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.     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

多形状参数的均匀B样条曲线

利用分段积分的方法并引入多个形状参数,将单形状参数的均匀B样条曲线推广到多形状参数的情形;这类曲线具有标准的均匀B样条曲线及单形状参数的均匀B样条曲线的主要性质,如连续性、凸包性等;根据形状参数的各种不同取值,这类曲线既能整体地又能局部地调控其形状,由此生成的曲线与曲面,作为一种新的几何造型方法,可应用于CAD/CAM领域。     

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。     

爆炸荷载作用下RC单向简支板的优化设计

目前,对爆炸荷载作用下的钢筋混凝土(RC)结构和构件的设计主要采用控制其动力响应最大位移的方法,例如TM-5和ASCE的试算法,类似于静力作用下的极限状态设计法,虽然过程简单,却无法获得最优化的设计.由RC板的抗力-挠度(R-y)曲线分析可知,曲线下方面积代表板在爆炸荷载作用下可能吸收的能量,直接体现RC板抵抗爆炸荷载的能力.采用TM-5和ASCE推荐的单自由度体系简化RC简支单向板,选用双折线模型计算RC板的R-y曲线,分析不同配筋率的R-y曲线下方面积,面积最大时的配筋率即为该设计的最佳配筋率,改变板的几何尺寸,按上述方法分别得出不同设计方案的最佳配筋率.爆炸荷载作用下必须考虑应变率对混凝土和钢筋的应力影响和材料非线性,不能直接应用静力计算中的矩形等效原则简化计算,研究采用分层法迭代求解R-y双折线的特征值.研究成果和分析方法对爆炸荷载作用下的RC板的结构设计和加固设计具有较高的指导价值.     

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。 实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。     

随机细胞人工神经网络的稳定性

基于细胞神经网络输出函数饱和线性特性,采用分割状态空间为若干子区域的方法,对处于噪声环境下的细胞神经网络的几乎必然指数稳定性进行了分析.在噪声扰动项分别满足Lipschitz条件和线性条件下,依据平衡点所处子区域位置,得到了对应区域中仅依赖于网络参数构成的矩阵负定性的若干代数判别条件.特别地,如果平衡点为区域内点,所得结果是非常方便检验的.研究结果可供网络设计参考,并可用来计算网络抗干扰强度.     

一种改进的基于概率的Peer-to-Peer搜索模型

对等网络中如何快速地搜索到目标是对等网络研究的关键问题.针对现有无结构P2P系统的缺点,结合查询到目标对象的概率以及查询响应的时间,对原算法加以改进.该算法可以有效地找到目标节点,而且网络带宽消耗低.     

Forecasting Government Bond Yields with Neural Networks Considering Cointegration

This paper discusses techniques that might be helpful in predicting interest rates and tries to evaluate a new hybrid forecasting approach. Results of examining government bond yields in Germany and France reported in this study indicate that a hybrid forecasting approach which combines techniques of cointegration analysis with neural network (NN) forecasting models can produce superior results to the use of NN forecasting models alone. The findings documented in this paper could be a consequence of the fact that examining differenced data under certain conditions will lead to a loss of information and that the inclusion of the error correction term from the cointegration model can help to cope with this problem. The paper also discusses some possibly interesting directions for further research. Copyright © 2015 John Wiley & Sons, Ltd.     

直扩信号的谱检测和神经网络估计

论述了二次谱理论、谱相关理论和神经网络方法在直接序列扩频(DS/SS)信号的检测与估计中的应用,提出了利用谱分析结合神经网络的方法来实现对低信噪比DS/SS信号的参数及其伪码(PN)序列的估计.计算机模拟结果表明,该方法在较低的输入信噪比条件下能良好地工作.