融合多源信息的人民币汇率预测

通过有效融合与汇率相关的互联网搜索信息和宏观经济信息,提出一个新的汇率预测方法.一方面,根据信息丰富的互联网大数据,将选取的百度指数关键词信息合成能反映投资者关注度的百度综合搜索指数,再利用核主成分(KPCA)方法对宏观经济变量的信息进行提取,合成宏观综合影响指数,最后构建基于多源信息融合的汇率预测模型;另一方面,分别采用BP、KELM和SVM模型进行预测.为减小预测误差,对神经网络连接权重和阈值使用灰狼优化算法(GWO)进行了优化.通过对美元兑人民币汇率进行实证发现,融合多源数据信息之后,使用GWO-BP预测模型能获得更好的预测性能.     

基于LNS和主成分分析的局部离群因子故障检测

针对复杂工业过程中的多模态和非线性等问题,提出了一种新的故障检测方法。采用局部邻域标准化(Local neighbor standardization, LNS)方法对多模态数据集进行标准化处理,利用主成分分析(Principal component analysis, PCA)将数据划分为主成分子空间(Principal component subspace, PCS)和残差子空间(Residual subspace, RS),使用局部离群因子(Local outlier factor, LOF)方法分别在这两个子空间进行故障检测。LNS方法可将多模态数据归一化为单模态数据,使PCA能够更准确地划分主成分子空间和残差子空间,LOF方法能够增强PCA处理非线性数据能力,同时能弥补自身单监控统计量的不足。采用LNS-PCA-LOF方法对非线性数值例子和青霉素发酵过程进行了仿真,与PCA、K近邻故障检测(FD-KNN)和LOF等方法相比,验证了所提方法的有效性。     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

小波变换和时间序列模型相结合的降雨量预测

针对降雨量预测问题大多采用时间序列分析的方法,但是对于准确预测降雨量和降雨变化规律,提高降雨量的预测精度等问题,如果仅采用时间序列的方法误差相对来说比较大.提出一种小波变换和时间序列预测模型(ARMA)相结合的降雨量预测方法.在预测过程中,对降雨量进行归一化处理,利用小波变换对原始降雨量进行降噪,降低其预测中的误差,采用正确的时间序列模型对降噪后的降雨量进行分析,建立最优降雨量预测模型.对实际降雨量进行仿真测试,结果表明,改进的方法预测精度比传统方法要高,且能更好地反映降雨量变化规律,为降雨量的预测提供了一种新的途径.     

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.     

基于BP神经网络的干热风灾害预测

干热风是我国新疆,西北等地农业气象灾害之一,其形成因素呈现复杂的非线性关系.利用传统方法很难建立起一个精确完善的预测模型.人工神经网络具有强大的非线性映射能力,尤其是BP神经网络在预测领域中被广泛应用.本文利用BP神经网络对干热风灾害进行了预测.结果表明,基于BP神经网络的干热风预测模型误差小,能达到满意的效果.     

基于多元线性回归的自适应图像可逆信息隐藏误差预测算法

为了提升可逆信息隐藏算法的信息嵌入容量,提出了一种目标像素自适应误差预测方法,基于自然图像局部区域内像素分布的一致性特征,自适应地学习目标像素周围像素点间的内在联系,并构建多元线性回归函数矩阵.该算法在实现目标像素点的准确预测时不是仅仅利用目标像素周围像素的简单算数组合预测目标像素的值,而是利用满足周围像素点一致性关系的线性关系函数.实验结果表明,相比其他先进的误差预测算法,基于多元线性回归的自适应图像可逆信息隐藏误差预测算法可以有效增强图像可逆信息嵌入能力.     

应用RKM与HPM结合求解一类非线性偏微分方程

提出了一种求解带有初边值问题的非线性偏微分方程的新方法.该方法是以同伦摄动方法(HPM)和再生核方法(RKM)为基础的.同伦摄动法可以将非线性问题转化为线性问题,再生核方法可以有力地解决线性奇异初值问题.因此,结合同伦摄动法和再生核方法去求解非线性偏微分方程.最后,给出了误差分析和算例数值比较.     

