期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
5
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
高速网络业务尾分布的参数估计
1
作者
薄今纲
刘嘉焜
+1 位作者
任力
罗晓光
《天津大学学报(自然科学与工程技术版)》
EI
CAS
CSCD
北大核心
2003年第4期414-417,共4页
在高速网络控制与带宽分配研究中,网络业务尾分布分析是一个重要问题.利用大偏差理论对网络分数自回归整合滑动平均(FARIMA)业务队列尾分布进行分析,得出队列尾分布渐近服从Weibull分布.给出了一个基于Markov过程平稳分布的参数估计方法...
在高速网络控制与带宽分配研究中,网络业务尾分布分析是一个重要问题.利用大偏差理论对网络分数自回归整合滑动平均(FARIMA)业务队列尾分布进行分析,得出队列尾分布渐近服从Weibull分布.给出了一个基于Markov过程平稳分布的参数估计方法.最后对Bell实验室实测数据进行了实证分析.
展开更多
关键词
网络业务
尾分布
参数估计
拥塞控制
带宽分配
分数自回归整合滑动平均
WEIBULL分布
MARKOV过程
在线阅读
下载PDF
职称材料
基于FARIMA模型的流量抽样测量方法
被引量:
6
2
作者
潘乔
罗辛
+1 位作者
王高丽
裴昌幸
《计算机工程》
CAS
CSCD
北大核心
2010年第15期7-8,11,共3页
目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方...
目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。
展开更多
关键词
网络测量
流量抽样
自回归
分数
整合
滑动
平均
模型
流量预测
在线阅读
下载PDF
职称材料
应用乘积季节ARIMA模型的话务量预测及结果分析
被引量:
5
3
作者
于艳华
王军
宋俊德
《计算机工程与应用》
CSCD
北大核心
2009年第20期99-102,共4页
话务量预测功能对于电信网络规划建设、网络优化意义重大。深入研究了某省某移动网络运营商的多年的话务量数据,利用自相关函数对其周期性和趋势性方面的规律进行了探测,并在此基础上提出应用乘积季节ARIMA模型进行建模和预测的方案。...
话务量预测功能对于电信网络规划建设、网络优化意义重大。深入研究了某省某移动网络运营商的多年的话务量数据,利用自相关函数对其周期性和趋势性方面的规律进行了探测,并在此基础上提出应用乘积季节ARIMA模型进行建模和预测的方案。进行了2008年7月到12月的全省及各地区月日均话务量的预测,并与网络实际运营结果进行了比较。所应用方法的一步预测值平均绝对百分比误差MAPE为1.382%,6步预测的MAPE值均在6%以内,是精确度很高的预测;对预测误差较大的某地区进行了原因分析,证明了模型的正确性,并为实际预测应用中经常遇到的预测误差偏大的问题提供了一种有效的分析思路和方法。
展开更多
关键词
自回归
整合
滑动
平均
(ARIMA)
乘积季节ARIMA
自相关函数
相关系数
话务量
在线阅读
下载PDF
职称材料
一类基于FARIMA过程的电梯导轨振动模型
4
作者
安德洪
丁春蕾
+1 位作者
刘嘉焜
许树荆
《机械设计》
CSCD
北大核心
2004年第4期31-33,41,共4页
研究电梯运行中导轨的随机振动时 ,将电梯运行中测得的导轨间距离DGB看作一时间序列 ,发现具有长相关性。常用的整数自回归模型、分数噪声模型都只能片面地描述该类数据的短相关性或长相关性。给出了利用FARIMA(自回归分数整合滑动平均...
