一种语音信号的线性局部自适应递推预测算法

语音产生过程包含非线性过程,传统的线性预测方法不能很好地解决这些非线性成份。局部线性预测是一种高精度的预测算法,但计算复杂度较大。为提高非线性预测的速度,提出了一种自适应递推局部线性预测算法．并设计算法的步骤,分析算法的复杂性。仿真结果表明,该算法比线性预测算法精度高,是一种有效的语音信号非线性预测方法。     

基于ICEEMDAN-PE/FE-IGWO-SVR的混合多步分解短期风速预测方法

针对风电场季节性风速波动性和时间尺度差异引起的预测滞后性问题，提出一种基于ICEEMDAN-PE/FEIGWO-SVR的混合多步分解短期风速预测方法。首先，以改进的自适应白噪声完全集合经验模态分解（ICEEMDAN）法对原始时间序列进行一次分解，得到精确的本征模函数（IMF）；再以排列熵（PE）和模糊熵（FE）联合判别方法对其进行二次混合分解，进一步削弱风速波动性；然后将分解后的数据代入支持向量机（SVR）进行预测。此外，为了找到更优的SVR参数，文中引入非线性动态更新因子和萤火虫算法的吸引机制对灰狼算法进行改进，并基于改进的灰狼算法对SVR参数寻优，进而对某风电场进行夏季短期风速预测，实验结果证明，与传统预测方法相比，该方法对短时突变型恶劣风况预测精度更高，对提高风电并网灵活性调度具有一定的应用价值。     

基于模拟退火的移动业务分布预测算法

该文提出了一种基于模拟退火的业务分布预测算法,该算法采用模拟退火算法求解超定方程组得到业务密度值。并且提出了业务密度权值的计算方法,从而在用模拟退火算法进行业务分布预测的基础上,给出了利用业务密度权值进行业务分布预测的算法。采用实际统计数据计算结果表明,该方法能够有效地预测业务的分布。     

cdma2000 1x EV-DV系统中信道质量指示符预测算法研究

cdma2000 1x EV-DV系统为了获得更好的系统性能,在前向链路应用前向链路信道质量指示符(Channel Qual-ty Indicator,CQI)来得到前向链路的信道质量。文章提出了两种CQI的预测方法,一种是根据过去CQI数值,然后采用数值方法来得到CQI的非线性数值逼进模型参数,然后,再应用这个模型对CQI进行外推预测;另一种CQI预测算法是基于对过去的CQI值进行归一化最小均方(N-LMS)预测。对两种CQI预测算法和传统的CQI处理方法分别进行了分析和仿真,从链路级证明了算法的有效性。     

基于预测方式选择的可逆信息隐藏

为了提高信息隐藏算法的性能,提出一种基于预测 方式选择和直方图平移的灰度图像可逆信息隐藏算法。通过两种相对准确的预测方法对像素 进行预 测,对突变像素进行标记,标记像素不做任何处理。最后选择其中一种相对准确 的预测值方法作为最终预测方法,求出预测误差并利用预测误差扩展和直方图平 移技术进行数据嵌入。算法自适应地选择最佳预测方法,充分利用图像冗余,有 效提高嵌入容量(EC)。实验结果显示,本文算法充分利用邻近像素间的关联性 ,在保证EC的同时有效提高了峰值信噪比(PSNR)和算法的整体性能。     

一种应用于TDD-CDMA系统的信干比估测方法

结合TDD-CDMA系统帧结构的特点,提出了基于正交解扩的信干比(SIR)估计方法。根据该估计方法,设计了直接预测、线性插值预测和卡尔曼滤波预测等3种易于实现的SIR预测算法。理论研究与仿真结果表明,基于正交解扩的SIR估计算法在不同信道条件和不同传输方式下都有比较好的性能,直接预测算法与其他2种算法相比,综合性能最好。     

大学基础课课程成绩加权投票预测模型研究

针对教育领域特定应用场景,利用数据挖掘技术处理教育数据是目前热点研究问题之一。课程成绩预测指对一门课程学生的期末成绩进行预测,其关键问题是通过选取合适的学生特征和确定最优的预测算法来构建预测准确率高的模型。针对大学基础课的特点,从主客观两方面选择特征,对比了4个效果最优的课程成绩预测分类算法,以准确率较高的算法构成加权投票集成算法,发现加权投票集成算法的预测准确率和AP值最高,为利用数据挖掘技术实现课程成绩预测提供了一种有效的方法。     

一种基于异常值检测和群体智能优化神经网络的电价混合预测模型

为了提高短期电价预测精度,本文提出了一种将异常值检测、时间序列分析、神经网络以及群体智能算法相结合的混合算法。作为混合算法的具体实现,文中的异常值检测利用了残差比方法和正态分布方法,群体智能优化算法选取了粒子群(PSO)算法和布谷鸟(CS)算法。作为实例研究,本文将混合模型应用用于澳大利亚新南威尔士州短期电价预测中,结果表明,混合预测方法能在一定程度上提高模型的预测精度。     

银行交易网络的链路预测

基于银行交易具有动态变化、时效性和重复性的特点,文中通过对银行网络进行清洗和压缩,研究银行网络的基本拓扑统计性质和聚类结构,并得到交易网络满足复杂网络的小世界和无标度特性。针对已有的链路预测算法在动态网络预测中的不足,提出一种自适应的动态链路算法对银行客户交易进行预测。该方法在预测网络的基础上添加了节点重要性与节点连接强弱性两个特性,并将3种预测算法结合随机算法进行了对比分析。随后将这3种算法运用到具有动态交易特性的3类真实数据集中进行实验验证。实验结果显示,新算法的预测精度约为75%。将该算法与经典的预测算法进行比较发现,提出的算法在预测方面的性能提升了5%~10%。     

小波系数相关特性及其在分层结构编码中的应用

分层树结构的编码和预测编码都是小波图像压缩中较为有效的方法,本文将就不同子带间及相同子带中小波系数的关联性作一探讨,提出了一种基于预测的分层结构编码算法(PBW),并对预测方程的选择进行了研究.实验结果表明,PBW算法是目前较为有效的算法之一.     

