多位 Self-shrinking 序列模型及研究

给出了一种新的多位Ｓｅｌｆ－ｓｈｒｉｎｋｉｎｇ（自收缩）序列模型,且用一个ＬＦＳＲ装置就能实现该序列。利用有限域理论,解决了Ｓｅｌｆ－ｓｈｒｉｎｋｉｎｇ最长序列周期下界、线性复杂度下界,并给出更一般多位Ｓｅｌｆ－ｓｈｒｉｎｋｉｎｇ最长序列的周期下界、线性复杂度下界。     

能量捕获无线感知网络低时延数据收集策略

能量捕获无线传感器网络（Ｅｎｅｒｇｙ－ｈａｒｖｅｓｔｉｎｇ　ｗｉｒｅｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋ,ＥＨ－ＷＳＮ）的节点可 以从环境中捕获能量．目前,ＥＨ－ＷＳＮ节点所捕获的能量与维持其正常工作（例如感测、计算和数 据通信）所需能耗之间存在着较大缺口．节点常因能量不足需要捕获能量而停止数据转发工作,从 而导致数据收集时延增大．因此,为ＥＨ－ＷＳＮ设计一个低时延的数据收集策略是极为重要．对无 线链路定义了能够反映能量捕获功率、能量捕获时长和剩余能量的权值,并利用之提出数据收集树 构建算法,让具有较小权值的链路优先加入到数据收集树;提出了低时延数据收集策略,使得ＥＨＷＳＮ 的节点利用所构建的数据收集树传递数据．仿真结果表明：所提出的低时延数据收集策略在 数据收集时延方面优于已有方案．     

基于回声状态网络的飞机混沌时间序列预测模型

准确检测飞机即将发生的故障或预测其状态的变化趋势,对于实现飞行安全具有重要意义。文章针对传统基于回声状态网络在故障预测中的不足,构建了基于小波降噪的回声状态网络预测模型。该模型保留了非线性时间序列回声状态网络预测的优势,并采取小波变换对混沌时间序列进行降噪预处理,有效提高了含噪混沌时间序列的预测精度。论文通过对某飞机发动机滑油散热器温度时间序列数据序列进行预测分析,表明文中模型具有较好的预测精度,验证了模型的有效性。     

异型机网络数据库共享支撑系统DNV／dbase

本文提出了一种在异型机网络环境下实现数据库共享的方法，并构造了一个ｄｂａｓｅⅢｐｌｕｓ或ｆｏｘｂａｓｅ数据库在ＤＥＣｎｅｔ－ＶＡＸ／ＤＥＣｎｅｔ－ＤＯＳ局域网上共享的支撑系统ＤＮＶ／ｄｂａｓｅ（ＤＥＣｎｅｔ－ＶＡＸ／ｄｂａｓｅ的缩写），详细叙述了ＤＮＶ／ｄｂａｓｅ的设计、实现、功能、特点以及在ＤＮＶ／ｄｂａｓｅ系统的支持下，ＶＡＸ／ＶＭＳ信息体系结构成员Ｒｄｂ／ＶＭＳ和ｄｂａｓｅⅢｐｌｕｓ或ｆｏｘｂａｓｅ数据库实现实时的字段级数据交换的例子．     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.     

分解Sp(V,f)中元为辛平延的换位子之积

设Ｆ是一个域,Ｖ是Ｆ上ｎ维线性空间,Ｓｐ（Ｖ,ｆ）是Ｖ上由ｆ定义的辛空间。设π∈Ｓｐｎ（Ｖ,ｆ）记ｒｅｓπ＝ｄｉｍ（π－１）Ｖ。证明了,如果Ｆ是特征为２的完全域,且Ｆ≠Ｆ２,那么对任一π∈Ｓｐｎ（Ｖ,ｆ）,π都可表成不超过「ｒｅｓπ＋１２」＋１个辛平延换位子之积。     

基于特征选择和时间卷积网络的工业控制系统入侵检测

针对工业控制系统流量数据存在特征冗余及深度学习模型对较小规模数据集检测能力较差的问题,提出了一种基于特征选择和时间卷积网络的工业控制系统入侵检测模型。首先,对源域数据集的异常特征和样本不平衡数据进行处理,提高源域数据集质量。其次,针对流量数据的特征冗余,利用信息增益率和主成分分析法构建IGR-PCA特征选择算法,筛选出最优特征子集实现数据降维。然后,根据工业控制系统流量数据的时间序列特性,在较大规模的源域数据集上,利用时间卷积网络（temporal convolution network,TCN）对时间序列数据优异的处理能力,构建源域时间卷积网络预训练模型。最后,在较小规模的目标域数据集上,结合迁移学习（transfer learning,TL）微调策略,获取源域样本数据的流量特征,构建目标域TCN-TL模型。利用公开的工业控制系统数据集进行实验测试,实验结果表明：流量数据经本文特征算法处理后,相较于其他方法,在降低数据维度减少计算量的同时仍具有良好的检测效果;在较大规模的源域数据集和较小规模的目标域数据集上,本文模型均取得了良好的检测效果,在目标域中利用迁移学习微调策略能够学习到源域中的知识,模型检测准确率为99.06%,在训练时间对比中,本文模型训练时间消耗更少,具有更好的泛化能力,能够更好地保护工业控制系统安全。     

