An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

基于UDEC巷道掘进矿压显现的数值模拟

通过采用UDEC软件,依据钻孔柱状图和采掘应力影响范围建立了相应的几何模型,根据煤岩体物理力学性质建立相应的材料模型,在此基础上结合地应力数据,从而完成数值模型.通过模拟实际巷道开挖尺寸及方位,得出巷道前方的应力分布和巷道两帮位移分布,为巷道冲击地压显现防治提供了理论支持.     

深部岩体传热机理的研究现状与进展

基于国内外深部工程普遍面临的高温状况,探讨了深部高温的形成机制与影响因素。围绕岩体导热性质研究、水热耦合迁移问题和工程环境对传热的影响三个方面阐述了深部岩体传热机理的研究现状,目前的研究成果主要体现在建立了深部工程的热交换理论体系、矿山地热学的理论体系和地下工程制冷降温系统的热力学基础。在总结分析的基础上,确立了深部岩体流固耦合传热问题的研究思路：开展深部工程区域的的渗流场监测和开展岩体的流固耦合传热实验和建立岩体在应力-渗流-温度耦合条件下的传热模型,揭示深部岩体的传热机理。     

CFG桩复合地基分层沉降监测实例分析

复合地基的变形计算方法不同,计算结果不同.通过对某实测工程地基分层沉降监测数据的研究,发现理论计算值与实测值有较大差距.分析产生差距的原因并比较了不同方法的差异.对刚性桩复合地基相似工程的变形计算与预测有一定的参考价值.     

对多功能雷达的DQN认知干扰决策方法

基于Q-Learning的认知干扰决策方法随着多功能雷达(multifunctional radar, MFR)可执行的任务越来越多,决策效率明显下降。对此,提出了一种对MFR的深度Q神经网络(deep Q network, DQN)干扰决策方法。首先,分析MFR信号特点并构建干扰库,以此为基础研究干扰决策方法。其次,通过对DQN原理的简要阐述,提出了干扰决策方法及其决策流程。最后,对该决策方法进行了仿真试验并通过对比DQN和Q-Learning的决策性能,验证了所提方法的必要性。为提高决策的实时性和准确率,对DQN算法进行了改进,在此基础上,结合先验知识进一步提高了决策效率。仿真试验表明:该决策方法能够较好地自主学习实际战场中的干扰效果,对可执行多种雷达任务的MFR完成干扰决策。     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。     

不锈钢拉深润滑剂的研制与应用

在优质基础油中添加适量的极压剂、油性剂、固体粉末以及其它添加物，作为不锈钢板材深冲用润滑剂，实验研究表明：该润滑剂具有优良的拉深润滑性能，完全能满足304小锈钢制品拉深工艺和产品质量的要求。