一种改进的collocation方法及其在动态定价问题中的应用

涉及多个状态变量的动态定价问题往往难以求解。基于此,引入多维插值与张量积,提出一种改进的collocation方法用于求解多状态变量的动态优化问题,并从理论上分析了改进后的collocation方法的收敛性。将改进的collocation方法应用于求解多个状态变量的动态经济问题。给出了改进后的collocation方法的实际运用,应用于解决有限记忆的动态定价问题。利用状态变量的切比雪夫格点与其估计值构造出时序的状态转移,并依据状态转移模拟最优价格路径。通过数值分析表明,改进后的collocation方法比线性二次逼近法更快的收敛于稳态。     

面向二十一世纪的生物学

·神经科学·解密大脑　　演绎着学习、情感和运动机能控制等奇迹的人脑 ,一直被认为是一个难于测知的“黑箱” ,如今 ,我们获得了开启这一黑箱的钥匙蒙娜·丽莎的微笑“如果你能像我回想‘蒙娜·丽莎’那样把我脑海里正在发生的活动描绘出来 ,我立马走人 ,”纽约哥伦比亚大学的神经生物学家埃里克·坎德尔 (ＥｒｉｃＫａｎｄｅｌ)说 ,“我会认为记忆问题差不多解决了。”坎德尔作为其研究领域的领导者 ,深知他的职位在一段相当长的时间里还是无人能够动摇的。确实 ,我们在记忆的分子基础方面所获得的知识 ,有许多是源自他数十年来对一种具…     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。     

TM:CAT的CPU中国研究概述与反思

翻译记忆库(TM)作为计算机辅助翻译(CAT)软件的核心模块(CPU),是产出高质量高数量译文的关键.从对CNKI近二十年(1998—2017)来的统计信息来看,中国学术界对TM研究主要集中在理论探索、技术流程、工具介绍、教学探究、应用实践等方面,且数量明显较少,说明国内对TM技术研究还很薄弱.这种现状不得不引起我们对...     

液体包装机灌装记忆的实现

在医药用液体包装机的灌装过程中,药液的漏灌和无瓶灌装会造成很大的经济损失,在生产过程中必须禁止,然而,由于流水线上药瓶的不连续传送以及停电、紧急停车等故障的发生,都会产生漏灌和无瓶空灌的现象发生。本文主要对液体包装机灌装控制中出现的问题加以分析,并提出了一套行之有效的控制方法。     

基于卷积神经网络-双向长短期记忆网络的人体活动识别方法

针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行...     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验,研究结果表明,本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error,MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error,MAPE)和决定系数(Ccoefficient of Ddetermination,R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。此外,研究还证实,采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。     

基于CBAMs-BiLSTM模型的中国股市预测（英文）

卷积块注意力模块（CBAM）因其可以有效地提高深度学习模型的预测准确性从而在各种预测问题中显示了其优越性。然而,CBAM在股指预测问题中的有效性研究却十分有限。为了解决这个问题并提高股指的预测精度,本文提出了CBAMs-BiLSTM模型。它将多个CBAM与双向长短期记忆网络（BiLSTM）相结合。研究中,标准指标评价法（SME）和模型置信集检验（MCS）用于综合评价模型的优越性和稳健性。实验数据为具有代表性的中国股指数据集：上证综合指数和深证综合指数。数值结果表明,CBAMs-BiLSTM优于单独的BiLSTM。其中在MAE,RMSE和MAPE上分别平均降低了13.06%,13.39%和12.48%。这证实了CBAM可以有效地提高BiLSTM的预测精度。此外,通过与其他流行模型进行对比,并研究了改变数据集、预测方法和训练集的大小的影响。结果一致证实了CBAMs-BiLSTM在预测精度和投资回报方面的优越性和稳健性。     

利用出租车GPS轨迹数据进行短时交通流量预测：以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。本文以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5min、10min、15min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,本文提出一种基于信号分解的预测模型GE-RL。通过一般线性模型（GLM）将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解方法（EMD）对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林模型（RF）对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型（LSTM）构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;同时为验证模型精度,设置对照模型进行比对。结果表明,所构建的GE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。