结构主动控制系统时间滞后测量与补偿方法

本文研究了结构主动控制系统时间滞后产生的原因,利用作者建立的结构主动控制系统进行了系统时间滞后测量方法的研究,测量得到了该系统时间滞后的具体数值,在此基础上,研究了时间滞后对控制系统的影响,提出了结构主动控制系统时间滞后的三种补偿,即移相法,泰勒级数展开法和预估状态向量法,通过主动控制试验证了时间滞后补偿方法的有效性。     

长基线时间序列季节项提取和重构方法分析

运用经验模态分解（EMD）、集合经验模态分解（EEMD）和完备总体经验模态分解（CEEMD）3种方法对原始基线时间序列进行分解,得到各自时间序列的本征函数模态分量（IMF）、相关系数及周期性强度,进而确定其季节项分量,同时通过比较季节项和原始基线时间序列的叠加功率谱图优选分解方法。结果表明,CEEMD方法对基线时间序列季节项提取和重构效果最佳。     

综合物探在寻找矽卡岩型矿床中的应用

矽卡岩型多金属矿是我国重要的成矿类型之一,通常利用频谱激电(SIP)、瞬变电磁(TDEM)、可控源音频大地电磁(CSAMT)及高精度磁测等地球物理勘探方法,从直接和间接角度寻找这类矿床。该文介绍了以上方法的应用现状,探讨了物探方法在寻找矽卡岩型矿床中的有效性。     

遗传算法优化的BP神经网络卫星钟差预报

针对BP (Back Propagation)神经网络模型预测卫星钟差中权值和阈值的最优化问题, 提出了基于遗传算法优化的BP神经网络卫星钟差短期预报模型, 给出了遗传算法优化BP神经网络的基本思想、具体方法和实施步骤. 为验证该优化模型的有效性和可行性, 利用北斗卫星导航系统(BeiDou navigation satellite system, BDS)卫星钟差数据进行钟差预报精度分析, 并将其与灰色模型(GM(1,1))和BP神经网络模型预报的结果比较分析. 结果表明: 该模型在短期钟差预报中具有较好的精度, 优于GM(1,1)模型和BP神经网络模型.     

基于自适应时序剖分与KNN的短时交通流量预测

在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提。由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题。为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN（A-TS-KNN）的短时交通流量预测算法。① 基于动态时间规整（Dynamic Time Warping,DTW）动态剖分单日时序为不同的交通模式;② 在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③ 采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④ 采用K个最相似的近邻的距离倒数加权值作为预测结果。对比K近邻（K-nearest neighbors, KNN）、支持向量回归（Support vector regression,SVR）、长短期记忆神经网络（Long-short term memory neural network,LSTM）以及门控递归单元神经网络（Gate recurrent unit neural network,GRU）共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力。     

塔河油田3区石炭系超深薄层碎屑岩储层预测研究

针对塔河油田3区石炭系卡拉沙依组地震数据很难识别薄砂体的问题,对比分析了采用地震资料提频处理、分频处理、储层高分辨率敏感参数反演等不同手段得到的储层预测结果,筛选出高分辨率储层敏感参数反演作为卡拉沙依组砂泥岩段储层主要预测手段.通过探讨砂泥岩对声波时差的响应,以及对比分析自然电位、自然伽马以及补偿中子孔隙度与声波时差的关系,确定自然电位与声波时差的相关性最好,由此选取自然电位作为最佳电性敏感参数参与高分辨率敏感参数反演预测.从井点、剖面、平面等方面检验和评价高分辨率储层预测成果,结果表明其反演预测效果较好,符合塔河油田3区石炭系的储层预测要求,实现了对石炭系主力砂体空间展布的解释与描述,建立了塔河油田3区石炭系卡拉沙依组储层模型.     

BIBLIOGRAPHIE

Abstract

Time series modelling approaches are useful tools for simulating and forecasting hydrological variables and their change through time. Although linear time series models are common in hydrology, the nonlinear time series model, the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model, has rarely been used in hydrology and water resources engineering. The GARCH model considers the conditional variance remaining in the residuals of the linear time series models, such as an ARMA or an ARIMA model. In the present study, the advantages of a GARCH model against a linear ARIMA model are investigated using three classes of the GARCH approach, namely Power GARCH, Threshold GARCH and Exponential GARCH models. A daily streamflow time series of the Matapedia River, Quebec, Canada, is selected for this study. It is shown that the ARIMA (13,1,4) model is adequate for modelling streamflow time series of Matapedia River, but the Engle test shows the existence of heteroscedasticity in the residuals of the ARIMA model. Therefore, an ARIMA (13,1,4)-GARCH (3,1) error model is fitted to the data. The residuals of this model are examined for the existence of heteroscedasticity. The Engle test indicates that the GARCH model has considerably reduced the heteroscedasticity of the residuals. However, the Exponential GARCH model seems to completely remove the heteroscedasticity from the residuals. The multi-criteria evaluation for model performance also proves that the Exponential GARCH model is the best model among ARIMA and GARCH models. Therefore, the application of a GARCH model is strongly suggested for hydrological time series modelling as the conditional variance of the residuals of the linear models can be removed and the efficiency of the model will be improved.

Editor D. Koutsoyiannis; Associate editor C. Onof

Citation Modarres, R. and Ouarda, T.B.M.J., 2013. Modelling heteroscedasticty of streamflow times series. Hydrological Sciences Journal, 58 (1), 1–11.     

地磁低点位移法的改进

中低纬度地磁场平静太阳日变化Z分量的极小值出现的时刻常被用于地震预报,即"低点位移"法,但现有算法的时间格式和人工绘制突变界线的模式会产生较大的误差,本文在第一部分针对这些误差改进了原有算法.第一项是改进了地磁低点时间的格式,第二项是引入了Voronoi剖分技术替代人工画线.前者过滤了假的突变界线,消除了系统误差;后者建立了突变界线与地磁台网低点数据之间的解析关系,使它们一一对应,消除了随机误差.本文第二部分内容是提出了新的时间格式与数字化突变界线的计算公式,并用程序实现计算任务.本文第三部分内容是在对地磁台网的低点时间跟踪的过程中,捕捉到了甘肃省周边几次地震前的地磁低点位移现象,并分析这些案例,在结论中证明该方法的可靠性.     

深度学习预测GPS时间序列在探索门源MS6.4地震前兆中的应用

以2016-01-21门源M_S6.4地震为例,提出用深度学习预测的GPS时间序列研究地震前兆。用震中附近门源台（QHME）、民乐台（GSML）及古浪台（GSGL）无震时的GPS时间序列训练LSTM神经网络,得到高精度的GPS时间序列预测模型,再分别对该地区无震时和地震前一段时间的GPS时间序列进行回溯性预测。对比预测时间序列与真实时间序列发现,震前2条时间序列大部分的相似性指标比无震时低,说明震前预测时间序列与真实时间序列差异明显,同时考虑震前时间序列的趋势异常,认为出现了异常时段;3个台站分别在E、N、U方向出现多个异常日期,且不同台站具有相同的异常日期,说明探索到了地震前兆。