基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

离散分布时滞随机神经网络的稳定性

主要研究了具有分布时滞的随机系统的全局指数鲁棒稳定性,依据李雅普诺夫方法和线性矩阵不等式的方法,得到了参数不确定时滞相关的全局均方指数稳定性准则,数值实例演示证明其结果的有效性和可行性.     

基于Lyapunov指数的预报方法及在气象预报中的应用

介绍了混沌时间序列的 Lyapunov指数预报分析方法 ,并应用混沌方法对气象预测时间序列进行处理 ,把其混沌特性应用于气象预报中。根据气象时间观测数据计算了重构相空间嵌入维数 D2 和 Lyapunov指数。结合实际例子对 Lyapunov指数预测方法进行了验证。     

基于组合预测的间断性需求器材预测

为了提高间断性需求装备器材的预测精度,提出一种组合预测模型。该模型从解释变量序列和自相关序列两个方面进行组合预测,对解释变量序列采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,整合两个预测结果得到最终的提前期需求。实验结果表明,该预测模型具有较高的预测精度。     

基于二维模型的保性能离散重复控制系统设计

对于线性离散系统,给出了一种基于离散二维模型的保性能重复控制设计方法。首先为了提高系统的稳定性引入了状态反馈;用离散二维系统的状态反馈来描述重复控制律;然后,使用保性能重复控制设计方法来确保控制系统性能指标不超过某个性能上界。和现有方法的区别是,通过调节性能指标值泛函中相关权重,能够方便地对控制和学习行为进行独立调节。最后通过仿真验证了该方法能取得满意的跟踪性能。     

多核乐观并行仿真的负载均衡研究

对于运行于多核计算机、基于多线程实现的乐观并行仿真,虽然操作系统可对线程进行调度以平衡各个核的负载,但它无法控制各逻辑进程本地虚拟时钟的平衡推进。提出了多核乐观并行仿真的四层负载分配模型及一种静态划分与动态负载均衡相结合的负载均衡方案。静态划分使用Metis图划分包对模型实例进行划分;动态负载均衡优先调度本地虚拟时钟较小的逻辑进程以实现各逻辑进程的平衡推进,无须进行模型迁移,易于实现。通过一序列实验检验了所提出的负载均衡方案的有效性。     

铁水调度仿真系统的设计与实现

现代钢铁企业中,铁水物流过程工艺复杂、设备众多,对铁水调度进行研究具有重要的理论意义及实际应用价值。在对铁水物流过程及铁水调度问题进行描述的基础上,提出了铁水调度的仿真策略,开发了基于可视化的图形化编辑器平台的铁水调度仿真系统,介绍了仿真系统的总体框架,应用离散事件仿真方法对铁水物流过程进行了仿真,并对扰动事件的模拟与识别模型、扰动的动态调整方法进行了研究。描述了仿真系统的软件结构及功能。应用国内某大型钢铁企业生产现场的实际数据进行了仿真实验。仿真结果表明了所开发的铁水调度仿真系统的有效性,为深入研究铁水调度的智能优化算法提供了可视化的仿真实验平台,并为进一步在实际生产中应用奠定了基础。     

StarSim:支持快速构建的离散事件系统通用模拟框架

离散事件系统是研究和实践中常见的一类目标系统,使用软件对其进行模拟是有益甚至必须的。提出支持快速构建的离散事件系统通用模拟框架StarSim,为离散事件系统快速构建软件模拟器。StarSim设计简单通用的系统抽象模型以支持快速构建目标系统模拟器,提供基于事件的实体间交互方式以表达目标系统中的交互行为,引入简化的对象请求代理技术以透明的支持分布性,使用基于令牌分发的多线程技术以并行处理目标系统中同时发生的事件,预留可定制的监测和控制接口以灵活的监控目标系统,使用Java语言编写以确保移植性。为一个混合类型离散事件系统快速构建模拟器,验证了StarSim的诸特性和快速构建能力。     

基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。     

一种基于PCA的时间序列异常检测方法

在 k-近邻局部异常检测算法的基础上,采用基于主成分分析的多元时间序列的降维方法,依据累积贡献率选择主成分序列,给出了一种效率较高的多元时间序列异常检测算法.实验结果表明:该算法可以较好地提高多元时间序列异常检测的效率