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.     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

三层介质中电磁散射问题的数值计算

研究三层背景介质中的散射问题,首先将此问题转化为二维Helmholtz方程求解问题,然后给出一种基于PML技术和DSC算法的数值方法.得到该算法的部分误差估计,数值实验指出了算法的有效性.     

最小二乘法求解非线性四阶边值问题

在再生核空间中构造了一种新的算法,研究了一类带有非线性边值问题的数值求解算法.该文基于再生核理论结合最小二乘法来求解四阶非线性边值问题,该理论是基于再生核空间W52[0,1],方程的精确解以级数的形式在再生核空间W52[0,1]中给出,同时给出了一些算例说明了这个方法的有效性.     

两种非线性鲁棒PID控制器

针对非线性船舶航向保持系统,给出一种基于精确反馈线性化和闭环增益成形算法的非线性鲁棒PID控制器,该非线性PID控制器由非线性函数项和鲁棒PID控制器组成。另外,还给出一种完全基于闭环增益成形算法的非线性鲁棒PID控制器,其包含了具有定时功能的开关元件,两种非线性PID控制器在提高系统鲁棒性能的基础上,简化了控制器设计,从仿真结果可以看出,航向保持效果良好。     

基于特征向量的阵列误差矩阵最优闭式解

阵列互耦和幅相误差的综合作用会严重影响MUSIC算法的测向性能. 该文重点研究了由互耦和幅相误差 引起的阵列误差校正问题,给出3 种阵列误差矩阵校正算法. 它们具有相同的计算模式和理论框架,均可通过计算某 个Hermite矩阵最小特征值对应的特征向量获得最优闭式解. 算法I未利用阵列误差矩阵的任何性质,算法II利用了阵列 误差矩阵的稀疏性,算法III利用了某些规则阵列的阵列误差矩阵的特殊结构. 仿真实验比较了3 种校正算法的估计精 度,结果表明,尽可能利用阵列误差矩阵的特殊性质有利于提高阵列误差矩阵的校正精度.     

广义变分包含的近似点算法

引入并研究了一类新的关于H-单调算子的广义非线性变分包含,在Hilbert空间中利用H-单调算子的预解算子性质,建立了这类变分包含的一个新的寻求近似解的带误差的近似点算法,并证明了求近似解序列收敛于精确解.所得结果改进和推广了文献[1,2]的相关结果.     

基于小波网络的MQAM数字通信自适应均衡器

首先给出了多维小波网络的结构及其随机梯度学习算法,提出了基于小波网络的MQAM数字通信自适应均衡器.仿真结果表明:该均衡器对于MQAM数字信号非线性信道的均衡,其性能明显优于传统的基于LMS和RLS算法的线性均衡器和基于RLS算法的判决反馈均衡器,且性能稍好于基于BP网络的均衡器.     

年径流预测的遗传模拟退火门限自回归模型

根据年径流时间序列资料所隐含的时序分段相依性,用门限自回归模型(TAR)来预测年径流,并研制了TAR建模的一整套简便通用的方案.文中所提出的模拟退火遗传算法,可同时优化门限值和自回归系数,从而解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型的广泛应用提供了强有力的工具.实例计算的结果说明这套方案是可行和有效的.     

GPS空时自适应滤波矩阵重构抗干扰算法

小快拍数、干扰移动及天线平台震动引起协方差矩阵估计误差增加,导致现有的全球定位系统(global positioning system,GPS)空时自适应滤波抗干扰算法的性能急剧下降,为此提出了一种基于矩阵重构的GPS空时自适应滤波抗干扰算法.该算法利用Capon空间谱估计方法重构干扰加噪声协方差矩阵,并对矩阵进行时域平滑得到空时滤波权值.仿真结果表明,该算法在多干扰、低信噪比、小快拍数情况下降低了阵列误差的影响,提高了阵列天线输出信干噪比,与对角加载算法和矩阵锐化算法相比提升5dB左右.