本文關(guān)鍵詞： 時間序列預(yù)測 深度置信網(wǎng)絡(luò) 融合預(yù)測 軸承 鋰電池　出處：《哈爾濱工業(yè)大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著物聯(lián)網(wǎng)和大數(shù)據(jù)處理技術(shù)的快速發(fā)展,時間序列數(shù)據(jù)的獲取變得更加方便快捷,與此同時時間序列數(shù)據(jù)逐漸呈現(xiàn)出大數(shù)據(jù)量、高復(fù)雜度和高非線性的特點,因此傳統(tǒng)的時間序列預(yù)測方法已經(jīng)逐漸無法滿足當前時代下的預(yù)測要求。為了從大量時間序列數(shù)據(jù)中快速的提取出有用信息,研究面向復(fù)雜時間序列的新預(yù)測技術(shù)變得愈加重要。深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)作為深度學習的主要算法之一,以其強大的特征提取和函數(shù)表征能力以及在處理高復(fù)雜度的非線性數(shù)據(jù)等方面的優(yōu)勢,已經(jīng)在圖像分類、語音識別和故障診斷等領(lǐng)域得到了全面的推廣,但是在時間序列領(lǐng)域,尤其是預(yù)測中的研究及應(yīng)用還遠遠不夠。因此本文以解決目前時間序列預(yù)測領(lǐng)域存在的問題為出發(fā)點,例如針對復(fù)雜問題難以建立準確物理模型以及時間序列函數(shù)關(guān)系難以表征等問題,對基于DBN的數(shù)據(jù)驅(qū)動預(yù)測技術(shù)展開了深入的研究。本文首先在分析DBN基本原理的基礎(chǔ)上,提出了基于DBN的時間序列預(yù)測模型,并對模型的框架及流程進行了詳細的說明。同時為了探究DBN網(wǎng)絡(luò)參數(shù)對預(yù)測結(jié)果的影響,分別從輸入節(jié)點數(shù)、網(wǎng)絡(luò)層數(shù)和隱層節(jié)點數(shù)這三個角度進行了研究,并利用標準數(shù)據(jù)集對DBN與傳統(tǒng)時間預(yù)測算法進行了性能對比。其次為了進一步剖析基礎(chǔ)DBN算法在實際應(yīng)用場合下的預(yù)測性能,研究中以預(yù)測與健康管理(Prognostics and Health Management,PHM)2012挑戰(zhàn)賽(軸承健康狀態(tài)預(yù)測)為背景,分別從單步預(yù)測、多步預(yù)測和剩余壽命預(yù)測三個層面對DBN預(yù)測性能進行深入的研究。最后針對基礎(chǔ)DBN算法長期預(yù)測精度欠佳以及缺乏不確定度表達的問題,將相關(guān)向量機(Relevance Vector Machine,RVM)作為DBN模型的預(yù)測層,提出了基于DBN和RVM融合的時間序列預(yù)測方法,并將該融合算法應(yīng)用到馬里蘭大學鋰電池剩余壽命預(yù)測中,從而對融合算法的性能進行驗證及分析。研究結(jié)果表明,與傳統(tǒng)時間序列預(yù)測方法相比,基礎(chǔ)DBN更適合預(yù)測高維度高復(fù)雜度的數(shù)據(jù),并且具備優(yōu)異的短期預(yù)測性能,但長期預(yù)測性能一般且預(yù)測結(jié)果無法給出不確定度表達。本文提出的基于DBN和RVM的融合算法不僅提高了其長期預(yù)測性能,而且使預(yù)測結(jié)果具備了不確定度表達能力,使其在實際應(yīng)用中更具有科學價值。
[Abstract]:With the rapid development of Internet of things and big data processing technology, the acquisition of time series data becomes more convenient and faster. At the same time, time series data gradually show the characteristics of large amount of data, high complexity and high nonlinearity. Therefore, the traditional time series prediction method has been unable to meet the prediction requirements in the present era. In order to extract useful information quickly from a large number of time series data, It is becoming more and more important to study new prediction techniques for complex time series. Deep Belief Network (DBN) is one of the main algorithms for depth learning. Because of its strong ability of feature extraction and function representation, and its advantages in dealing with nonlinear data with high complexity, it has been widely used in image classification, speech recognition and fault diagnosis, but in the field of time series. Especially, the research and application of prediction is far from enough. Therefore, this paper takes the existing problems in the field of time series prediction as the starting point. For example, it is difficult to establish accurate physical model for complex problems and the relationship of time series functions is difficult to be represented. The data-driven prediction technology based on DBN is deeply studied in this paper. Firstly, based on the analysis of the basic principles of DBN, A time series prediction model based on DBN is proposed, and the framework and flow of the model are explained in detail. In order to explore the influence of DBN network parameters on the prediction results, the number of input nodes is analyzed respectively. The network layer number and hidden layer node number are studied, and the performance of DBN is compared with the traditional time prediction algorithm by using standard data set. Secondly, the prediction performance of the basic DBN algorithm in practical applications is analyzed. In this study, the prediction and health management and Health management challenge (bearing health state prediction) was used to predict the health status of the bearing in a single step. The performance of DBN prediction is studied in three aspects: multistep prediction and residual life prediction. Finally, the long term prediction accuracy of the basic DBN algorithm and the lack of uncertainty representation are discussed. The correlation vector machine (Relevance Vector Machine) is used as the prediction layer of the DBN model. A time series prediction method based on the fusion of DBN and RVM is proposed, and the fusion algorithm is applied to predict the residual life of the lithium battery at the University of Maryland. As a result, the performance of the fusion algorithm is verified and analyzed. The results show that compared with the traditional time series prediction method, the basic DBN is more suitable for predicting high-dimensional and high-complexity data, and has excellent short-term prediction performance. However, the long-term prediction performance is general and the prediction results can not be expressed with uncertainty. The fusion algorithm based on DBN and RVM not only improves the long-term prediction performance, but also makes the prediction results have the ability to express uncertainty. It has more scientific value in practical application.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：O211.61

