基于数据挖掘的金融时序频繁模式的快速发现

针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出一种金融时间序列模式快速发现算法.与传统的预测算法相比较,该算法对数据的分布和平稳性等方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后,可以用于金融时间序列的分析与预测.以实际汇率数据为例,证明了该算法的有效性.     

一致性测试中的时间约束及测试用例生成算法

针对协议测试理论中的时间约束问题，从不同的一致性测试方法出发对协议测试中的时间参数做了严格的约束，同时给出了基于等待、协调和同步时间的严格约束下的测试用例生成算法．在控制流测试中，先生成引导序列，然后按照测试拓扑环境设置和事件约束对引导序列、测试序列的时间进行约束设置．在数据流测试中，等待时间只需按照需求描述和约束来设定．对边界网关协议进行测试的结果表明，所提算法能适应不同的网络拓扑环境，其生成的测试用例在测试中能够有效降低测试代价．     

滑坡灾害短期临滑预报监测新途径研究

由于滑坡灾害的复杂性,迄今为止,尚未形成经得起大量实践验证的预报理论与方法,现仍然是地质灾害学中正在探索研究而未完全解决的难题.通过对滑坡灾害研究史、预测预报、监测技术的分析,认为在滑坡进入加速变形至剧变形破坏阶段,地表及深部监测网点及其设施遭受破坏,无法继续利用“点”式测量方法采集监测数据的情况下,地面三维激光扫描仪可不受干扰独立进行滑坡的“面”式测量,为预测预报滑坡的发生时间提供第一手连续可靠的数据资料,可进一步提高滑坡灾害预测预报的精度.     

影响地表动态移动和变形的因素

以Knothe模型的函数为基础,对不同推进速度和不同时间影响系数下动态地表移动和变形进行研究.结果证明:提高开采速度有利于减小地表采动损害;时间影响系数c较小时,下沉迟缓,最大动态变形值较小,随着c的增大,地表动态变形值增大.     

葡萄幼胚培养技术的研究(Ⅱ)——接种时间及处理方法对胚培养的影响

选用花后35￣60d的巨峰、里扎马特和无核白葡萄,取其幼胚接种于不同激素水平M S培养基上,进行胚培养,以研究接种时间及处理方法对胚培养的影响.结果表明对花后60d的里扎玛特和巨峰的幼胚进行胚培养,其发芽率和成苗率显著高于层积处理后催芽播种的种子的发芽率与出苗率.低温和横切处理能有效地促进葡萄幼胚的萌发.花后60d的巨峰和里扎马特的发育率和成苗率最高;花后60d的无核白的幼胚发育率最高,花后50d的幼胚成苗率最高.     

基于灰色关联分析的路段行程时间卡尔曼滤波预测算法

为改善卡尔曼滤波用于时间序列预测时的自适应性能，提出基于灰色关联分析的路段行程时间实时预测算法．首先，利用灰色理论对行程时间序列的各影响因素进行灰色关联分析，根据灰色关联度的大小来选取路段行程时间的主要影响因素，由此建立相应的动态方程．在此动态方程基础上，通过卡尔曼滤波递推进行路段行程时间预测．文中利用深圳某交通干道上的实测行程时间进行仿真实验，结果表明该算法的综合预测性能优于常规卡尔曼滤波方法，可应用于正常交通流状况下的路段行程时间预测．     

基于混沌系统的真随机数发生器芯片设计和实现

提出了一种真随机数发生器的硬件设计.结合时间离散混沌与振荡器采样,即由时间离散混沌系统作为高频振荡源,通过低速时钟采样产生随机数.理论研究和测试分析证明,该方案能生成分布均匀、彼此独立的随机信号.经制版流片后,芯片能在1 MHz时钟下输出满足随机性测试的串行随机数,且抗干扰性较好.     

模糊时间Petri网应用

本文在时间Petri网和模糊Petri的基础上提出了一个新的模型——模糊时间Petri网.在给出定义之后,并利用该模型的对一个简单的实例进行了分析,得出了利用模糊时间Petri网可以充分的利用资源,极大的提高了资源的利用率.     

数据网格中复制式数据的一致性维护方法

由于网格环境动态性的特点,网格延迟的不稳定等问题会严重影响数据的可获得性.针对这个问题,采用复制式的数据模型来给予解决.通过在数据网格中维护多个数据副本,用户可以选择其中任意一个进行访问修改.通过将网格服务与数据分离,将数据模型化为线性数据和树型数据,可以支持用户对网格数据的实时修改,并且可以维持多个数据副本的一致性.提出了一个新的时间戳模型,可以支持一个数据副本上的并发操作.本方法是一个无锁的算法,可以满足网格环境下数据的RIC属性.     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.