星遥测数据研究 |
| 3.2 不同预测模型的对比 |
| 3.3 算法设计与实现 |
| 3.3.1 ARIMA模型算法流程 |
| 3.3.2 SVR模型算法流程 |
| 3.3.3 LSTM模型算法流程 |
| 3.3.4 ARIMA-SVR组合模型算法流程 |
| 3.3.5 模型评价 |
| 3.3.6 算法实现 |
| 3.4 本章总结 |
| 第4章 实验结果分析 |
| 4.1 实验数据获取及实验环境配置 |
| 4.1.1 实验数据获取 |
| 4.1.2 实验环境配置 |
| 4.2 实验结果 |
| 4.2.1 基于卫星温度数据的短期预测实验 |
| 4.2.2 基于卫星温度数据的中期预测实验 |
| 4.2.3 卫星温度预测总结 |
| 4.2.4 基于卫星角速度数据的短期预测实验 |
| 4.2.5 基于卫星角速度数据的中期预测实验 |
| 4.2.6 卫星角速度预测总结 |
| 4.3 本章总结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 对未来的展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）大规模时空序列的预测与模式识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 经典时空序列预测的局限性:地理学第一定律 |
| 1.2.2 时空序列模型的发展 |
| 1.2.3 层次统计模型(Hierarchical Statistical Model) |
| 1.2.4 经验层次模型及其推断方法 |
| 1.2.5 贝叶斯层次模型及其推断方法 |
| 1.2.6 时空序列的应用 |
| 1.2.7 论文主要内容及章节安排 |
| 第二章 基站流量数据集和刀具加工振动信号数据集介绍 |
| 2.1 基站流量数据集介绍 |
| 2.1.1 数据集简介 |
| 2.1.2 数据集预处理 |
| 2.2 刀具加工过程数据集介绍 |
| 2.2.1 数据集简介 |
| 2.2.2 数据集预处理 |
| 2.3 本章小结 |
| 第三章 基于Lasso-Kriging嵌入的STARMA模型 |
| 3.1 STARMA模型和时空Kriging模型 |
| 3.1.1 时空自回归移动平均模型(STARMA) |
| 3.1.2 时空Kriging模型 |
| 3.2 基于Lasso-Kriging嵌入的STARMA模型 |
| 3.2.1 模型构建 |
| 3.3 实例分析 |
| 3.3.1 样本选取办法 |
| 3.3.2 模型对比与分析 |
| 3.4 本章小节 |
| 第四章 基于奇异值分解和SARIMA的时空序列模型ST-SVD |
| 4.1 奇异值分解技术 |
| 4.2 带有季节效应的时间序列模型:SARIMA模型 |
| 4.3 ST-SVD模型构建 |
| 4.3.1 时空数据的奇异值分解 |
| 4.3.2 基于奇异值分解和SARIMA的 ST-SVD模型构建 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 第五章 基于Group Lasso的高频时空序列模式识别与变点检测 |
| 5.1 振动信号处理与健康状态监测研究现状 |
| 5.2 高频时空序列的变点检测与模式识别 |
| 5.3 广义时空序列的同步性模式 |
| 5.4 基于Group Lasso的分段线性回归模型 |
| 5.4.1 分段线性回归模型 |
| 5.4.2 Group Lasso约束 |
| 5.4.3 变点识别 |
| 5.4.4 确定变点位置候选集 |
| 5.4.5 同时确定最终变点个数及变点位置 |
| 5.5 仿真分析 |
| 5.6 仿真过程 |
| 5.6.1 仿真参数设定 |
| 5.6.2 仿真信号变点检测 |
| 5.6.3 结果评估 |
| 5.6.4 仿真结果及分析 |
| 5.7 实例分析 |
| 5.8 本章小节 |
| 第六章 总结与展望 |
| 6.1 主要工作与创新点 |
| 6.2 后续研究工作 |
| 参考文献 |
| 附录1 |
| Lasso-VAR模型 |
| LSTM模型 |
| 附录2 基于 pm2.5 数据的模型比较 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（3）基于通止规检测的自相关工艺控制图研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及方法 |
