半监督稀疏近邻保持投影

提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。     

基于随机模拟的资产组合有效子集的精确检验方法

考虑到资产组合有效子集的渐近检验方法通常只适用于大样本情形，为了提高在有限样本和小样本情形下有效子集判定的准确性和稳定性，通过分析资产组合有效子集新的判定条件，提出了一种基于Block-Bootstrap随机模拟的有效子集精确检验方法，同时对几类一致性协方差阵估计下的稳健检验方法进行了检验功效和检验水平的比较，模拟结果表明基于Block-Bootstrap随机模拟的精确检验方法更为可靠，实证结果也表明该方法得到的有效子集更为稳定.     

无线传感器网络节点随机调度算法研究

针对已有的无线传感器网络节点随机调度算法存在的问题,即由于节点是利用产生随机数的方法加入到不同的工作子集,从而导致初始子集中节点分布不均,在概率感知模型下提出了一种基于节点平均度的随机调度算法。该算法利用邻居节点之间的信息传输,使得每个节点的邻居节点尽量均匀分散在不同的子集中。通过随机概率理论分析了概率感知模型下网络覆盖度与节点数之间的关系,解决了新算法的节点配置问题。仿真实验证明了新算法的有效性及分析的正确性。     

基于双响应曲面的精密产品子集模拟可靠稳健优化设计

针对不确定性场景下小失效概率的精密产品可靠性问题,提出了基于双响应曲面法(dual response surface methodology,DRSM)与子集模拟的可靠稳健优化方法。首先,建立精密产品多失效模式极限状态的RSM模型和以质量特性均值-方差为优化目标的功能函数DRSM模型。其次,在此基础上运用子集模拟法进行可靠性分析,将精密产品小失效概率描述成一系列较大的条件失效概率之积。最后,将极值事件的优化问题视作稀有事件的可靠性问题的特例,基于该转换思想采用子集模拟法将优化问题在可靠性问题的框架内进行求解。案例分析及验证结果表明所提方法的有效性。     

基于不确定性描述的云化Markov链状态预测方法

针对Markov链在预测概率发生跳变时无法有效地衡量样本归属程度的问题,提出一种云化Markov链的状态预测方法,通过云模型描述和处理样本的不确定性。该方法将划分的状态区间视作一种概念,利用云模型对其进行云化表示,据此计算样本对各概念的确定度,得到概念之间的概率转移矩阵,从而实现带有随机特性的状态预测。概念转移概率作为关键随机变量,对其进行了核密度估计。最后以多次随机实验的概率和提取代表性转移概率分别给出了仿真实验结果,表明该不确定性描述的预测方法在解决Markov链预测概率跳变现象的同时,可通过确定度的分配有效地表述样本的归属程度,具有较好的实用性。     

概率化的形式背景方法及其在投资风险评价中的应用

当在形式背景上考虑一个一致性的概率空间时,形式背景的属性集的各个子集的特征数可以通过形式概念的外延的概率获得定义。进一步,如果给予一个关于此一致性概率空间的正则随机变量,则可以借助条件期望定义属性集的各个子集的风险测度。概率化的形式背景模型在投资风险分析中有一个很好的解释,这种解释为跨国投资活动提供了新的风险环境挖掘方法和风险度量方法。     

变结构交互式多模型滤波和平滑算法

针对机动目标跟踪问题，提出了一种变结构交互式多模型滤波和平滑算法。首先，对多模型滤波和平滑问题进行了简单描述，并给出了前向交互式多模型滤波和后向交互式多模型平滑的数学模型；然后，建立了变结构交互式多模型算法的精确模型，模型子集之间并行独立运行，通过选取概率最高的模型子集的状态估计作为最终的估计结果；最后，对变结构交互式多模型算法的滤波数据进行平滑处理，得到了变结构交互式多模型滤波和平滑算法。所提算法将前向滤波和后向平滑相结合，提高了目标跟踪精度。仿真结果表明，变结构交互式多模型滤波和平滑算法的跟踪效果优于其他方法。     

基于广义指数预报因子的石油价格预测模型

提出了两种基于广义指数预报因子模型的石油价格预测方法.该方法使用拟合期内的样本,在不同准则下选取有限个不同参数的EWMA的线性组合,作为油价的预报因子.实证分析显示,该方法的预报结果比文献中已有的结果要准确.     

Fuzzy控制预报模型及其应用

论述了 Fuzzy控制预报模型的建模方法 ,并探讨了该模型在麦长管蚜发生期预报中的应用 :我们将麦长管蚜发生期的预报过程拟成一个 Fuzzy控制系统 ,预报因子作为系统的输入 ,预报对象作为系统的输出 ,根据历年系统观测资料 ,建立了 Fuzzy控制预报模型 .对历史资料进行回代验证 ,其历史拟合率达 1 0 0 %.将 1 995年观测数据作为独立样本进行试报 ,预测结果与实际一致 .     