R/S-BP网络耦合模型及其在年径流预测中的应用

由一维径流序列构建的BP网络模型输入因子(输入层结点数)的确定至今尚无明确定论,R/S分析法能度量前期径流对当前径流的有效影响时长(拟周期),基于此构建了基于R/S分析法的BP网络预测模型——R/S-BP网络耦合模型。该模型由R/S分析法识别径流序列的拟周期,以当前径流为界将拟周期内的前期径流作为BP网络输入的待选因子,优选后得到模型的输入因子,从而构建BP网络并进行径流预测。将R/S-BP网络耦合模型应用于釜溪河流域年径流预测中,并与两种常规BP网络模型的应用结果进行对比分析。结果表明,釜溪河流域年径流序列存在13 a的拟周期;R/S-BP网络耦合模型的预测效果优于常规BP网络模型;R/S分析法可为BP网络筛选输入因子提供科学依据,减少人为选择的不确定性;R/S-BP网络耦合模型用于年径流预测是可行的。     

基于TBA融合模型的股票指数预测

由于股票市场的波动性和复杂性特点，股指预测一直是金融预测研究中的难点．长短期记忆（long short-term memory, LSTM）网络模型常用于金融指数的预测中，但该模型在长时间序列上易导致数据信息利用不充分．利用双向长短期记忆（bidirectional LSTM, BiLSTM）网络模型、时间卷积网络（temporal convolutional network, TCN）和注意力机制协同提高了模型识别以及提炼长时间序列数据特征的能力，构建一种新型股指预测融合模型TCN-BiLSTM-attention（简称TBA模型）．以中国境内近30年的公开股指数据集为例，将TBA模型与目前金融类主流的机器学习、神经网络预测算法以及kaggle竞赛排行前列的模型在上证指数、沪深300指数与创业板指数进行预测对比和消融实验．结果显示，相较于对照实验组的平均预测误差，TBA模型有明显降低且表现稳定，兼具准确性与鲁棒性．研究结果可广泛用于基于时间序列的多种金融预测场景．     

基于小波变换集成模型预测径流水位的研究

为获得更精确的径流-水位预报结果,利用Dmey小波变换将水位时间序列分解为高频信号和低频信号,再使用均生函数-最优子集回归对其进行预测,最后利用Dmey小波逆变进行重构,以此建立水位预测模型.通过对柳江历年水位进行实例分析,并与均生函数最优子集回归模型、逐步回归模型对比.研究结果表明,该模型能充分反映水位时间序列趋势,预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法.     

基于双通路卷积融合网络的脑龄分布预测

采用深度学习对脑龄预测问题进行研究,提出并设计一种基于双通路卷积融合网络的脑龄分布预测模型,以有效预测被试的大脑年龄。将被试静息态功能磁共振成像(rest-state functional MRI, rs-fMRI)数据通过标记分布学习方法,将确定的脑龄标签转化为一组具有高斯分布的概率,设计一个双通路卷积融合网络,包含卷积、批量归一化、池化等步骤,可以同时学习rs-fMRI多类激活图的特征,通过一个低秩融合网络来融合这些特征,利用损失函数对网络更新优化;对预测模型的结果进行详细分析。该模型得到的绝对平均误差和相关系数的指标分别为5.735和0.592 4。试验结果表明,相较于其他模型,该模型取得的平均绝对误差更小,相关系数更高,显著提高了基于rs-fMRI图像的脑龄预测精度。     

EGNOS天顶对流层延迟模型适应性评价与分析——以新疆地区为例

利用 ＩＧＳ站及实测气象参数的 Ｓａａｓｔａｍｏｉｎｅｎ模型来评估 ＥＧＮＯＳ天顶对流层延迟模型在新疆的精度,研究表明：（１）在新疆地区,ＥＧＮＯＳ模型与 ＩＧＳ站数据符合较好,ｇｕａｏ站 ＢＩＡＳ为 ０.９ｍｍ,ＲＭＳ为 １ｃｍ;（２）ＥＧＮＯＳ模型与实测气象参数的 Ｓａａｓｔａｍｏｉｎｅｎ模型比较分析后发现,两者之间平均 ＢＩＡＳ为 －７.９ｍｍ,ＲＭＳ为 １.６２ｃｍ,ＢＩＡＳ随纬度的增加由负值变为正值,ＥＧＮＯＳ模型精度在新疆地区随高程变化稳定,在高程较低处也能保证一定的精度,与其他同纬度不同高程的 ＩＧＳ站相比较,ＥＧＮＯＳ模型精度在新疆地区优于其他地区;（３）与 ＥＣＭＷＦ资料计算的 ＺＴＤ比较,ＥＧＮＯＳ模型 ＲＭＳ优于 ＥＣＭＷＦ近 ３.６ｃｍ。     

