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。     

基于分解的自适应差分进化识别光伏模型参数

为了快速、准确和可靠地识别不同环境条件下光伏模型参数,提出了一种基于分解的改进自适应差分进化（improved adaptive differential evolution with decomposition,IADE-D）算法。在IADE-D中,首先提出了一种未知参数分解技术来降低问题的维度,减少问题的复杂性。然后提出一种改进自适应差分进化算法用于求解分解后的未知参数。为了验证所提算法的有效性,将其用于一种基于单二极管的光伏面板模型参数识别。仿真结果表明,与现有先进算法相比,IADE-D算法在准确性和可靠性上更具有竞争力。因此,可以考虑将IADE-D作为一种有效的光伏模型参数识别方法。     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

基于博弈论和粒子群优化的移动边缘计算任务卸载方法

移动边缘计算（mobile-edge computing, MEC）是一种新兴的计算范式,移动设备可以通过将计算密集型任务卸载到边缘服务器上来降低本地计算能耗和计算时延。首先,该文研究了在微蜂窝基站密集区域场景下的多移动设备独立任务集计算卸载问题,其中每个微蜂窝基站配备了一个计算性能有限的MEC服务器。为了尽可能地降低移动设备的任务集计算能耗和计算时延,使用博弈论的方法将该问题建模为一个非合作多移动设备计算卸载策略博弈。通过对该博弈的分析,证明了其纳什均衡的存在性和有限改进性。然后,设计了一个基于博弈论的分布式计算卸载算法（game theory based distributed computation offloading algorithm, GDCOA）,并在GDCOA中引入了一个基于粒子群优化（particle swarm optimization, PSO）的移动设备任务集卸载策略改进算法（PSO based improving computation offloading policy algorithm, PSOIPA）。GDCOA在有限次迭代后可以达到一个均衡状态。最...     

基于RBF神经网络的总产值预测模型研究

介绍了径向基函数（RBF）神经网络的工作原理和训练算法．根据生产总值与投资分配之间存在的映射关系，应用RBF神经网络建立了投资预测模型，并进行了仿真试验．与BP模型相比，该模型在预测精度和收敛速度方面具有显著的优点．结果表明，用RBF神经网络进行投资预测得到了十分满意的结果．     

一种基于BC RBFNN的高填路堤地基沉降预测模型

针对高填路堤地基沉降难以预测这一技术难题,对其影响地基沉降的主要因素进行了分析,根据各因素之间存在的高度非线性, 结合BCRBFNN（基于聚类分析径向基函数神经网络）非线性拟合的特点, 提出一种基于BCRBNN模型对高填方地基沉降进行预测.运用施工期路基沉降实测资料,对神经网络模型进行学习、训练和仿真, 得出仿真值与实测值非常相似, 从而得出基于BCRBFNN模型在高填路堤地基沉降预测中具有很好的实用效率.     

基于MILP的云计算数据中心扩张策略优化模型

随着云计算系统的日益发展,云服务提供商需要对大规模数据中心进行不断扩张,为此,提出一种基于混合整数线性规划(MILP)的数据中心扩张策略优化模型.综合考虑了流量负载、能耗、电力成本、土地成本、税率、服务器利用率等多种约束,构建MILP模型,在满足用户的服务级别协议(SLA)下,求解最优扩张策略,使服务商利润最大化.其中,扩张策略包括扩建现有数据中心和在何时何地新建数据中心等措施.仿真实验结果表明,该模型能够根据实际情况获得最优扩张策略,提高了利润.     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分，从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵，其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重，结合用户评分数据经过降噪自编码神经网络训练，得到用户-项目预测评分，然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明，所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据，具有较高的推荐准确率.     

基于多元线性回归模型的建筑能耗预测与建筑节能分析

针对城市建筑能耗的节约与有效利用,提出一种基于多元线性回归模型(MLRP)的建筑能耗预测与建筑节能分析模型.以天然气和电力为能耗目标,将建筑类型、建筑年代、占地面积和居住人数等参数作为输入特征,利用多元线性回归模型分析出对能耗具有显著性影响的因素,并预测整个区域的能耗.另外,通过该预测模型,可以评估实施改善措施后建筑的节能潜力.实验给出了各种场景下的建筑节能潜力,分析结果表明,提出的预测模型能够精确预测区域能耗.     

基于卷积神经网络和投票机制的轨道板裂缝检测

现有的检测方法对轨道板细微裂缝和夜间拍摄的裂缝图像存在误检和漏检的现象,为此提出了一种基于卷积神经网络的改进方法。将特征图分组后用注意力机制强化各组向量的特征表达,以动态聚合弱分类器预测结果的方式得到最终的裂缝置信度。借助投票机制有效降低最终的预测偏差,提升模型的鲁棒性。实验结果表明：该改进方法在减少模型参数的情况下,在裂缝数据集上的准确率提升1.6%,在CIFAR-10数据集上的准确率提升2.8%。     

神经网络在国内旅游人数预测中的应用

针对国内旅游人数预测研究了旅游人数的影响因素,讨论了输入层、隐含层、输出层等神经元的设置及网络训练的参数,综合考虑训练精度、训练时间、泛化能力等条件,动量—自适应学习速率调整算法是适合国内旅游人数预测的,并基于动量—自适应学习速率调整算法建立了神经网络模型;将模型应用于国内旅游人数预测系统,结果表明,该算法具有较好的准确性和鲁棒性,利用神经网络模型预测国内旅游人数是可行的.     