基于复杂网络的Psor链路预测算法

复杂网络领域中,链路预测在网络演化规律的研究中被广泛应用,具有巨大的实际应用价值。针对现有的基于网络拓扑的链路预测方法存在预测精度偏低的问题,提出了一种基于复杂网络的Psor链路预测算法。该算法综合节点自身和邻居节点的度,定义了节点的Psor指数和Psor相似性指标进行链路预测。该算法能够全面考虑复杂网络的局部结构信息,更加准确地对复杂网络链路进行预测。仿真结果表明,Psor链路预测算法的预测精度相比8种经典的相似性算法的预测精度最高提升了37.96%。     

一种基于最优组合模型的火箭弹跟踪算法

提出一种基于最优组合模型对火箭弹运行参数进行预测,利用它对跟踪的特征点下一位置进行预测。该模型的主要特点是避免了单一预测模型仅利用部分信息而带来的不足,详细推导了算法的数学模型。仿真结果证实了该模型较单一预测方法降低了预测误差、提高了预测精度,使得跟踪算法的精度得到很大提高。     

优化粒子群算法在组合供热负荷预测中的应用

分析了粒子群算法和组合预测的特点。将组合预测和粒子群算法结合,建立了一种组合形式的供热负荷预测模型。同时针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点对粒子群算法进行改进,解决了组合预测中权重难以确定的问题。改善了预测模型的拟合能力,提高了预测精确度。最后选取大庆油田某一天供热数据作为测试数据,结果表明组合预测误差较小,精确度高于其他单项预测方法40%以上。     

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度.该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一 LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SA-RIMA模型中提取的单位节点比例,对LSTM得到的初步预测结果进行修正,得到最终预测结果.实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性.     

基于ADMPDE-WNN的网络安全态势预测方法

精确预测网络安全态势,对分析网络安全态势和趋势、调整安全策略具有重要意义。针对复杂网络系统规模变化,建立了层次化网络安全态势评估模型;在分析小波神经网络(WNN)基本原理及优缺点的基础上,将具有寻优能力强、收敛速度快的自适应局部增强微分进化算法(ADMPDE)与WNN算法相结合,提出了基于ADMPDE-WNN的态势预测方法。通过仿真实验分析,ADMPDE-WNN算法大大减小了训练误差和预测误差,提高了网络安全态势预测精度。基于ADMPDE-WNN的网络安全态势预测是一种科学、合理的预测方法,具有一定的理论意义和应用价值。     

基于人工神经网络的改进共轭梯度算法研究

针对前馈式神经网络结构,提出用一种改进共轭梯度算法建模的最速下降搜索迭代的新方法,并把它用于神经网络。同时用神经网络来预报经济指标,通过预测中使用的基本模型和训练算法,提出了单因素非线性自回归和多因素非线性回归两种神经网络预报模型,并对四川省的社会总产值进行预测,结果表明此神经网络用于经济预测是一种新的、更精确、更有效的预测方法。     

缓动点目标检测技术中候选轨迹确定算法

本文讨论了低信噪比条件下缓动点目标检测技术中候选轨迹的确定算法。文章首先给出了计数积累和线性预测的一般方法，然后提出了一种基于计数积累、线性预测和轨迹约束的候选轨迹确定以及实现检测的算法，最后是算法性能分析。     

温特法在装备备件消耗预测中的应用研究

只有准确地预测备件的消耗，才能合理地确定备件的需求量。装备维修保障过程中，备件的消耗往往呈现出季节性变化，用移动平均法预测备件消耗的效果不是很理想，因此有必要寻找一种更为有效的预测备件消耗的方法。本文探讨了温特指数平滑法的计算方法和计算步骤，并通过算例分析了温特指数平滑法在装备备件消耗量预测中的应用，并对预测结果进行了分析和比较。结果表明温特指数平滑法用于备件消耗预测是有效的、可行的，比移动平均法具有更好的预测精度。     

基于卡尔曼滤波和D*算法的动态目标航路规划

针对目前运动目标航路规划存在的滞后性和计算量过大等问题, 提出一种适合于动态环境下动态目标的航路规划方法。首先, 采用卡尔曼滤波算法对目标下一步的位置进行预测, 然后, 调用D*算法以无人机当前位置为起点, 目标预测位置为终点进行航路规划。同时, 为了减少预测误差和保证高效的航路规划效率, 该方法引用了动态的目标观测周期。由于卡尔曼滤波算法是按照递推公式来预测无人机下一步状态的, 不需要很多的历史数据, 所以该预测算法不仅减少了计算量, 而且由于采用超前规划, 使算法具有了很强的实时性。从仿真结果来看, 该算法有效地缩短了航程, 减少了到达目标位置的时间。     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。