基于小波与混沌集成的中国股票市场预测

应用小波变换和混沌理论提出了一种中国股票市场建模及其预测的小波与混沌集成的方法．首先应用小波分解理论对上证综指和深证成指日收益率序列进行分解，分别得到低频部分和高频部分，并在此基础上作进一步分析，结果表明中国股市存在混沌特性；然后应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测；最后应用小波理论对混沌模型预测的结果予以重构，实现对原始收益率序列的预测．与现有方法比较，结果表明该方法具有较高的精度，有极大的应用前景．     

基于分解-聚类-集成学习的汇率预测方法

本文集成了经验模态分解(EEMD)、最小二乘支持向量回归(LSSVR)和K均值聚类方法,提出了一个新的外汇汇率预测方法,称为基于EEMD-LSSVR-K的分解-聚类-集成学习的外汇汇率预测方法.该方法利用聚类策略将分解-集成学习中固定权值集成学习扩展到基于局部数据特征加权的非线性集成加权学习,从而克服了分解-集成方法中集成学习阶段的不足.本文将该方法用于四种主要外汇汇率的预测,实证结果表明:在提前1天、提前3天和提前6天的预测中,本文所提出的EEMD-LSSVR-K方法的水平预测性能和方向预测性能显著地优于基准模型;同时也证实了聚类策略能够有效提高分解-集成模型的预测效果.     

基于SVM和灰色预测的飞灰含碳量集成预测

针对电厂飞灰含碳量难以进行有效预测的问题,提出一种嵌套智能集成预测方法.首先,利用变学习率BP神经网络和主成分分析方法对输入变量进行降维处理;其次,为提高模型自适应能力,利用上述分析结果采用在线支持向量机建立飞灰含碳量预测模型;然后,为反映飞灰含碳量数据的时间相关性,采用灰色预测方法建立当前时刻飞灰含碳量预测模型;最后,在上述预测模型的基础上,利用信息熵的权值组合方法获得最终的飞灰含碳量预估值.仿真结果表明,该智能集成预测模型的预测精度要高于单一模型,能对电厂飞灰含碳量进行有效预测.     

基于模型集成的突发事件舆情分析与趋势预测研究

近年来,突发事件发生后,事件演进受网络舆情的影响越来越大,分析突发事件发生后网民情绪并进行预测,可为政府部门的应急管理和策略设计提供有效支撑,赢得宝贵的时间.本文提出了一个基于模型集成的微博情感分析与预测模型,对突发事件微博舆情进行情感分类与趋势预测.为了更准确地分析微博情感与未来走势,首先,利用多模型集成策略对突发事件相关的单条微博进行情感分析;接着,将单条微博情感进行集成,形成微博情感时间序列;再次,利用多模型集成思路对微博情感的未来走势进行预测;最后,通过实例验证提出方法的有效性.实证结果表明,集成模型较传统分类在微博情感分析上具有优势,集成模型较传统回归模型在微博情感走势预测同样具有明显优势,可以取得较高的预测精度.     

基于综合集成预测方法的新冠肺炎疫情预测

自2019年12月以来,新冠肺炎(COVID-19)疫情在全球范围内持续扩散,不仅严重危害到世界各国人民的生命健康,对公共医疗卫生体系提出严苛考验,还对经济贸易活动造成了巨大冲击,对国际社会产生了深远影响.一些研究采用数学预测模型对病毒传播和疫情发展进行模拟仿真,以帮助研究人员和政策制定者了解病毒传播机理,采取合理防疫政策进而抑制病毒进一步传播.然而现有研究存在一定局限性,例如方法选择单一、过于依赖模型参数选择、病毒传播与政策调整导致的数据时变性等问题.为解决上述问题,本文提出了基于时变模型平均(TVJMA)、时变参数模型(TVP)、传染病vSIR模型(vSIR)、逻辑回归模型(LR)、多项式回归模型(PNR)、自回归移动平均(ARMA)六种模型方法的综合集成预测框架,对不同地区疫情最为严重的6个国家的累计确诊人数进行预测.结果表明,对于单一预测方法,TVJMA方法表现优于其他五种方法;综合集成预测方法在绝大多数情况下明显优于单一方法,特别是基于误差修正权重的多模型组合预测方法,显著地提高了预测精度.对于不同预测步长,综合集成预测方法具有稳健性.     