基于Windows 2003 Server的负载均衡技术

负载均衡技术是提高服务器工作能力和效率的关键技术。目前存在的负载均衡技术各有优点,而服务器群集化使得网络负载均衡能力得到极大改善,在Windows2003Server中集成了基于服务器群集化的网络负载均衡功能,该系统易于操作实现。     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

函数联接神经网络在电力系统短期在线负荷预报中的应用

提出了２个新的用于帝时在线短期负荷预报的函数联接神经网络（ＦＬＮ）模型,２个模型都把负荷与气象参数结合起来的构成非线性ＡＲＭＡ过程,并应用ＦＬＮ的函数逼近能力获得了２个模型的参数,测试与在线操作表明２个模型的预测效果是令人满意的,２４ｈ向前负荷预报的平均绝绎百分误差ＭＡＰＥ）对ＨＥＬＮ来说几乎都在３％以下,而ＤＦＬＮ来说几乎都在５％以下。     

样本量变化对上证指数预测精度的影响——基于MATLAB的BP神经网络模型的预测分析

选取具有不同变化特征的两个时段的上证指数每日收盘价为研究对象,使用基于MATLAB的BP神经网络模型,分别预测最后10个交易日的每日收盘指数,并对预测精度进行对比。结果表明,在同一个BP神经网络中,增加输入样本个数确实有助于提高短期预测的精度,但样本区间的选择是关键,时段内的样本应具有大体相同的变化趋势。当样本量变化时,调整网络模型结构也有助于提高短期预测的精度。对于深受政策影响的中国股市而言,将人工神经网络用于股市的短期预测更有意义。     

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。     

BP神经网络在砂体连通性评价中的应用

为了更好地预测河道砂体间的复杂连通情况,根据萨尔图油田中区西部葡I油层组的密集井网资料,考虑将影响砂体连通性的主要因素(物性参数、砂体规模参数、隔层特征参数等)与连通级别建立一个非线性映射模型,通过反馈误差学习方法对砂体连通性进行定量分析。通过对PI2、PI3河流相储层结构即单砂体接触模式及展布特征的分析,选取影响连通性的合适参数和代表性学习样本,利用BP神经网络判别模型进行反复学习和预测。通过比较预测输出与期望输出的误差情况可知,基于BP神经网络的砂体连通性定量判别具有较好的应用效果,并且可以考虑延伸应用于对整个区块的连通性预测当中去。     

基于虚拟机的数据中心能耗测量

提出一种基于计算密集型与I/O密集型建立虚拟机动态能耗的数学模型方法.结合了设备运行状态参数，在模型功耗处于计算密集型时引入了虚拟机的CPU使用率与CPU频率，处于I/O密集型时引入了虚拟机的硬盘读写总字节数与内存读写总字节数计算功耗，并对功耗进行积分得出数据中心能耗.与常规方法相比该方法进一步细化了测量粒度，且在使用Wordcount运行任务与Sort运行任务进行节点能耗测试时，得出能耗的平均误差为0.062 5.实验结果在粒度细化的同时保证了常规方法的同级别测量精度.     

基于遗传RBF神经网络的无线传感器网络流量预测方法

提出了基于遗传RBF神经网络的无线传感器网络流量预测方法.在这里,RBF神经网络有6个输入节点,8个隐藏节点和1个输出节点.RBF神经网络的训练参数对RBF神经网络的预测能力有一定的影响,应该选择一个优化的方法来选择合适的参数.实验结果表明,无线传感器网络流量的预测结果优于RBF神经网络和BP神经网络.     

基于TSA的非线性神经网络预测控制

针对现有非线性预测控制方法在线递推控制律时求解非线性方程的困难,提出一种基于树和种子算法(tree and seed algorithm, TSA)的非线性神经网络预测控制算法.该算法采用径向基函数(radical basis function, RBF)神经网络建立非线性系统的过程模型,并将该模型作为预测模型,可以有效逼近系统的过程特性.在此基础上,通过该模型递推非线性系统的预测输出值,并设计具有约束的二次型性能指标.利用TSA优化该性能指标,不断在线搜索非线性预测控制系统的最优控制律,避免采用直接递推的方式求解复杂非线性优化问题,减轻了系统的计算负担.生化发酵过程仿真对比结果表明,该算法具有很强的跟踪和抗干扰能力.