基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

风险投资辛迪加成员背景、组织结构与IPO抑价——基于中国创业板上市公司的经验研究

通过手工收集创业板公司风险投资辛迪加数据,本文研究了辛迪加成员背景、内部组织结构与公司IPO抑价间的关系.经验研究发现,辛迪加、主导机构和主导背景的规模均能有效提升公司质量.政府作为主导机构或主导背景均不能改善公司绩效,而外资在这两方面都是有效的投资者.此外,混合背景结构辛迪加比单一背景结构辛迪加对公司的贡献更大.     

一种基于地理位置预测的高性能路由算法

提出了基于ARIMA预测模型的高效路由算法.该算法中节点通过前向与反向成功转发率、数据传输速率等计算链路的丢包率和期望传输次数来获取干扰感知期望传输时间(i ETT),代替DSR路由算法中的最短跳数判据.并引入ARIMA模型来预测节点下一时刻的运动位置,防止链路频繁断裂造成的网络丢包,并在链路失效之前预先选择最稳定的路径进行数据传输.仿真结果表明,所提路由算法相比DSR判据吞吐量提高6%~9%,平均端到端时延降低2%~6%,提高了网络整体性能.     

矩形截面型材三维拉弯成形的回弹预测

设计了用于三维拉弯成形的、可重构的柔性模具,并采用支持向量回归机和有限元模拟对柔性三维拉弯成形的回弹进行预测.使用有限元法分析了对回弹量影响较大的6个因素(包括材料参数、几何参数和工艺参数),以及它们对回弹的影响趋势.选用这6个参数设计有限元三维拉弯模拟实验,并用模拟结果训练和检验支持向量回归机回弹预测模型.通过与广泛应用的神经网络预测方法的预测值和有限元模拟试验结果的比较,检验该回弹预测模型的准确性.研究发现,该模型与神经网络相比具有更高的准确度,在试验中根据该模型预测的回弹量对模具型面进行相应的补偿,可以有效地减小回弹和形状偏差.     

莆田市固定资产投资与经济增长关系的实证研究

基于莆田市1983-2012年间的固定资产投资与地区生产总值(GRP)的数据,利用单位根检验、协整检验、Granger因果检验和误差修正模型等理论方法,实证分析莆田市固定资产投资与经济增长之间的关系。结果表明固定资产投资与地区生产总值(GRP)存在长期稳定的均衡关系,固定资产投资与经济增长存在单向的因果关系,即固定资产投资是经济增长的Granger原因,这说明莆田市的固定资产投资是经济增长的重要动力。根据分析结果对莆田市的经济发展提出一些政策性的建议。     

基于证据权模型的宁芜盆地中段玢岩铁矿资源预测

基于证据权模型,对宁芜盆地中段玢岩铁矿进行矿产资源评价.首先,结合研究区的成矿地质背景,提取地层、岩体、构造、物探异常等四大类证据因子.然后,分析各证据因子与铁矿点之间的空间关系,认为大王山旋回火山岩与次火山岩与玢岩铁矿的关系最为密切,是寻找玢岩铁矿的岩石标志,深成侵入体则与铁矿空间上无明显关系,构造、物探异常在空间上与玢岩铁矿也有较大关联.根据计算结果,选取与玢岩铁矿密切相关的大王山旋回火山岩地层、闪长玢岩岩体、各方向(EW,NW,NE)构造缓冲区、航磁异常和布格重力异常七类证据图层.最后,采用证据权模型进行成矿后验概率计算,结合成矿地质背景及物探异常,圈定5个成矿预测区,它们在区域上具明显的NE向展布特征,并且普遍分布与成矿密切相关的闪长玢岩岩体,同时位于航磁高值以及NW向和NE向构造发育密集处.     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于蚁群搜索理论的优化卡尔曼步频预测

为了使智能下肢能够实时地调节膝关节阻尼,使其固有频率与实际步频相符,达到更加接近正常步态的效果,提出了一种基于蚁群搜索理论的卡尔曼步频预测算法.利用蚁群算法在规定的连续域中寻找卡尔曼预测方程中系统误差与测量误差两个参数的最优组合,实现对卡尔曼预测方程的优化.通过获取六组人行走的步频数据进行实验,结果表明:经蚁群算法优化后,卡尔曼预测算法预测得到的步频与后验值之间的误差比跟随方式的误差分别减少了44.10%,43.42%和36.17%,证明了基于蚁群搜索理论的优化卡尔曼步频预测方法在智能下肢控制上具有良好的应用前景.     

基于模板匹配与线性预测的目标跟踪算法

为解决复杂场景中目标遮挡、算法鲁棒性差的问题, 提出基于模板匹配与线性预测的算法。该算法分为模板匹配和线性预测两部分。场景中无遮挡物时, 执行模板匹配算法, 获取目标跟踪信息; 否则, 通过预测算法估计目标的状态, 进而实现目标跟踪。实验结果表明, 在目标有遮挡干扰的情况下, 采用该算法能稳定、准确地实现目标跟踪, 与传统的模板匹配算法相比具有较强的鲁棒性。