| 1.4 文章创新点 |
| 第二章 基于通止规检测的工艺过程分析 |
| 2.1 通止规及其特点 |
| 2.2 通止规检测在控制图中的应用 |
| 2.2.1 通止规的使用原理 |
| 2.2.2 np_x控制图的提出 |
| 2.3 基于通止规检测的自相关工艺过程介绍 |
| 2.3.1 自相关工艺的现状及其识别 |
| 2.3.2 自相关工序对统计过程控制的影响 |
| 2.4 本章小结 |
| 第三章 基于通止规检测的自相关工艺控制图的统计设计 |
| 3.1 自相关工艺控制图的建立 |
| 3.1.1 自相关模型的构建 |
| 3.1.2 自相关工艺控制图的操作流程 |
| 3.2 自相关工艺控制图的性能衡量指标 |
| 3.2.1 性能衡量指标的选择 |
| 3.2.2 性能衡量指标的计算 |
| 3.2.3 Stein-chen方法的表现 |
| 3.3 自相关工艺控制图的优化设计 |
| 3.3.1 控制图优化设计的原理 |
| 3.3.2 自相关工艺控制图的优化设计模型 |
| 3.4 本章小结 |
| 第四章 基于通止规检测的自相关工艺控制图的数值分析 |
| 4.1 自相关工艺控制图的性能表现 |
| 4.2 AR(2)模型下自相关工艺控制图的性能表现 |
| 4.3 自相关工艺控制图的敏感性分析 |
| 4.4 本章小结 |
| 第五章 实际案例研究 |
| 5.1 案例数据的处理 |
| 5.2 xnpAR-控制图的应用 |
| 研究总结与未来发展方向 |
| 参考文献 |
| 附录1 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）基于自相关过程的多元统计过程控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自相关过程控制图研究现状 |
| 1.2.2 多元统计过程控制图研究现状 |
| 1.2.3 控制图的经济设计研究现状 |
| 1.3 论文研究研究内容及结构体系 |
| 1.3.1 论文结构框架 |
| 1.3.2 论文研究内容及方法 |
| 1.4 本章小结 |
| 2 自相关过程控制图相关理论 |
| 2.1 自相关及自相关识别 |
| 2.1.1 自相关过程 |
| 2.1.2 自相关过程的识别 |
| 2.2 常见的一元时间序列模型 |
| 2.3 残差控制图 |
| 2.3.1 残差控制图基本理论 |
| 2.3.2 残差控制图具体实现步骤 |
| 2.4 计算方法的应用 |
| 2.4.1 蒙特卡罗方法 |
| 2.4.2 支持向量回归机 |
| 2.4.3 混沌遗传算法 |
| 2.4.4 差分演化算法 |
| 2.4.5 粒子群优化算法 |
| 2.5 本章小结 |
| 3 自相关对多元MEWMA控制图影响的研究 |
| 3.1 平均运行链长 |
| 3.2 两样本协方差下的MEWMA控制图 |
| 3.3 自相关对MEWMA的影响 |
| 3.3.1 一阶自回归模型 |
| 3.3.2 双变量自相关MEWMA控制图ARL计算 |
| 3.4 本章小结 |
| 4 基于改进支持向量回归模型的自相关统计过程监控 |
| 4.1 混沌遗传算法优化的支持向量回归模型 |
| 4.2 残差MEWMA控制图的构建 |
| 4.3 实例验证 |
| 4.3.1 旋片泵工作原理简介 |
| 4.3.2 模型参数的选择 |
| 4.3.3 预测结果分析 |
| 4.3.4 平均运行链长ARL的仿真分析 |
| 4.4 本章小结 |
| 5 自相关MEWMA控制图统计经济性研究 |
| 5.1 自相关过程的MEWMA控制图 |
| 5.2 经济和经济统计模型 |
| 5.2.1 符号说明 |
| 5.2.2 条件假设 |
| 5.2.3 过程周期时间 |
| 5.2.4 模型的建立 |
| 5.3 算例 |
| 5.3.1 参数的设定 |
| 5.3.2 模型求解 |
| 5.3.3 灵敏度分析 |
| 5.4 本章小结 |
| 6 总结 |
| 6.1 全文总结 |
| 6.2 全文的创新点 |
| 6.3 论文的不足之处 |
| 7 展望 |
| 8 参考文献 |
| 9 攻读硕士学位期间发表论文情况 |
| 10 致谢 |
