结合CEEMDAN的LSTM模型在滑坡变形预报中的应用

变形监测是工程安全监测必不可少的工作,高精度的变形预测预报能够为安全监测提供变形预警.随着对人工智能模型的深入研究,利用神经网络模型对变形时序数据进行预报的研究也逐渐增多.为研究神经网络模型在变形预测中的效果,将结合CEEMDAN的LSTM模型应用在滑坡变形预报中,通过实验比较其与单一LSTM模型、传统的ARMA模型以...     

LSTM神经网络模型在GPS变形监测中的应用研究

为提高GPS变形监测在工程应用中的精确度,研究LSTM神经网络在变形监测中的作用。分别利用建立的GM(1,1)模型和LSTM神经网络模型对GPS变形监测工程案例进行应用分析,与GM(1,1)模型相比LSTM神经网络模型预测误差降低幅度可达58%,相对误差降低幅度可达62%,RMSE值降低幅度为66%,结果说明LSTM神经网络模型较GM(1,1)模型有更高的预测精确度,预测结果更接近实际测量结果,深度学习的方法之一LSTM神经网络模型在GPS变形监测中有很高的应用价值。     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题，提出了一种LSTM(Long-Short Term Memory，长短时记忆)神经网络改进的DNN(Deep Neural Networks，深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分，LSTM神经网络通过记忆或遗忘进行数据流量特征提取，然后将其输入DNN进行训练、入侵检测．模型中采用优化算法，加快了网络收敛．实验表明，与LSTM模型相比，LSTM-DNN模型具有较好的性能，准确率更高，运行时间更短．     

LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

基于双流LSTM神经网络的股价趋势预测

股价波动研究依赖分析金融新闻数据集浅层特征，而忽略了金融新闻句子中单词之间的结构关系，从而导致股价波动预测研究效果不佳。针对该问题，提出了一种基于双流长短时记忆网络（long short term memory network, LSTM）神经网络的股价趋势预测模型（Sent2Vec-DLSTM）。该模型的创新之处在于：提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec；提出了新型的双流LSTM神经网络（Dual-stream LSTM, DLSTM）。在实验中，首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测，然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明，Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。     

一种融合双向LSTM和CNN的混合情感分析模型

针对现有文本情感分析方法实时性不强、难以应用到大规模文本、不能同时提取文本上下文信息和局部语义特征等问题，提出一种融合双向长短期记忆（LSTM）和卷积神经网络（CNN）的混合情感分析模型通过使用双向LSTM和CNN模型对由word2vec编码得到的文本词向量进行训练，运用注意力机制将双向LSTM模型学习到的特征作用于CNN模型上，并进行特征加权，最后将双向LSTM模型和CNN模型得到的结果进行拼接，由分类器得到相应的情感分类结果在NLPCC SCDL数据集上进行实验，结果表明所提出的融合双向LSTM和CNN模型在精度、召回、f1值和准确度方面优于两个单独的模型     

一种新的计算机病毒模型的稳定性分析

目前,网络中计算机病毒的威胁引起了对计算机病毒传播建模和分析的研究热潮.为了更好地反映实际情况,该文基于现有的SIR模式,提出一个新的计算机病毒传播模型.该模型主要考虑了多种状态下的预先免疫措施.同时,利用特征方程的特征值分布和线性微分系统对该模型在平衡点处的稳定性进行了讨论.理论分析和数值模拟表明,这一模型的动力学行为依赖于基本再生数,该模型可以帮助我们更好地了解和预测计算机病毒在网络中的传播行为.     

三阶隐马氏模型算法及其与一阶隐马氏模型的关系

为了考虑更多的统计特征,提出了一类三阶隐马氏模型,其中状态转移和输出观测同时取决于当前状态和前面两个状态. 研究和推导了这类三阶隐马氏模型中估值问题的向前－向后算法、解码问题的Viterbi算法和学习问题的Baum-Welch算法. 对此类三阶隐马氏模型,构造了一个与之等价的一阶隐马氏模型,提出并证明了它们的等价性定理. 研究结果丰富了隐马氏模型的算法理论,可为一些实际应用提供更好的方法.     

具有接种免疫的SIR传染病模型

在经典SIR模型的基础上构建了一种具有接种免疫的SIR传染病模型,利用数值分析的方法对其传播过程进行研究,通过理论分析证明其渐近稳定性.与传统的统计方法相比,利用该模型能够更好地了解流行过程中的一些全局性态.     

带随机参数的GARCH模型

引入随机环境对非线性时间序列GARcH模型干扰,将GARcH模型的常数参数拓广为参数是一马尔可夫链函数的MsGARCH模型.并讨论了该模型的极限行为,给出了该模型以几何速率收敛的充分条件.这种拓广能更好的拟合现实世界中的诸多实际问题.同时,推广了自回归条件异方差模型,增强了模型的适应性,能够更好的拟合金融市场中价格行为波动的现象.     

