一阶混合整数值二项自回归模型

首先, 针对复杂整数值时间序列数据的建模问题, 提出一类一阶混合整数值二项自回归模型; 其次, 证明该模型的严平稳遍历性, 给出模型的转移概率、 期望、 方差等概率统计性质, 并用最大似然估计方法估计模型参数； 最后, 将模型应用于消费者价格协调指数(HICP)数据的拟合中.  实例分析结果表明, 该模型比现有模型的拟合效果更好.     

基于改进的稀疏降噪自编码网络的三维模型识别方法

针对海量数据挖掘中三维模型特征识别准确率较低的问题, 提出一种改进的稀疏降噪自编码神经网络模型. 先基于改进的稀疏降噪自编码方法构建深度神经网络模型, 再利用无监督预训练方法及受限的拟牛顿计算方法对自编码神经网络进行训练, 最后采用softmax回归和得到的特征训练最终的分类器. 结果表明: 该方法对有噪声的三维模型特征信息具有较好的鲁棒性; 与栈式自编码神经网络和自学习神经网络相比, 该方法识别率较高.     

自相似网络流量的处理和分析

为了解决自相似模型难以进行自相似网络流量趋势预测的问题,提出时间序列分析中短时相关模型(自适应自回归模型)的方法用于流量数据的估计;同时为了提高预测精度,提出改进的最小平方格型(modified least square lattice, MLSL)算法,使模型参数不断递推修正,收敛到最佳值.仿真试验结果验证了短时相关模型在网络流量预测应用中的可行性,实现了自相似网络流量的短期预测,该算法比最小平方(least square, LS)算法均方误差减少20%, 具有收敛快、预测精度高的优点,而该算法的计算量减少一半.     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

基于自编码器的多模态深度嵌入式聚类

近年来,随着获取信息手段的增多,对高维度数据的聚类变得越来越难.利用深度学习与聚类分析相结合的方式,通过对深度聚类算法的深入调查与研究,提出了基于自编码器的多模态嵌入式聚类模型,该模型分别将自编码器、卷积自编码器、卷积变分自编码器模型提取的特征进行自适应特征融合,再将融合后的特征输入深度聚类层得到聚类结果.多模态数据有助于提取更全面的数据信息,自适应特征融合能够很好地计算每个模态提取特征对融合特征的贡献度,从而提高无监督聚类算法的稳定性.提出的模型在4种公开数据集上进行了实验,验证了该模型的有效性,聚类结果优于现有流行的算法.     

基于涌现自组织映射的油气层识别及分析

当样本数多、数据维数高时,利用Kohonen自组织特征映射聚类后相邻类簇间容易发生大面积重叠,导致聚类和可视化的效果降低.利用Ultsch涌现自组织特征映射神经网络对测井数据进行聚类,而后分别通过分量图、U矩阵和P矩阵在超环面上进行可视化,并对其结果进行比较分析.该模型可克服Kohonen自组织特征映射的上述缺陷,优化聚类结果.借助该模型进行测井数据的聚类分析与可视化,可为岩性识别提供参考.     

自回归模型在西安市日用水量预测中的应用

根据时间序列中的建模方法,对数据的平稳性检验、模型类型的识别以及如何利用偏相关定阶法确定自回归模型的阶数作了介绍.阐述了样本参数估计的LS估计方法和模型检验的χ2检验法.对西安市日用水量进行分析,得到了该市日用水量预测的自回归模型,经检验该自回归模型预测效果良好.     

基于对抗性策略的变分自编码模型

深度生成模型结合了生成模型与多层神经网络,在计算机视觉、目标检测、自然语言处理等领域得到广泛应用.变分自编码是一种重要的深度生成模型,通过多层神经网络对生成模型和后验概率分布的近似分布进行建模,得到目标函数的变分下界.变分自编码以其显式的生成模型建模方式及定量的下界表示形式受到研究者的关注.由于变分自编码中推理模型的表示能力有限,使得生成的图像精细度不高.本文提出一种基于对抗性策略的变分自编码模型,该模型通过在变分自编码模型的推理模型中加入随机噪声,提高推理模型的表示能力,同时引入对抗网络增加聚合正则化约束,进一步训练推理模型.通过在MNIST和Fashion-MNIST数据集上设计对比实验,表明该模型可以给出更优的变分似然下界,并生成效果更好的图像数据.     

基于最小规则自组织映射的入侵检测算法

为了解决入侵检测模型中海量数据处理问题,降低计算复杂度,提高检测精度,提出基于最小规则自组织映射的入侵检测算法;通过在真实的入侵检测数据集上进行仿真实验,将该算法与普通椭圆补丁算法、简单矩形补丁算法以及决策树算法进行对比.结果表明,该算法在检测精度、稳定性和计算时间方面优于对比算法,验证了该算法的有效性.     

基于改进自回归移动平均算法的能耗预测

本文针对经验模态分解算法与自回归移动平均算法两种结合模型(EMD-ARMA)预测数据准确度不足的问题,运用经验模态分解算法(EMD)、自回归移动平均模型(ARMA)和多项式拟合模型三者相结合的方法对小样本电能能耗数据进行预测,最终提高预测结果的准确度.本文首先利用经验模态分解算法对原始能耗数据样本进行分解,提取该能耗样本不同频率的特征分量(IMFx);然后设定频率阈值,针对高频分量和低频分量建立不同的拟合模型;最终将分量预测结果进行合成,得到总体预测结果.仿真结果表明,EMD-ARMA模型的平均绝对误差1.984 2,本文模型的平均绝对误差1.616 8,提高了预测结果的准确度.     