（5）云数据中心环境下集成工作负载预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与贡献 |
| 1.4 本文组织结构 |
| 第2章 预测算法概述 |
| 2.1 自回归差分移动平均算法 |
| 2.1.1 ARIMA模型综述 |
| 2.1.2 ARIMA原理方法 |
| 2.1.3 赤池信息标准(AIC) |
| 2.2 神经网络 |
| 2.2.1 神经网络概述 |
| 2.2.2 感知机与多层网络 |
| 2.2.3 长短期记忆神经网络 |
| 2.3 随机配置神经网络 |
| 2.3.1 SCNs模型概述 |
| 2.3.2 SCNs原理简介 |
| 2.4 本章小结 |
| 第3章 数据集与序列平滑 |
| 3.1 数据集 |
| 3.1.1 数据集简介 |
| 3.1.2 负载时间序列 |
| 3.1.3 数据标准化 |
| 3.2 序列平滑方法 |
| 3.2.1 中值滤波与均值滤波 |
| 3.2.2 Savitzky-Golay(SG)滤波器 |
| 3.2.3 不同滤波算法的实验分析 |
| 3.4 本章小结 |
| 第4章 负载序列的特征提取 |
| 4.1 平稳性检验 |
| 4.1.1 平稳时间序列 |
| 4.1.2 ADF检验 |
| 4.1.3 序列的平稳化实验结果 |
| 4.2 哈尔小波变换 |
| 4.2.1 哈尔小波概述 |
| 4.2.2 哈尔小波原理简介 |
| 4.2.3 哈尔小波分解 |
| 4.3 本章小结 |
| 第5章 负载预测实验分析 |
| 5.1 实验准备及数据预处理 |
| 5.1.1 模型评价方法 |
| 5.1.2 时间序列平稳化 |
| 5.2 负载预测模型 |
| 5.2.1 基于ARIMA的负载预测模型 |
| 5.2.2 基于神经网络的负载预测模型 |
| 5.2.3 基于SCNs的负载预测模型 |
| 5.3 实验结果分析 |
| 5.3.1 实验总结 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（6）基于多元泊松和时间序列模型的累积和控制图设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与研究目的 |
| 1.2 研究对象 |
| 1.3 文献综述 |
| 1.3.1 多元计数值控制图 |
| 1.3.2 整数值时间序列控制图 |
| 1.4 研究内容与论文结构 |
| 第2章 基于异协方差多元泊松模型的累积和控制图设计 |
| 2.1 多元泊松数据建模 |
| 2.1.1 等协方差多元泊松模型 |
| 2.1.2 异协方差多元泊松模型 |
| 2.2 GMP-CUSUM控制图设计方法 |
| 2.2.1 似然比检验和控制线求解方法 |
| 2.2.2 马尔可夫链方法求解ARL |
| 2.3 控制图的性能评估与比较 |
| 2.3.1 算例一的结果分析 |
| 2.3.2 算例二的结果分析 |
| 2.4 本章小结 |
| 第3章 基于多元泊松自回归时间序列的累积和控制图设计 |
| 3.1 多元泊松整数自回归时间序列模型 |
| 3.1.1 一维泊松一阶自回归时间序列 |
| 3.1.2 多元泊松一阶自回归时间序列 |
| 3.2 MP-INAR(1)控制图设计方法 |
| 3.3 控制图性能分析 |
| 3.3.1 仿真参数设定 |
| 3.3.2 参数组合对控制图性能的影响 |
| 3.4 本章小结 |
| 第4章 实例分析 |
| 4.1 GMP-CUSUM控制图在案例中的应用 |
| 4.2 GMPINAR-CUSUM控制图的实例分析 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（7）面向时间序列的古建筑室内环境预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及目的意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 第2章 相关理论技术 |
| 2.1 时间序列基本概念 |
| 2.2 差分自回归移动平均过程ARIMA |
| 2.3 循环神经网络RNN |
| 2.4 本章小结 |
| 第3章 基于ARIMA-PDQ模型的时间序列预测 |
| 3.1 数据预处理分析 |