基于深度学习和集成学习的辐射源信号识别

随着电磁环境的日益复杂和雷达辐射源信号类型的逐渐增多,如何有效地识别雷达信号类型成为一个重要的问题。为解决这个问题,提出了一种基于深度学习和集成学习的辐射源信号识别框架。该框架由特征提取和分类器设计两部分组成。第一部分,将雷达信号变换到时频域,利用栈式降噪自编码模型学习时频图像的特征。深度模型的训练采用无监督预学习和有监督微调相结合。第二部分,构造一个集成不同支持向量机分类器的模型对雷达信号进行识别。利用8种不同的辐射源信号验证了提出模型的有效性,结果表明结合这两种机器学习的方法有助于提高辐射源信号的识别正确率。     

一个基于集成情境知识的组合预测方法

根据钱学森定性定量综合集成的系统思想,在TEI@I复杂系统方法论的框架下,提出了一种基于集成情境知识的组合预测方法(CFMIK).该方法用情境知识引导经济预测过程,将一些难以显式出现在预测模型中的影响因素考虑进来,从而能够在一定程度上解决预测结果在发生随机事件冲击时误差较大的难题.以港口集装箱吞吐量预测为例,对比了CFMIK,AFTER组合预测方法和3种单项模型预测方法(ARIMA、BP-ANN和指数平滑法)的表现,结果发现CFMIK的表现显著地优于后4种预测方法.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

基于学习的证券市场专家预测意见合成研究

针对证券市场的专家预测意见的特点，研究了将学习、证据理论与协同学理论引入证券市场专家预测意见合成的理论与方法．讨论了将专家的历史预测数据用基本可信数表示作为学习样本，对初选专家进行聚类分析选择有协同效应的专家．该方法用神经网络优化基本可信数的修正系数，再用Dempster合成规则进行预测意见的合成．实验结果表明该方法应用于解决实际问题时具有较好的效果．     

基于多分类器动态集成的电信客户流失预测

本文提出了一种新的基于多分类器动态选择与优化集成的电信客户流失预测集成模型.首先使用K均值聚类算法对训练集样本进行分区;然后分别使用Naive-Bayes算法、多层感知机算法和J48算法构建各分区客户流失预测子分类器;最后对各分区子分类器进行线性集成,并使用人工蜂群算法优化其集成权重.当测试样本由聚类算法判断出其归属区域后,再分别使用分区子分类器进行预测,最后使用优化权重进行线性集成.实验结果表明:动态集成模型优于单模型;基于人工蜂群算法优化集成模型优于其它集成模型.     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

基于集成学习的复杂仿真模型验证方法

针对复杂仿真模型验证中海量数据的相似性分析问题,提出了一种基于集成学习的仿真模型验证方法。将仿真时间序列与参考时间序列的相似性分析问题转换为相似性等级分类问题,进而利用神经网络、支持向量机、集成学习等机器学习方法,设计了一种集成分类系统对时间序列的相似性等级进行分类。为了增强基分类器的多样性,提出了基于惩罚因子的多样性筛选准则;通过挑选具有最大差异性的基分类器,构造高性能集成分类系统。最后利用相关数据,对所提出的方法进行应用研究,验证了方法的有效性。     

基于Markov链的两心理账户BPT研究

针对投资者的有限理性特征，利用Markov链构造了投资者两心理账户之间的动态转换模型。描述了随机数量转换对投资者证券投资决策的影响机理，数据模拟与实证分析表明：基于Markov链的两心理账户BPT(行为证券组合理论)模型能够有效反应决策者的实际情景。     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法.该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献.相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整.在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

一种基于高斯过采样的集成学习算法

在数据挖掘研究领域,分类任务广泛存在着数据分布不均衡问题,例如制造状态检测,医疗诊断,金融服务,等等.SMOTE是处理不均衡数据分类问题的常用技术,与Boosting算法相结合可进一步提升分类系统性能,但是这种集成学习容易导致基分类器多样性缺失.基于此,本文提出了一种基于高斯过程SMOTE过采样的Boosting集成学习算法(Gaussian-based smote in boosting,GSMOTEBoost).该算法在Boosting集成框架下构建不均衡学习模型,为了提高分类系统的鲁棒性,采用基于高斯过程SMOTE过采样技术来增加基分类器训练样本的多样性,从而提高基分类器之间的差异.为了验证算法的有效性,以常用的处理不均衡分类问题的算法作为对比方法,采用KEEL数据库里的20个标准数据集对算法进行测试,以G-mean,F-measure以及AUC作为算法的评价指标,利用统计检验手段对实验结果进行分析.实验结果表明,相对于其他算法,本文提出的GSMOTEBoost具有显著的优势.     