帽儿山红松人工林小尺度地表鞘翅目群落物种多度分布格局

分析土壤动物的多度分布格局及其影响因素,是土壤动物生态学研究的一个重要内容.生态位模型的应用极大的促进了群落生态过程及其调控机制的研究进展,然而针对小尺度时空下地表鞘翅目成虫群落多度分布格局的研究并不多见.在2017年5～8月,对帽儿山红松人工林地表鞘翅目成虫群落进行动态监测,运用5种生态位模型对群落进行拟合,以揭示小尺度空间地表鞘翅目群落结构与多度分布格局的时间动态特征.结果表明:四次调查共捕获地表鞘翅目成虫35种,2014只个体.帽儿山红松人工林小尺度地表鞘翅目成虫群落结构具有明显的时间变异性,但群落物种多度分布格局具有时间稳定性.在所有调查月份生态位优先模型与断棍模型的拟合效果最好,是模拟红松人工林小尺度空间地表鞘翅目成虫群落的最优多度模型.     

基于季节性ARIMA模型的入境旅游市场预测模型构建

基于1999～2015年中国入境旅游人数的月度数据,构建季节性ARIMA模型,并进行比较和检验.实证研究表明,ARIMA(12,1,1)(1,1,0)12模型的精度和准确度更好,为中国入境旅游市场的最优预测模型,可以帮助相关部门预测未来走势并制定相关政策措施.     

基于深度学习的金融文书摘要自动生成研究与实现

金融文书的自然语言处理是目前金融科技领域的研究热点,相关研究大多数着眼于传统的分词和基于机器学习的语义场景分析这种有监督的学习方法,难以满足当前金融监管行业快速处理金融文本的需求。针对这一问题,本文构建了一个基于多层LSTM的中文金融文书摘要自动生成算法框架,通过Seq2Seq模型,基于注意力机制的强化学习框架,发现最优策略,对文本进行编码、解码,从LSTM编码器中抽取文本序列并输出摘要。实验结果表明,多层LSTM结构相比传统RNN的ROUGE值更高,具有较好的学习能力。     

装载机销售量的非等间距Verhulst直接模型研究

研究了装载机销售量的非等间距Verhulst GM(1,1)直接模型,该模型不需要累加生成和累减生成,适合于等间距数据建模,也适合于非等间距建模.计算实例表明,该预测模型有更好的适应性和更高的精度,使用方便,值得在装载机销售量预测中推广使用.     

利用显著性的点云模型客观质量评价

点云模型质量的客观评价是三维几何模型研究中不可或缺的工作. 根据显著性能够较好地反映人类视觉系统的特点,提出以点的法向量与其邻域点法向量的差异作为该点的显著性计算依据,利用原始点云模型和处理后点云模型在显著性上的差异判断点云模型质量的变化,实现点云模型的质量评价. 实验结果表明,所提出的客观评价模型和主观的人工评价得出的结果基本一致,且比信噪比方法更能体现人的视觉感知.     

四个统计学预报模型对比分析

利用临河(53513)2014年3月11日至12月26日的地面观测资料和T639数值模式、欧洲中心细网格(ECTHIN)数值模式、中央指导预报、德国天气在线预报等预报结果通过平均误差、绝对平均误差和均方根误差来建立统计学最佳预报模型、预报准确率权重预报模型天气跟踪预报模型和天气学解释模型,并对统计学模型进行检验,结果表明:最高气温、最低气温预报整体效果较好,24h 2℃最高气温预报准确率,最佳预报模型为85.91%,预报准确率权重模型为82.13%,天气跟踪模型为83.47%,天气学解释模型为80.07%,指导预报为为79.04%;24h 2℃最低气温预报准确率,最佳预报模型为75.95%,预报准确率权重模型为74.57%,天气跟踪模型为72.51%,天气学解释模型为65.29%,指导预报为59.9%。     

基于熵值法和线性加权模型的承德市新型城镇化路径研究

基于承德市2006—2015年的时间序列数据,采用熵值法和线性加权模型对其新型城镇化路径进行实证研究.结果表明,环保、经济、人类系统和社会建设水平在推进新型城镇化进程中所占地位和影响力度不同.其中人类系统发展水平是加速新型城镇化进程的主要因素和薄弱环节,特别是户籍人口城镇化率和常住人口城镇化率影响最为突出.     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。     

福里得曼宇宙模型分类

<正> 近年来宇宙学的研究十分活跃。人类受好奇心和求知欲的驱使,自有史以来就不断探索宇宙的奥秘。只是到了二十世纪出现了广义相对论之后,人们才获得了探索宇宙构造的思想(?)方法和理论工具。加之科学技术的发展,使人类的观测手段日益精良,遂使宇宙学的研究日益活跃起来。 宇宙学是研究宇宙的发生,发展和运动的科学。为了便于研究,首先必须建立一个模型,Einstein于1917年第一个尝试建立宇宙模型。他建立了一个静止的、有限但无边的宇宙     

基于改进型不透水表面指数的城市V-I-S特征研究——以兰州市为例

为了更好的利用光谱指数特征对城市V-I-S地表覆被格局特征进行研究,在深入分析研究区基本组分地表覆被类型特征后,通过创建改进型归一化差值不透水表面指数(MNDISI),并结合改进型归一化差异水体指数(MNDWI)、土壤调节植被指数(SAVI),以及不同地表覆被类型在近红外和短波红外波段的平均反射率值等六组参数作为主要特征,基于Landsat TM影像,在面向对象的最邻近分类器中进行城市V-I-S基本组分地表覆被类型信息的提取与分类,精度评价得出生产者精度、用户精度、总体精度和Kappa系数分别达到92.5%、88.4%、87.5%和0.85以上.结果证明该方法实现了大范围区域城市V-I-S基本组分地表覆被类型信息和格局特征的自动准确提取.