基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

吐温40及其复配缓蚀剂在原油模拟液中对20 号碳钢的缓蚀性能研究

通过采用失重法、CMB-4510A缓蚀剂快速评定仪、极化曲线法和交流阻抗法研究了在酸性体系溶液中吐温40、硫酸锌、葡萄糖酸钠三种缓蚀剂单独使用及以吐温40为主的二元复配体系对20号碳钢在酸性体系中的缓蚀效果。实验结果表明:温度为30℃,p H值为4时,吐温40可以很好地抑制20号钢的腐蚀;而且吐温40与硫酸锌、葡萄糖酸钠的复配缓蚀剂具有良好的增效作用。     

孤立点挖掘在警情时间序列异常点识别中的应用

针对北京市的警情时间序列中存在的一些异常特征,采用了一种基于距离和的孤立点挖掘方法来进行分析。该方法将警情在每日不同时段内的分布处理为相应的属性,然后将警情的时段属性进行标准化,计算了不同点之间的欧式距离和来判断点的异常性。结果发现,北京的警情异常现象出现在春节和年底期间,其中前者表现为由于居民燃放烟花爆竹所引起的火灾事故和治安纠纷;而后者则表现为电信诈骗案的高发。与基于日接警数量的异常点分析相比,基于距离和的异常点挖掘能够有效地将警情在时序分布中隐藏的一些异常聚集效应识别出来,从而为公安部门开展预警和情报信息服务提供帮助。     

一种解决混联系统组合爆炸问题的贝叶斯网络

针对传统三层节点贝叶斯网络(Bayesian network,BN)在系统可靠性分析中的组合爆炸问题,提出了一种适用于复杂混联系统的级联BN建模方法.首先,在引入s类(f类)节点基础上建立了描述并联(串联)逻辑的信息通路模型,进而通过为通路模型各节点赋予同逻辑的条件概率参数,提出了构建并联(串联)系统等价级联BN的方法;其次,结合"超级方框"的概念分析了将典型串并联、并串联系统转化为等价级联BN的方法,并基于系统可靠性框图(RBD)相关矩阵,设计了将复杂混联系统转化为等价级联BN的算法-Generate-Chain-BN;最后,分别建立了某混联系统RBD的等价三层节点BN和级联BN模型,对两种BN进行了对比计算.理论和实例分析均表明,本文建立的级联BN可将原三层节点BN的空间和时间复杂性由指数级降到线性级,解决了三层节点BN固有的组合爆炸问题,可成为复杂混联系统可靠性分析的有效手段.     

串联系统备件满足率分配及配置优化

备件作为装备维修保障的重要物质资源,装备研制单位需要将使用方提出的备件满足率要求进行合理分配,为合理制定备件配置方案提供输入,已成为目前装备研制阶段急需解决的重要问题之一.针对备件满足率只有统计定义的问题,论文研究了单备件满足率和串联系统备件满足率的概率性质,给出了其概率模型,揭示了备件满足率的内涵和工程意义.在此基础之上,以串联系统备件满足率的概率模型为基础,研究了系统备件满足率的两种分配方法,即线性代数分配模型和以备件总重量最小为目标的备件配置优化模型,为合理制定串联系统备件保障方案提供了理论依据.     

基于概率图的作战任务智能规划方法

针对人工调配作战资源及规划方案效率低下的问题，本文提出一种基于概率图的作战任务智能规划方法，通过统计分析判定任务间因果关系，采用GNN抽取任务中的关键事件构建概率图并计算任务规划方案成功的概率，进而基于时间序列方法预测战场态势变化，实现辅助指挥员智能决策。最后，本文在某联合登岛案例中开展了方法验证，结果表明，所提出的方法可成功实现任务规划并具有可解释性，可实现对战场态势变化的预测和快速响应，在战场上为军队提供强有力的支持。     

基于泰勒级数的重力异常数据快速相关成像

为了提高重力勘探中数据成像的效率，对地球物理勘探中的重力异常数据进行快速三维成像.在相关成像的理论基础上针对立方体元提出利用泰勒级数的算法，重新定义了异常值的计算模型，从而得到新的几何函数.该成像方法通过级数展开、积分等方式，减少了计算量和迭代次数.在理论模型试验中，证明了提出的方法具有良好的成像能力和抗噪性，并通过效率分析说明了该算法能够大幅缩短几何函数矩阵的计算时间，提高成像效率.对文顿盐丘地区的实测重力异常数据进行快速成像，地质体的位置能够被较好地显示出来，验证了算法的可行性.     

Enhancing survey‐based investment forecasts

We investigate the accuracy of capital investment predictors from a national business survey of South African manufacturing. Based on data available to correspondents at the time of survey completion, we propose variables that might inform the confidence that can be attached to their predictions. Having calibrated the survey predictors' directional accuracy, we model the probability of a correct directional prediction using logistic regression with the proposed variables. For point forecasting, we compare the accuracy of rescaled survey forecasts with time series benchmarks and some survey/time series hybrid models. In addition, using the same set of variables, we model the magnitude of survey prediction errors. Directional forecast tests showed that three out of four survey predictors have value but are biased and inefficient. For shorter horizons we found that survey forecasts, enhanced by time series data, significantly improved point forecasting accuracy. For longer horizons the survey predictors were at least as accurate as alternatives. The usefulness of the more accurate of the predictors examined is enhanced by auxiliary information, namely the probability of directional accuracy and the estimated error magnitude.     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.