【相似文獻】

相關(guān)期刊論文 前10條

1 張明席,胡成群;可進行擇優(yōu)決策的時間序列預(yù)報方法[J];氣象;1989年06期

2 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結(jié)果[J];應(yīng)用數(shù)學學報;1990年01期

3 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

4 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預(yù)測[J];遼寧工程技術(shù)大學學報(自然科學版);1999年03期

5 溫品人;時間序列預(yù)測法的實際應(yīng)用分析[J];江蘇廣播電視大學學報;2001年06期

6 許清海;混沌投資時間序列的嬗變[J];漳州師范學院學報(自然科學版);2003年01期

7 程毛林;時間序列系統(tǒng)建模預(yù)測的一種新方法[J];數(shù)學的實踐與認識;2004年08期

8 高潔;長記憶時間序列適應(yīng)性預(yù)測的應(yīng)用[J];江南大學學報;2004年05期

9 高潔;孫立新;;長記憶時間序列的適應(yīng)性預(yù)測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

10 楊鐘瑾;;淺談時間序列的分析預(yù)測[J];中國科技信息;2006年14期

相關(guān)會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預(yù)報方法及其應(yīng)用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術(shù)年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預(yù)測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術(shù)年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法[A];第十五屆中國管理科學學術(shù)年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術(shù)論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

相關(guān)重要報紙文章 前5條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預(yù)計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

相關(guān)博士學位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學中的應(yīng)用[D];復(fù)旦大學;2014年

2 張德成;滑坡預(yù)測預(yù)報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復(fù)雜網(wǎng)絡(luò)之間等價性問題及表征應(yīng)用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關(guān)性及信息熵分析[D];北京交通大學;2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學;2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學;2015年

9 胡建明;基于正則化核學習模型的時間序列多步預(yù)測的研究與應(yīng)用[D];蘭州大學;2016年

10 黃標兵;回聲狀態(tài)網(wǎng)絡(luò)時間序列預(yù)測方法及應(yīng)用研究[D];吉林大學;2017年

相關(guān)碩士學位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預(yù)測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預(yù)測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預(yù)測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標研究[D];中國地質(zhì)大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

，

本文編號：1530205