基于分层有限状态机的时间序列数据挖掘与预测方法

针对非平稳非线性时间序列的数据挖掘与预测问题,提出一种基于分层有限状态机的预测方法 .首先,将时间序列构建成有限状态机(FSM)模型,将时间序列的相对序列模式作为状态.然后,构建一种层次模型,通过关联特定模式形成中间状态,并以递归方式对模式进行分组,以此解决长序列造成的过度训练问题.最后,通过梯度下降法结合所有有限状态(FS)预测器的输出,生成最终预测结果 .实验结果表明,该方法能够对时间序列进行有效的规则挖掘,具有较高的预测精度.     

我国率先构建野生大豆泛基因组

正中国农业科学院作物科学研究所与诺禾致源等合作,在国际上率先构建和分析了一年生野生大豆的泛基因组,为作物种质资源研究和利用提供了新的方法和启示。项目牵头人、中国农科院作科所研究员邱丽娟介绍,大豆是重要的油料和高蛋白粮饲兼用作物。栽培大豆由其祖先种一年生野生大豆经过人工选择进化而来,其中所蕴藏的优异基因的开发和利用对拓宽现代大豆品种的遗传基础,改良品质,提高对病     

优化权重下高斯序列最大值几乎处处中心极限定理

研究了高斯序列最大值的几乎处处收敛性,获得平稳高斯序列最大值的几乎处处中心极限定理(almost sure central limit theorem,ASCLT),优化了ASCLT的权重,获得的结果推广了Csáki和Gonchigdanzan(2002)在对数平均下平稳高斯序列最大值的ASCLT。     

φ-混合删失模型中密度函数K-M估计的r-阶相合速度

在生存时间与删失时间为 φ 混合序列的情况下，研究并获得了随机删失模型概率密度函数 ｆ（ｘ）的 Ｋ Ｍ（ｋａｐｌａｎ Ｍｅｉｅｒ）估计 ｆｎ（ｘ）的 ｒ阶相合速度。     

基于GM(1,1)模型的时间序列分段表示方法

时间序列分段表示的目的是对序列进行降维,并使得处理后的数据尽可能保留原始数据特征。以较小的误差,对数据进行较高比率的压缩,是分段表示方法的目标。以往的分段方法主要用线段进行分段,在数据拟合时,存在较大的误差。本文利用GM(1,1)模型的单调变化性质,在拟合误差阀值的限制下,提出了一种基于GM(1,1)模型的分段表示方法(GMPR)。经实验验证,得出相比以往的线性分段方法,GMPR可以取得更好的结果。     

大尺寸亲水结构序列嵌段离聚物的结构及性能

以双酚芴、4,4’-二氯二苯砜、联苯双酚型二氮杂萘酮、二氟二苯酮磺酸钠为原料,采用"二锅二步"法制备了一系列具有不同尺寸亲水结构的芴-联苯双酚型氮杂萘酮-两亲序列嵌段聚芳醚砜酮离聚物质子交换膜材料.对合成的质子交换膜材料结构和性能的研究表明:该系列新型离聚物的结构可控;离聚物膜具有明显的微相分离结构,憎水相以小的分离的连续相包裹在亲水连续相中,且随着亲水链段尺寸的增大,其亲水区域的尺寸增大,呈现明显的吸水溶胀状态,形成了大的质子交换通道;该系列膜具有良好的热稳定性,合适的吸水率和溶胀率,良好的质子传导率、力学性能以及高温水解稳定性;随着大尺寸亲水链段尺寸的增加,膜的吸醇率增加,抗氧化性能降低;该系列膜的质子传导率随着温度的升高而增大,5c,5d在20℃下的质子传导率接近或高于Nafion 117的30℃质子传导率,5d的质子传导率在80℃下达到了15.63mS/cm.     

基于无人机的大场景序列图像自动采集和三维建模

提出并实现了一种基于无人机的大场景序列图像自动采集和三维重建方法,实现了大范围场景全自动图像数据采集和三维建模。首先设计实现无人机自动控制地面站和基于Cortex-A17的无人机控制模块,其次在地面站人工点选设计航线和拍摄位置,并自动控制飞行和拍摄过程,实时将序列图像回传地面站,最后地面站应用SFM方法实时自动重建大场景三维模型。实验结果表明,相对于人工控制方法,文中方法能够实现无人机飞行和拍摄过程自动控制,同时提高拍摄稳定性,降低基于无人机的大场景三维建模难度,提高建模效果。     

CNN超混沌系统伪随机序列发生器设计

基于CNN超混沌系统,设计了一种混沌伪随机序列发生器。通过对细胞神经网络系统的理论分析及仿真实验可知,该系统具有复杂的动力学特性,具有初值敏感性、密钥空间大等特点,非常适合作为伪随机序列发生器。基于该系统的发生器能够产生两种不同的序列,一种为二进制序列,另一种为十进制序列,并且通过该发生器产生的伪随机序列具有良好的性能,如序列值的均匀分布性、尖锐的自相关特性和良好的互相关特性。除此之外,利用NIST标准对序列发生器进行性能检验,检验结果表明该序列满足伪随机序列的要求,具有较高的安全性和保密性,具有较好的应用前景。     

三维点云表示的人体动作序列预测

要：目前对三维人体动作序列的预测工作相对较少，且主要使用三角形网格表示人体模型，不如三维点云那样简单又容易获取。为此，该文用三维点云表示人体模型，提出一种基于MeteorNet的点云动作序列预测方法。将动作序列中不同时刻的三维点云融合在一起，寻找点的时空邻域进行分组；叠加三层Meteor模块在时空邻域聚合信息，以获取点云序列的时空特征；通过三层全连接网络预测动作的点云坐标。实验结果表明，该方法预测出的人体动作与真实动作的误差较小。     

基于深度强化学习算法的无人机智能规避决策

为提升无人机在复杂空战场景中的存活率，基于公开无人机空战博弈仿真平台，使用强化学习方法生成机动策略，以深度双Q网络(double deep Q-network, DDQN)和深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法为基础，提出单元状态序列(unit state sequence, USS),并采用门控循环单元(gated recurrent unit, GRU)融合USS中的态势特征，增加复杂空战场景下的状态特征识别能力和算法收敛能力。实验结果表明，智能体在面对采用标准比例导引算法的导弹攻击时，取得了98%的规避导弹存活率，使无人机在多发导弹同时攻击的复杂场景中，也能够取得88%的存活率，对比传统的简单机动模式，无人机的存活率大幅提高。