基于核函数优化的相符预测器在故障检测中的应用

为了提高相符预测器的计算效率,在算法中引入基于核的度量学习.将其学习过程分解成2部分:先通过提高75%的训练样本的类可分性获得1个优化核;然后在优化的核空间中采用k近邻方法设计奇异度函数,并使用剩下的25%的样本实现标准的相符预测器算法.将新算法应用于田纳西-伊斯曼过程的多类故障诊断问题,实验结果表明,在保证高的预测效率的同时,新算法可以显著降低计算时间.     

基于模糊混合预测的静态图像无损压缩

提出了一种基于自适应模糊混合预测的静态图像无损压缩方法．在预测准备阶段，根据一个预定的阈值计算出一组自适应线性预测器。用完全自组织简化自适应共振神经网络对得到的预测器进行训练；在预测图像过程中，训练预测器在模糊逻辑的意义上互相结合起来实现最终预测过程；在误差编码阶段，该方法使用了基于上下文的条件算术编码．实验表明，该方法的诸多特点使得它能在计算复杂性和预测效率间达到平衡，表现出优良的压缩性能．     

基于BP神经网络的集群负载预测器

针对由于作业调入调出引起的负载突变,提出了基于通知机制的反传(BP)网络和动态滑动窗口混合预测方法,设计并实现了基于神经网络的负载预测器.该方法在发生突变时,利用动态滑动窗口均值法预测并重新训练样本,训练结束后使用新的BP模型预测.其通知机制能减少预测器的样本识别时间,模型保存机制提供了无需训练样本的机会.测试结果表明,该预测器具有较好的预测精度,能够将大部分预测值的平均误差控制在5%以内,并快速适应突变事件.     

基于模糊神经网络预测器的贝尔模板图像压缩

提出一种基于光栅扫描顺序对贝尔模板图像直接压缩的新方法。整个压缩过程分为两个阶段,首先利用模糊神经网络（TFNN）设计非线性预测器,对贝尔模板图像直接进行预测;接着对预测残差进行自适应算术编码,平均无损压缩比达到1.71∶1以上,明显优于目前其它贝尔模板图像压缩方法。     

采用轮廓预测的电视信号自适应DPCM编码

用于电视信号帧内DPCM编码的非自适应预测器在图象的轮廓与边缘处经常导致大的预测误差,因此,它不适用于轮廓及细节丰富的图象。本文在轮廓预测的基础上提出一种新型的自适应预测器,图象的平坦部分及轮廓分别用不同的预测算法预测。预测器的自适应转换只利用前已传送的图象信息,不需向接收端另外传送附加的开关信息。该预测器的性能通过计算机模拟与其它已知的非自适应及自适应预测器进行了客观定量比较与主观试验。所建议的新的预测算法显著地降低了大预测误差的出现频数。与其它帧内预测器比较,采用这一新的预测器可以获得更大的码率压缩。     

一种基于模糊神经网络的ncRNA基因预测方法

提出了一种基于模糊神经网络的ncRNA基因预测方法.该方法由预处理、具有结构学习的模糊神经网络预测器、后处理3个部分组成.预处理模块将比对后的输入序列进行滑动窗处理,并顺序提取有效的特征信息.模糊神经网络预测器采用了基于Takagi-Sugeno模型的5层模糊神经网络结构,通过输入层、模糊化层、点火强度层、归一化点火强度层、输出层的计算,得到预测结果;并进一步给出了一种模糊神经网络的结构学习算法,可有效地降低参数空间的维度,提高计算效率,并避免过学习情况的产生.后处理过程可对有交叠的预测结果进行拼接.实验结果表明,较之其他预测工具,本方法的ncRNA基因预测精度有所提高.     

基于GA-BP-Adaboost模型的信用卡逾期还款风险评估研究

针对信用卡逾期还款问题,在第1阶段对持卡人是否会逾期还款进行分类的基础上,又在第2阶段对持卡人逾期时间进行了预测.考虑到单个BP神经网络模型运行结果受初始权值影响大,稳定性不好.以Adaboost方法训练若干个弱分类器和弱预测器,结合成一个强分类器和一个强预测器,完成了第1阶段对客户是否会逾期还款的评估,以及第2阶段对客户逾期还款时间的预测.最后用该方法对某银行的持卡人还款情况进行了数值实验,结果显示提出的逾期还款风险两阶段评估模型具有很高的预测精度.     

二维DPCM系統的稳定性

本文对二维DPCM图象编玛系统的稳定性进行了讨论。在预测器包含四个预测系数的普遍情况下,推导出了二维DPCM编、解码器的稳定条件。分析表明,只含正系数的Pirsch预测器在稳定性方面优于传统的MMSE预测器,因此,采用Pirsch预测器会比MMSE预测器得到更大的码率压缩。文章还指出,Pirsch对含有三个预测系数的二维DPCM系统推导出的稳定条件中有一些并不是必要的。     

基于小波变换和优化预测器的瓦斯浓度预测

为了准确预测煤矿瓦斯浓度,提出一种基于小波变换和优化预测器的预测方法.用瓦斯浓度序列分解到小波函数空间(或尺度函数空间)上的能量作为尺度能量,依据尺度能量与满足预测精度的最大误差能量的比值关系,确定小波最佳分解级数.通过小波分解降低瓦斯浓度序列的复杂度,引入延时映射,将小波分解后各个分量转化为具有历史特征的新样本分别进行预测,所得到结果进行叠加为最终预测结果.提出基于预测残差方差比检验的最佳延时单元数确定方法,以预测残差的F检验值作为适应值,采用粒子群算法优化预测器的参数.结果表明:单一的BP人工神经网络(BP_ANN)或支持向量机(SVM)所建立的预测方法对某些瓦斯浓度突变数据的预测有过拟合现象,其预测结果的平均误差大于23%,小波变换后的组合预测方法对于瓦斯浓度突变数据具有较好的跟踪能力和反应速度,采用预测模型的最佳参数后,预测器性能显著提高,平均误差小于10%,表明所建议的方法是可行和有效的.     

基于监测数据的特征小波构造及应用

提出了以监测数据为基础构造特征小波提取数据趋势的新方法，研究了第二代小波变换的预测器、更新器与等效滤波器之间的关系，以及根据等效滤波器设计预测器和更新器系数的原理。为了构造基于监测数据的特征小波，在设计预测器和更新器时，综合监测数据样本的信息，以预测器消失矩作为约束条件，以预测误差作为目标函数，使所构造的小渡能够反映监测数据的局部特征。采用设计预测器和更新器对监测数据分解、闽值处理和重构，得到监测数据的趋势。该方法在某炼油厂机组的峰峰值趋势分析中准确地描述了峰峰值变化趋势。