基于自适应学习群体搜索技术的集成进化算法

为了提高连续数值优化算法的普适性和鲁棒性,提出了基于自适应学习群体搜索技术的集成进化算法. 该算法集成了3种自适应学习群体智能优化算法作为子算法,其中1种子算法是本文设计的,另外两种子算法来自相关文献. 相应地,整个进化种群被分成了3个子种群,在进化过程中,算法以并行的方式采用每种子算法独立地进化各自的子种群,而在进化过程的不同阶段,每种子算法的进化策略及其参数可以自适应地调整. 在实验部分,首先定义了算法性能度量标准,然后在26个较新的测试函数上做了算法性能对比实验,实验结果表明所提出的算法具有较高的普适性和鲁棒性.     

集成模糊推理与定量仿真的故障预测系统研究

为解决传统故障诊断方法在装备维修保障方面的不足，将虚拟样机作为一种新的定量推理机制引入到故障仿真和预测领域，提出了基于虚拟样机的装备故障仿真预测模型。以某型自行火炮为研究对象，在ADAMS环境下建立了火炮虚拟样机。仿真预测过程根据用户输入的初始参量由虚拟样机获取初始状态，由基于动态模糊综合评判的预测方法生成候选故障集，虚拟样机结合知识库确认实际发生的故障并找出相应的故障原因和故障部件。虚拟样机的仿真结果和相关的预测实例验证了模型的有效性，表明基于上述模型的故障仿真预测系统可以获得较高的预测精度，能够满足装备预知维修保障的需求。     

集成学习的多分类器动态融合方法研究

AdaBoost集成学习方法中,分类器一经学习成功,其投票权值就已确定,同一分类器对所有待测样本均有相同的投票权值。对于难于分类样本,具有良好分类性能的少数分类器权值却较低。提出适用于集成学习方法的权重自适应调整多分类器集成算法。根据多分类器行为信息,产生待测样本局部分类精度的有效判定区域,基于有效判定区域选择不同的分类器组合,并调整其相应权重,利用样本集上的统计信息来动态指导分类集成判决。实验结果表明,该算法提高了集成分类性能。     

基于系统动力学的两型社会评价与预测集成模型

回顾和评述两型社会发展预测及评价现有主要研究方法的基础上,提出了以系统动力学建模为平台,整合不同领域研究方法的湖南省两型社会发展预测及评价集成模型,该集成模型由经济子系统、社会子系统、资源子系统、能源子系统、环境子系统、综合评价子系统组成。通过PSR概念模型分析了该集成模型总体框架和各子系统的相互关系,讨论了子系统的设计思路并给出各子系统系统动力学流图。以湖南为例,采用1990~2009年湖南省统计数据对各子系统中部分重要方程和参数进行了初步测算和检验。还指出该方法相对于其他方法的优势及应用的局限性。     

基于互联网搜索指数的多因素集成下人民币汇率预测

针对人民币短期汇率预测问题,构建了基于互联网大数据信息的互联网搜索指数,改进了人民币汇率短期预测CAR模型.首先,基于涵盖丰富信息的互联罔大数据,构建了反映大众关于汇率波动观点、情绪及预期的互联网搜索指数,并运用热最优路径(TOP)方法、去趋势交叉相关分析(DCCA)方法对指数的有效性进行了检验,结果表明该指数可以有效地表征出大众情绪和预期的变化.进一步地,利用所编制的互联网搜索指数对人民币汇率的短期预测模型进行改进,构建了融合互联网搜索指数的CAR模型.实证结果表明,融合互联网搜索指数的人民币汇率短期CAR预测模型可以有效提升短期汇率的预测精度.