研究电梯运行中导轨的随机振动时 ,将电梯运行中测得的导轨间距离DGB看作一时间序列 ,发现具有长相关性。常用的整数自回归模型、分数噪声模型都只能片面地描述该类数据的短相关性或长相关性。给出了利用FARIMA(自回归分数整合滑动平均模型 )拟合DGB的方法 ,该模型可同时刻画实测数据DGB的长相关和短相关特性 ,并通过对实测数据的实验 ,证明了模型的优效性。
展开更多
关键词
电梯
导轨
随机振动
长相关性
整数
自回归
模型
自回归
分数
整合
滑动
平均
模型
FARIMA
在线阅读
下载PDF
职称材料
结合混沌的长相关锂电池寿命预测方法
被引量:
2
5
作者
王海洋
宋万清
《传感器与微系统》
CSCD
北大核心
2021年第7期32-34,共3页
提出了一种结合混沌理论的分数自回归滑动平均(FARIMA)模型的锂电池剩余寿命预测方法。首先在利用模型预测之前,先通过计算锂电池的Lyapunov指数给出其剩余寿命的最大可预测时间尺度;并介绍FARIMA模型的基本原理并给出判断模型长相关性...
提出了一种结合混沌理论的分数自回归滑动平均(FARIMA)模型的锂电池剩余寿命预测方法。首先在利用模型预测之前,先通过计算锂电池的Lyapunov指数给出其剩余寿命的最大可预测时间尺度;并介绍FARIMA模型的基本原理并给出判断模型长相关性重要参数-Hurst指数(H)的计算。然后给出RUL预测的定义,具体过程与形式。最后本文选择锂电池电池容量退化数据模型作为预测对象,代入FARIMA模型给出RUL预测结果。
展开更多
关键词
LYAPUNOV指数
剩余寿命预测
分数自
回归
滑动
平均
HURST指数
在线阅读
下载PDF
职称材料
题名
高速网络业务尾分布的参数估计
1
作者
薄今纲
刘嘉焜
任力
罗晓光
机构
天津大学管理学院
天津大学理学院刘徽应用数学中心
南京邮电学院通信工程系
出处
《天津大学学报(自然科学与工程技术版)》
EI
CAS
CSCD
北大核心
2003年第4期414-417,共4页
基金
国家自然科学基金资助项目(重大90104015)
IBMSUR
+1 种基金
南开大学天津大学刘徽应用数学中心资助项目(T08)
天津移动通信有限责任公司资助项目.
文摘
在高速网络控制与带宽分配研究中,网络业务尾分布分析是一个重要问题.利用大偏差理论对网络分数自回归整合滑动平均(FARIMA)业务队列尾分布进行分析,得出队列尾分布渐近服从Weibull分布.给出了一个基于Markov过程平稳分布的参数估计方法.最后对Bell实验室实测数据进行了实证分析.
关键词
网络业务
尾分布
参数估计
拥塞控制
带宽分配
分数自回归整合滑动平均
WEIBULL分布
MARKOV过程
Keywords
fractional autoregressive integrated moving average
large deviation
Markov process
estimation of parameters
分类号
TP393.01 [自动化与计算机技术—计算机应用技术]
O212.1 [理学—概率论与数理统计]
在线阅读
下载PDF
职称材料
题名
基于FARIMA模型的流量抽样测量方法
被引量:
6
2
作者
潘乔
罗辛
王高丽
裴昌幸
机构
东华大学计算机科学与技术学院
西安电子科技大学综合业务网国家重点实验室
出处
《计算机工程》
CAS
CSCD
北大核心
2010年第15期7-8,11,共3页
基金
国家自然科学基金资助项目(60572147)
文摘
目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。
关键词
网络测量
流量抽样
自回归
分数
整合
滑动
平均
模型
流量预测
Keywords
network measurement
traffic sampling
Fractal Auto Regression Integrated Moving Average(FARIMA) model
traffic prediction
分类号
TP393 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
应用乘积季节ARIMA模型的话务量预测及结果分析
被引量:
5
3
作者
于艳华
王军
宋俊德
机构
北京邮电大学计算机科学与技术学院
出处
《计算机工程与应用》
CSCD
北大核心
2009年第20期99-102,共4页
基金
国家"十一五"科技支撑计划No.2006BAH02A03~~
文摘