带有相依稀疏算子的一阶随机系数二项自回归模型

将ADCBAR(1)模型推广到随机系数情形,提出一种带有相依稀疏算子的一阶随机系数二项自回归模型RCADCBAR(1),用于刻画具有相依性及零堆积性质的有限范围内整数值时间序列数据.首先,推导该模型的一些统计性质;其次,用条件最大似然方法对模型中存在的未知参数进行估计,并讨论估计量的渐近性质;最后,将该模型应用到一组实际数据中,以说明该模型的适用性.     

Ka频段自相关雨衰预测模型

针对目前雨衰预测模型在Ka频段雨衰估计中复杂度高、计算量大的问题,提出了一种结构相对简单、计算量较小的自相关雨衰预测模型.该模型首先利用前导雨衰数据之间的自相关性,采用平均误差功率最小的原则计算出模型的参数,然后结合前导数据迭代推算出Ka频段各个频率点的雨衰值.仿真结果表明,不同的前导数据量和预测间隔具有不同的预测精度,在前导数据量为20、预测间隔为0.05 GHz时,新模型的雨衰量预测误差在整个Ka频段均达到10-5dB以下.     

损失数据自回归模型的随机梯度辨识算法

运用多项武变换技术将损失观测数据自回归模型转化为一种特殊形式的模型,该模型可以利用稀少观测数据来辨识模型参数,再利用模型等价原理来估计损失观测数据,提出了基于残差的随机梯度辨识算法,仿真结果验证了提出算法的有效性.     

基于自编码网络的空气污染物浓度预测

深度学习为城市空气污染物浓度预测提供了更为强大的数据拟合能力,为空气污染预测提供全新的智能计算方法.为此,提出了一个基于自编码神经网络的污染物浓度预测模型AEPP(auto-encoder-based pollutant prediction).该模型包括编码器和解码器两个部分.其中,编码器用于提取出时间序列污染物浓度数据分布特征,即语境向量;解码器利用提取的特征预测未知时间内污染物浓度数据.模型中编码器和解码器采用多层LSTM(long short-term memory)模型结构,实现长时间依赖预测目标.实验表明,提出的模型可以提高对污染物浓度的预测水平.     

考虑空间自相关的贝叶斯事故预测模型研究

依托美国佛罗里达州Hillsborough县的数据建立区域安全预测模型.将该县重新划分为200,500,700个交通安全分析小区;提取小区层面路网特征数据、出行数据和其他影响因素,考虑空间自相关特性,建立贝叶斯空间模型;分析小区层面影响因素的安全效应,评价不同分区规模对安全因素效应的影响.对比传统的泊松模型和泊松-对数正态模型,贝叶斯空间模型具有更高的数据拟合度;分区数目越多,空间因素在随机因素中的比重越高;同一种分区下,路网特征变量的安全效应具有鲁棒性;限速大于56 km的路段总长度是预测安全水平的主要指标.     

厚壁管的自增强损伤残余应力计算模型

基于超高压容器的自增强制造过程,阐述了自增强容器的损伤形成原因与损伤形式.然后,在总结以往各种自增强理论模型的基础上,从超高压容器的自增强损伤机理出发,针对自增强容器的自身特点,建立了容器的自增强损伤力学模型,得出自增强损伤力学模型下自增强损伤压力、临界损伤压力、临界损伤半径、外壁环向应变、自增强残余应力的表达式.借助于25Cr2MoV材料的自增强试验数据对自增强损伤力学模型进行了计算,通过计算结果可以看出该模型与理想弹塑性模型、双线性硬化模型相比更接近于实测值,计算精度更高,并且与双线性模型相比,表达简单、理解较容易.     

Logistic自记忆模型在国民经济预测中的应用

运用改进单纯型法、Logistic自记忆模型对国民经济进行预测,并与钟建生等的预测结果进行比较.结果表明:改进单纯型法优于线性变换法;Logistic自记忆模型优于Logistic模型.该研究为各行各业的预测提供了一种新的思路和方法.     

连续时变自编码机在人体行为识别中的应用

针对人体行为数据的识别与分类问题,提出一种连续时变自编码机(Continuous Time-varying Autoencoder,CTAE)模型.该模型在激活函数中增加高斯随机单元,强化对非线性连续型数据的特征学习与提取.在人体行为识别实验中,从原始数据信号中提取十维频域特征和四维时域特征;利用主成分分析(Principle Component Analysis,PCA)方法实现特征数据降维;针对预处理完的人体行为数据,训练由多个CTAE组成的深度信念网络(Deep Belief Network,DBN),实现行为识别与非线性分类.仿真验证了模型的有效性.     

结合自监督学习的多任务文本语义匹配方法

基于文本交互信息对文本语义匹配模型的重要性,提出一种结合序列生成任务的自监督学习方法.该方法利用自监督模型提取的文本数据对的交互信息,以特征增强的方式辅助基于神经网络的语义匹配模型,构建多任务的文本匹配模型.9个模型的实验结果表明,加入自监督学习模块后,原始模型的效果都有不同程度的提升,表明所提方法可以有效地改进深度文...     

一类带有GARCH类误差项的自回归滑动平均模型

本文结合DAR模型及传统的ARMA-GARCH模型,提出一类带有新型GARCH类误差项的自回归滑动平均模型.该模型比DAR模型引入更多数据信息,同时定义一种由可观测序列驱动的新型条件异方差结构,比传统ARMA-GARCH模型的条件方差更易于估计.本文研究模型参数的拟极大似然估计,并在较弱矩条件下证明估计量的渐近正态性;...