基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

基于AR信号处理和KII模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法．将传感器信号分为：上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征．在电子鼻的模式识别算法上,利用KII模型对气味信号进行分类．该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KII模型在模式识别方面的优越性．仿真将该方法与BP网络、AR—BP算法及单KII网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KII建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率．     

基于AR信号处理和KⅡ模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法.将传感器信号分为:上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征.在电子鼻的模式识别算法上,利用KⅡ模型对气味信号进行分类.该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KⅡ模型在模式识别方面的优越性.仿真将该方法与BP网络、AR_BP算法及单KⅡ网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KⅡ建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率.     

基于禁忌搜索的图像聚类新方法

禁忌搜索(TS)是一种具有记忆功能算法,是在局部邻域搜索的基础上添加禁忌表和相应规则,在一段时间内该算法对那些最近搜寻到的局部最优个体不再或有选择地搜索,能够有效地避免重复搜索,降低搜索的时间复杂度,又能够有效地跳出局部最优,并且在搜索过程中始终保持对已搜索到的全局最优个体的记忆.本文将禁忌搜索算法应用在数字图像聚类问题中,通过多次实验证明禁忌搜索算法是能够很好的将数字图像中的样品进行有效的聚类,聚类正确率达到98％.