| 3.1.1 完整性选择 |
| 3.1.2 异常数据清洗 |
| 3.1.3 变化趋势分析 |
| 3.2 ARIMA-PDQ模型 |
| 3.2.1 传统ARIMA模型分析 |
| 3.2.2 ARIMA模型参数改进算法 |
| 3.2.3 ARIMA-PDQ模型的检验 |
| 3.2.4 基于ARIMA-PDQ模型的时间序列预测算法 |
| 3.3 本章小结 |
| 第4章 基于LSTM-WB深度学习模型的时间序列预测 |
| 4.1 LSTM模型分析 |
| 4.2 基于LSTM模型的改进算法 |
| 4.2.1 LSTM网络训练过程的优化 |
| 4.2.2 随机梯度自适应SGAdagrad算法 |
| 4.3 基于LSTM-WB模型的时间序列预测算法 |
| 4.4 本章小结 |
| 第5章 实验设计及结果分析 |
| 5.1 实验环境 |
| 5.2 数据集说明 |
| 5.3 评价指标 |
| 5.4 基线方法 |
| 5.5 模型验证 |
| 5.5.1 ARIMA-PDQ模型验证分析 |
| 5.5.2 LSTM-WB模型验证分析 |
| 5.6 对比分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）时间序列特征的化工过程变量故障监测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 创新点 |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究意义和目的 |
| 1.3 国内外研究现状 |
| 1.3.1 过程数据降噪方法研究现状 |
| 1.3.2 间歇过程统计控制图研究现状 |
| 1.3.3 连续过程统计控制图研究现状 |
| 1.4 存在问题与不足 |
| 1.5 本文主要研究内容 |
| 1.6 技术路线图 |
| 第2章 基于EMD的化工过程数据在线降噪鲁棒方法研究 |
| 2.1 引言 |
| 2.2 基础方法概述 |
| 2.2.1 经验模态分解(EMD) |
| 2.2.2 小波阈值降噪原理 |
| 2.2.3 中值滤波 |
| 2.3 基于EMD的过程数据在线降噪鲁棒方法(OLREMD) |
| 2.4 模拟数据实例分析 |
| 2.4.1 灵敏度分析 |
| 2.4.2 单一特征的模拟数据降噪效果测试 |
| 2.4.3 复合特征的模拟数据降噪效果测试 |
| 2.4.4 分析与讨论 |
| 2.5 实际过程数据在线降噪测试 |
| 2.6 本章小结 |
| 第3章 基于CUSUM控制图的间歇过程变量趋势监控方法研究 |
| 3.1 引言 |
| 3.2 基础方法概述 |
| 3.2.1 函数型数据分析(FDA) |
| 3.2.2 动态区间规整(Dynamic Time Warping,DTW) |
| 3.2.3 k-means聚类法 |
| 3.2.4 累积和控制图(CUSUM控制图) |
| 3.3 监测间歇过程变量的趋势CUSUM控制图 |
| 3.3.1 基准间歇批次的预处理 |
| 3.3.2 异常工况的在线监测 |
| 3.4 案例分析 |
| 3.4.1 聚丙烯间歇生产仿真过程的案例分析 |
| 3.4.2 聚丙烯间歇生产实际过程的案例分析 |
| 3.5 本章小结 |
| 第4章 数据自相关下的连续过程Shewhart控制图监控方法研究 |
| 4.1 引言 |
| 4.2 时间序列数据 |
| 4.2.1 单变量时间序列 |
| 4.2.2 单变量时间序列的自相关性识别 |
| 4.2.3 多变量时间序列 |
| 4.2.4 多变量时间序列的自相关性识别 |
| 4.3 Shewhart控制图 |
| 4.3.1 控制图监控效果的评估指标 |
| 4.3.2 单变量Shewhart控制图 |
| 4.3.3 数据自相关性对单变量Shewhart控制图的影响分析 |
| 4.3.4 多变量Shewhart控制图 |
| 4.3.5 数据自相关性对多变量Shewhart控制图的影响分析 |
| 4.4 一种针对Shewhart控制图的无模型监控方法 |
| 4.4.1 阶段Ⅰ |
| 4.4.2 阶段Ⅱ |
| 4.5 案例分析 |
| 4.5.1 单变量Shewhart控制图案例分析 |
| 4.5.2 多变量Shewhart控制图案例分析 |
| 4.6 本章小结 |