核的最近邻算法及其仿真

为了提高近邻法的分类性能,提出了核的最近邻算法。通过mercer核,将样本映射到高维特征空间,再用近邻法分类。核映射改善了样本的空间分布,突显了样本的类别特征,从而提高了分类的性能。给出了核近邻算法的判决过程。对于人工数据和入侵检测数据的仿真显示,核近邻分类方法的分类性能优于传统的最近邻分类法。     

基于小波-NAR神经网络的气象要素时间序列预测与天气指数彩虹期权估值

本文基于小波-NAR神经网络技术,提出气象要素时间序列预测与天气指数彩虹期权估值的原理与方法,同时采用2000-2014年悉尼日均气温和日降雨量数据,进行气象预测与天气期权估值.结果显示:小波-NAR神经网络因灵活的非线性动态结构较好地反映了气象变化特征,其预测与估值效果优于其他模型;该天气期权价值形成中的非线性特征取决于五种经济效应.科学预测天气和估计天气期权价值,开发天气衍生品,可挖掘天气不确定性的经济价值,弱化其对天气敏感产业的影响.     

运用样本更新的实时神经网络进行短期电力负荷预测

用多层神经网络模型解决短期电力负荷预测问题 ,提出了运用基于非梯度的单参数动态搜索(SPDS)算法训练网络 .这种学习算法可以克服 BP学习算法对规模大、特征多的问题难以收敛的困难 .根据预测日的天气信息进行样本集的动态构造和网络的实时训练 .计算结果表明 ,文中提出的模型可以较好地进行短期电力负荷预测 ,也验证了 SPDS学习算法的有效性.     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

Generalized Weighted Mean Combining Forecasting and Its Application in the Forecasting of Air Materials Consumption

1　IntroductionCombiningforecastingisalwaysbeingpaidattentiontobythedomesticandforeignfore-castingrepublicrecently.Fortheactualcaseofvariousforecastingproblems,combiningforecastingmodelsmayadoptdifferentformssuchas:weightedarithmeticmeancombin-ingfor...     

变权组合预测模型研究

给出了一种变权重组合预测模型权系数估计的新算法 .该算法通过广义逆矩阵的循环迭代 ,形成收敛的权系数 ,进而进行组合预测 .文中还给出了算法收敛性的证明 .实例分析效果是显著的——变权重方法比普通方法预测精度高 ,拓广了组合预测的范围.     

粗正交小波网络及其在交通流预测中的应用

基于交通流预测的特点和输入向量的主成分分析方法,把粗集理论与正交小波网络相结合,给出了一种基于粗集的正交小波网络交通预测模型,并成功应用于城市交通流的实时预测.粗正交小波网络具有极强的鲁棒性,可以有效克服季节、天气等随机因素对交通流量预测性能的影响;主成分分析方法解决了正交小波网络多维输入时的维数灾难.实验结果表明,该模型的预测精度和收敛速度明显优于常规BP网络和小波框架神经网络,对交通流量等预测问题具有较高的应用价值.     

基于组合预测的装甲装备器材需求确定

为提高装甲装备器材需求预测的科学性,设计基于组合预测的器材需求确定方法。首先明确组合预测模型的构建流程与具体步骤,引入预测有效度理论,以评估模型的预测有效度。其次优化了关联面积法,实现组合预测模型中构成单元权重的动态配置,为模型滚动式更新及最终确定奠定基础。算例分析过程表明,基于组合模型的预测不仅能够提高局部器材需求预测的准确性,而且能够提升整体预测过程的稳定性。     

基于TEI@I方法论的通货膨胀问题分析与预测

基于TEI@I方法论提出了通货膨胀预测的研究框架.首先对通货膨胀的相关影响因素进行了分析,然后建立了因子预测模型、ARIMA模型、向量自回归模型以及马尔可夫状态转移模型,并分别进行了预测.然后采用Boostrap方法进行了集成,得到了每种预测方法的权重,并利用载止2007年12月的数据对2008年的月度通货膨胀率进行了集成预测,实证结果表明新的集成方法使预测结果更为稳定.     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

基于灰色预测与模式识别的企业危机预警模型研究

针对当前大部分企业危机预警模型只能报警,不能预测的现状,提出一种基于灰色预测与模式识别的预警方法.该方法首先对企业运营的单项特征指标建立灰色模型,其次将所有指标的模型组合起来,构成系统状态方程进行预测,然后利用模式识别的方法对预测结果进行分类,判断企业的危机状态,最后用实例验证该模型的有效性.