话务量预测功能对于电信网络规划建设、网络优化意义重大。深入研究了某省某移动网络运营商的多年的话务量数据,利用自相关函数对其周期性和趋势性方面的规律进行了探测,并在此基础上提出应用乘积季节ARIMA模型进行建模和预测的方案。进行了2008年7月到12月的全省及各地区月日均话务量的预测,并与网络实际运营结果进行了比较。所应用方法的一步预测值平均绝对百分比误差MAPE为1.382%,6步预测的MAPE值均在6%以内,是精确度很高的预测;对预测误差较大的某地区进行了原因分析,证明了模型的正确性,并为实际预测应用中经常遇到的预测误差偏大的问题提供了一种有效的分析思路和方法。
关键词
自回归
整合
滑动
平均
(ARIMA)
乘积季节ARIMA
自相关函数
相关系数
话务量
Keywords
Autoregressive Integrated Moving Average (ARIMA)
muhiplicative seasonal Autoregressive Integrated Moving Average
autocorrelation function
correlation coefficient
traffic
分类号
TN915.07 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
一类基于FARIMA过程的电梯导轨振动模型
4
作者
安德洪
丁春蕾
刘嘉焜
许树荆
机构
天津大学管理学院
天津大学理学院
天津市华苑电力有限公司
出处
《机械设计》
CSCD
北大核心
2004年第4期31-33,41,共4页
基金
南开大学天津大学刘徽应用数学中心资助项目 (T0 8)
天津市华苑电力有限公司资助项目
文摘
研究电梯运行中导轨的随机振动时 ,将电梯运行中测得的导轨间距离DGB看作一时间序列 ,发现具有长相关性。常用的整数自回归模型、分数噪声模型都只能片面地描述该类数据的短相关性或长相关性。给出了利用FARIMA(自回归分数整合滑动平均模型 )拟合DGB的方法 ,该模型可同时刻画实测数据DGB的长相关和短相关特性 ,并通过对实测数据的实验 ,证明了模型的优效性。
关键词
电梯
导轨
随机振动
长相关性
整数
自回归
模型
自回归
分数
整合
滑动
平均
模型
FARIMA
Keywords
stochastic vibration
long dependence
integer autoregressive model
fractional autoregressive integration moving average (FARIMA) model
分类号
TU857 [建筑科学]
TH113.1 [机械工程—机械设计及理论]
在线阅读
下载PDF
职称材料
题名
结合混沌的长相关锂电池寿命预测方法
被引量:
2
5
作者
王海洋
宋万清
机构
上海工程技术大学电子电气工程学院
出处
《传感器与微系统》
CSCD
北大核心
2021年第7期32-34,共3页
文摘
提出了一种结合混沌理论的分数自回归滑动平均(FARIMA)模型的锂电池剩余寿命预测方法。首先在利用模型预测之前,先通过计算锂电池的Lyapunov指数给出其剩余寿命的最大可预测时间尺度;并介绍FARIMA模型的基本原理并给出判断模型长相关性重要参数-Hurst指数(H)的计算。然后给出RUL预测的定义,具体过程与形式。最后本文选择锂电池电池容量退化数据模型作为预测对象,代入FARIMA模型给出RUL预测结果。
关键词
LYAPUNOV指数
剩余寿命预测
分数自
回归
滑动
平均
HURST指数
Keywords
Lyapunov exponent
remaining useful life prediction
fractional auto-regressive moving average(FARIMA)
Hurst exponent
分类号
TP202 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
高速网络业务尾分布的参数估计
薄今纲
刘嘉焜
任力
罗晓光
《天津大学学报(自然科学与工程技术版)》
EI
CAS
CSCD
北大核心
2003
0
在线阅读
下载PDF
职称材料
2
基于FARIMA模型的流量抽样测量方法
潘乔
罗辛
王高丽
裴昌幸
《计算机工程》
CAS
CSCD
北大核心
2010
6
在线阅读
下载PDF
职称材料
3
应用乘积季节ARIMA模型的话务量预测及结果分析
于艳华
王军
宋俊德
《计算机工程与应用》
CSCD
北大核心
2009
5
在线阅读
下载PDF
职称材料
4
一类基于FARIMA过程的电梯导轨振动模型
安德洪
丁春蕾
刘嘉焜
许树荆
《机械设计》
CSCD
北大核心
2004
0
在线阅读
下载PDF
职称材料
5
结合混沌的长相关锂电池寿命预测方法
王海洋
宋万清
《传感器与微系统》
CSCD
北大核心
2021
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部