| 第5章 数据自相关下单变量Shewhart控制图控制限设计研究 |
| 5.1 引言 |
| 5.2 修正Shewhart控制图 |
| 5.3 ARL_0和α的一般定量关系 |
| 5.3.1 自相关过程数据的ARL_0计算 |
| 5.3.2 全局条件报警概率的权重均值 |
| 5.4 AR(1)过程案例分析 |
| 5.4.1 局部条件报警概率的计算 |
| 5.4.2 针对AR(1)过程的Shewhart控制图控制限调整 |
| 5.4.3 分析与讨论 |
| 5.5 实际过程案例分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
| 学位论文数据集 |
（9）有偏分布自相关过程残差控制图的设计与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 研究意义 |
| 第2章 文献综述 |
| 2.1 控制图理论研究现状 |
| 2.2 控制图应用研究现状 |
| 2.3 总结 |
| 第3章 控制图概述及其有效性评价 |
| 3.1 休哈特控制图概述 |
| 3.1.1 引起质量变化的两类原因 |
| 3.1.2 常规控制图技术 |
| 3.1.3 控制图判断标准 |
| 3.2 自相关控制图概述 |
| 3.2.1 自相关过程及相关函数 |
| 3.2.2 ARMA模型 |
| 3.2.3 残差控制图理论概述 |
| 3.3 控制图的有效性评价标准 |
| 3.3.1 两类错误 |
| 3.3.2 平均运行链长(ARL)评价标准 |
| 3.4 休哈特控制图在有偏过程中的效果评价 |
| 3.4.1 随机模拟法 |
| 3.4.2 休哈特控制图在有偏过程中的效果评价 |
| 第4章 有偏分布自相关过程残差控制图理论体系构建 |
| 4.1 ARMA-GARCH型残差控制图 |
| 4.2 偏度系数法 |
| 4.3 有偏自相关残差控制图效果评价 |
| 第5章 有偏分布自相关过程残差控制图实证分析 |
| 5.1 样本选择标准 |
| 5.2 样本分类过程 |
| 5.2.1 平稳性检验 |
| 5.2.2 自相关性检验 |
| 5.2.3 ARCH-LM效应检验 |
| 5.2.4 残差序列正态性检验 |
| 5.3 有偏自相关过程残差控制图的应用过程 |
| 5.3.1 数据描述性统计分析 |
| 5.3.2 平稳性检验过程 |
| 5.3.3 自相关性检验过程 |
| 5.3.4 ARMA-GARCH模型构建 |
| 5.3.5 有偏自相关过程残差控制图模型构建 |
| 第6章 结论 |
| 6.1 主要研究成果 |
| 6.2 创新及研究展望 |
| 参考文献 |
| 附录 样本序列随机模拟和控制图有效性评价 |
| 在学期间发表的学术论文及研究成果 |
| 致谢 |
（10）基于多步预测误差的自相关过程统计质量控制（论文提纲范文）
| 0 引言 |
| 1 基于ARMA模型拟合的多步预测误差 |
| 2 多步预测误差的多变量控制图 |
| 3 监控性能对比分析 |
| 4 算例 |
| 5 结论和展望 |
四、残差EWMA-图对平稳自回归过程数据的检验能力（论文参考文献）
- [1]基于ARIMA-SVR组合模型的卫星遥测数据预测研究[D]. 顾昕雨. 中国科学院大学(中国科学院国家空间科学中心), 2021(01)
- [2]大规模时空序列的预测与模式识别[D]. 杨立宁. 上海交通大学, 2020(01)
- [3]基于通止规检测的自相关工艺控制图研究[D]. 程诚. 华南理工大学, 2020(02)
- [4]基于自相关过程的多元统计过程控制研究[D]. 王东菲. 天津科技大学, 2020(08)
- [5]云数据中心环境下集成工作负载预测方法研究[D]. 张立波. 北京工业大学, 2019(03)
- [6]基于多元泊松和时间序列模型的累积和控制图设计[D]. 龙威. 上海交通大学, 2019(06)
- [7]面向时间序列的古建筑室内环境预测方法研究[D]. 刘吉辉. 燕山大学, 2019(03)
- [8]时间序列特征的化工过程变量故障监测方法研究[D]. 马曦. 中国石油大学(北京), 2018
- [9]有偏分布自相关过程残差控制图的设计与应用[D]. 任冰. 北京工商大学, 2018(01)
- [10]基于多步预测误差的自相关过程统计质量控制[J]. 王海宇. 数理统计与管理, 2018(02)