隧道时间序列模式分析及应用

摘要

近几年,随着隧道高速公路的发展,建设安全可靠和智能化的隧道高速公路成为发展的重点。隧道通风控制系统中传感器采集到的环境数据,因其含有大量有价值信息逐渐被重视。本文从时间序列趋势预测和时间序列单变量预测两个方向入手对隧道环境数据进行预测研究。
　　首先,论文对各种聚类方法和相似度度量方法进行了研究,重点研究了基于划分的K-means聚类算法。针对K-means算法中难以根据数据特性选择聚类数量、随机选择初始聚类中心、样本重新分类比较次数过多导致时间复杂度偏高的缺陷,论文引入K-dist图、密度分布、样本快速重新分类对K-means算法进行改进,给出一种基于密度分布的自适应聚类算法,并对隧道烟雾浓度时序数据进行聚类。通过仿真与实验,表明基于密度分布的自适应聚类算法能够达到自适应计算聚类数量并且性能优于K-means算法。
　　其次,论文对时序模式匹配算法进行了研究,重点研究了动态子序列匹配算法。针对匹配算法处理过程中使用极值点近似表示、使用拐点近似表示等处理手段造成大量重要时序数据损失,论文引入了上下界概念和Haar小波转换,给出一种基于快速修剪的超标模式匹配算法;该算法能够利用超标数据对超标模式进行快速修剪、快速匹配并且能够保留超标模式中的重要时序数据。通过仿真实验,表明该算法能够快速的对超标数据进行匹配,降低算法时间复杂度并且能够提高匹配正确率。
　　最后,论文对时间序列单变量预测算法进行了研究,重点研究了递归神经网络——回声状态网络。针对回声状态网络输入层和隐含层权值矩阵动态随机性的缺陷,论文给出一种简单、行之有效的固定输入层和隐含层权值矩阵拓扑结构;并且引入集成学习思想,给出了一种集成学习模型。通过仿真实验,表明论文给出的两种改进算法具有较好的正确性和可行性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章绪论

1.1研究背景

1.2 国内外研究现状

1.3 论文主要研究内容与章节安排

第二章时间序列预测技术与相关技术研究

2.1聚类算法相关技术

2.2 模式匹配算法相关技术

2.3 递归神经网络算法相关技术

2.4本章小结

第三章基于密度分布的自适应聚类算法SAK

3.1 聚类算法与K-dist图

3.2 基于密度分布的自适应聚类算法SAK

3.3仿真实验及结果分析

3.5 x 10

3.4本章小结

第四章基于快速修剪算法的模式匹配

4.1动态模式匹配相关技术

4.2 基于小波的超标模式处理技术

4.3 超标模式匹配技术

4.4 本章小结

第五章基于回声状态网络的改进预测算法

5.1回声状态网络

5.2回声状态网络的改进算法

5.3 基于组合算法的回声状态网络时序预测

5.4 本章小结

第六章总结与展望

致谢

参考文献

在读期间的研究成果