Exponential stability of impulsive stochastic recurrent neural networks with time-varying delays and Markovian jumping

In this paper, we consider a class of impulsive stochas- tic recurrent neural networks with time-varying delays and Markovian jumping. Based on some impulsive delay differential inequalities, some easy-to-test conditions such that the dynamics of the neural network is stochastically exponentially stable in the mean square, independent of the time delay, are obtained. An example is also given to illustrate the effectiveness of our results.     

时标上一类递归神经网络反周期解的存在唯一性与全局指数稳定性

使用重合度方法和M-矩阵理论,得到时标上一类具有脉冲与分布时滞的递归神经网络反周期解的存在唯一性与全局指数稳定的充分条件.最后,通过1个例子说明结论的有效性.     

一种基于深度学习的中文文本特征提取与分类方法

提出了一种基于卷积循环神经网络的文本特征提取方法,同时对比使用统计学中的TF-IDF以及Word2vec方法的文本特征表示,将提取的特征分别放入SVM与随机森林分类器中对来源于中国知网的中文学术论文数据集进行分类。实验结果表明,使用卷积神经网络和卷积循环神经网络特征提取模型提取的特征所取得的分类效果比TF-IDF、Word2vec特征提取方法得到的分类效果更好,同时使用SVM和随机森林分类器取得的分类效果略好于原生的神经网络。     

关于不定方程x~3-1=181y~2

设p为素数且p≡1(mod 6).关于不定方程x~3-1=py~2的求解是数论的重要研究课题之一.研究p=181时不定方程x~3-1=py~2的可解性问题.利用递归数列,同余式,Pell方程解的性质证明了不定方程x~3-1=181y~2仅有整数解(x,y)=(1,0).     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

基于回声状态网络的船舶横摇运动预报

针对普通的递归神经网络训练过程较复杂,而且存在记忆渐消等问题,提出一种基于回声状态网络的船舶横摇运动预报方法.该网络将隐层设计成一个巨大的动态记忆库,具有记忆功能,隐层中的神经元在学习过程中不进行权值调整,而通过线性回归的方式训练网络,使网络记忆功能加强,学习速度加快.运用该网络对某型船舶在海浪遭遇角为90°海况下的横摇运动进行预报.结果表明:回声状态网络训练简单,加速了网络的训练速度,有更好的记忆性能,以预报60步为例,回声状态网络和对角递归神经网络预报的均方根误差分别为0.003 9和0.024 9,提高了近8倍,在相同的预报精度下,回声状态网络的预报时长明显增长,验证了该方法的可行性与有效性.     

基于神经网络方法的船舶姿态运动极短期预报与仿真

根据动态神经网络具有通过学习能以任意精度逼近非线性函数的特性，建立了用于船舶运动极短期预报对角回归网络（DRNN）模型及算法，并将该算法所取得的结果与自回归预报法和周期图预报法的结果相比较，说明了该算法的可行性。     

基于递归神经网络的焦化废水水质预报

采用铁碳电池预处理、厌氧－好氧－好氧－缺氧多级SBR工艺处理焦化废水实现了稳定的亚硝化反硝化生物脱氮。好氧，缺氧反应器的水质波动大，若能对其水质进行准确预报，对于指导生产操作及工艺流程实现计算控制具有重要意义。本文建立了一个三层递归神经网络模型，对一级好氧、二级好氧、缺氧反应器的主要水质指标实现了准确预测，预报平均相对误差分别为2．86％，4．99％，4．2％。     

Forecasting and trading currency volatility: an application of recurrent neural regression and model combination

In this paper, we examine the use of non‐parametric Neural Network Regression (NNR) and Recurrent Neural Network (RNN) regression models for forecasting and trading currency volatility, with an application to the GBP/USD and USD/JPY exchange rates. Both the results of the NNR and RNN models are benchmarked against the simpler GARCH alternative and implied volatility. Two simple model combinations are also analysed. The intuitively appealing idea of developing a nonlinear nonparametric approach to forecast FX volatility, identify mispriced options and subsequently develop a trading strategy based upon this process is implemented for the first time on a comprehensive basis. Using daily data from December 1993 through April 1999, we develop alternative FX volatility forecasting models. These models are then tested out‐of‐sample over the period April 1999–May 2000, not only in terms of forecasting accuracy, but also in terms of trading efficiency: in order to do so, we apply a realistic volatility trading strategy using FX option straddles once mispriced options have been identified. Allowing for transaction costs, most trading strategies retained produce positive returns. RNN models appear as the best single modelling approach yet, somewhat surprisingly, model combination which has the best overall performance in terms of forecasting accuracy, fails to improve the RNN‐based volatility trading results. Another conclusion from our results is that, for the period and currencies considered, the currency option market was inefficient and/or the pricing formulae applied by market participants were inadequate. Copyright © 2002 John Wiley & Sons, Ltd.     

基于Hensel构造的回归神经网络符号计算模型及算法

将传统意义下Hensel构造提升的方法与回归神经网络模型有机地结合起来，提出一种基于Hensel构造方法的回归神经网络近似代数符号计算新模型和PFRNN网络算法。该模型不但具有回归神经网络的特点，而且具有Hensel构造提升的思想，给人们研究代数符号计算与近似代数符号计算提供一种可视化手段。通过多元多项式近似因式分解算例分析可以看出，新模型刻划出在符号计算意义下精确计算与近似计算的本质与联系。