路面状况指数的BP网络预测

路面使用性能预测是路面养护策略决策的关系。在分析了路面使用性能预测模型发展中存在问题的基础上,利用神经网络建立路面状况指数ＰＣＩ的预测模型－ＢＰ网络模型 。     

基于误差修正的极端天气下风速预测

精确地预测极端天气下的风速能为配电网防灾抗灾提供重要的指导作用.本文提出基于时间卷积网络（Temporal Convolutional Network,TCN）与双向长短期记忆网络（Bi-directional Long Short-Term Memory,BiLSTM）和误差修正的组合模型对极端天气下的风速进行预测.首先对天气数据进行预处理,用TCN提取多特征数据的时间序列特性,将提取信息输入到BiLSTM中进行风速预测.为进一步提高预测精度,引入变分模态分解（Variational Mode Decomposition,VMD）对误差序列进行分解,分别对分解后的误差子序列构建BiLSTM模型进行误差预测,用误差预测值对风速预测值进行误差修正.结合河南省某地实测天气数据进行实验,仿真结果验证了所提方法能有效预测风速,并在极端天气发生时,对风速具有较高的预测精度.     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

基于交互差分时空LSTM的网格化臭氧浓度预测

臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型（ST-IDN）来挖掘臭氧浓度历史数据的时间相关性和空间相关性，并成功将其应用到网格化臭氧浓度数据预测上。在该模型中，首先交互模块（IC）可以通过一系列的卷积操作来捕捉短期上下文信息，其次层融合模块（LF）可以融合不同层的空间信息来获得上一时刻丰富的空间信息，最后差分时空LSTM模块（DSTM）将捕捉到的时间信息和空间信息进行统一建模实现臭氧浓度预测。所构建模型分别与卷积LSTM网络（ConvLSTM）、预测循环神经网络（PredRNN）以及Memory in Memory网络（MIM）模型在河北省气象局提供的臭氧浓度数据上进行了对比分析，ST-IDN模型的平均绝对误差分别降低了19.836%、12.924%、7.506%。实验结果表明，所提出的模型能够提高臭氧浓度的预测精度。     

基于Gram矩阵的T-CNN时间序列分类方法

时间序列分类是流式数据事件分析和数据挖掘的基础.针对现有方法损失时间属性、分类准确率低、效率低等问题，提出基于Gram矩阵的T-CNN时间序列分类方法.该方法对时间序列进行小波阈值去噪，过滤正态曲线噪声，提出基于Gram矩阵的无损时间域图像转换方法，保留事件全部信息.改进时间序列CNN分类方法，在卷积层计算引入Toeplitz卷积核矩阵，实现矩阵乘积替换卷积运算.引入Triplet网络思想，构建T-CNN分类模型，通过计算同类事件与不同类事件间的相似度优化CNN的平方损失函数，提高T-CNN模型梯度下降的收敛速率及分类准确性.实验表明，相比现有方法，T-CNN时间序列分类方法能够提高35%的分类准确率、35%的分类精确率及40%的分类效率.     

基于小波分解-Elman网络的灌区地下水埋深预测模型

地下水埋深受多种因素的影响,其演变具有趋势性、突变性与非平稳性。小波分解通过将时间序列分解成高频与低频分量来减少序列的非平稳性,其在处理非平稳信号方面具有明显的优势;Elman网络对非线性问题具有适应时变和动态记忆的优点。基于小波分解与Elman网络的优点,提出了一个新的地下水埋深预测耦合模型,并将其应用到人民胜利渠地下水埋深预测中;为验证模型的可靠性,将其预测结果分别与CEEMD-Elman模型和BP网络模型的预测结果进行了对比。结果表明:基于小波分解-Elman网络预测模型的最大相对误差为30.7%,最小相对误差为0.2%,平均相对误差为2.2%,预测效果较好;随着小波分解-Elman网络预测模型分解层数的增加,子分量与地下水埋深的相关性有增强的趋势,序列的平稳性越来越好;CEEMD-Elman模型和BP网络模型的平均相对误差分别为8.1%、3.8%,说明小波分解-Elman模型的精度最高。     

基于BiLSTM-SA-TCN时间序列模型在股票预测中的应用

针对股票预测模型存在时效性和预测功能单一化的问题，本文在长短期记忆网络（LSTM）的基础上，提出了融合自注意力机制（SA）和时间卷积网络（TCN）的双向长短期记忆（BiLSTM）神经网络（BiLSTM-SA-TCN）股票预测模型.BiLSTM-SA-TCN模型中的学习单元和预测单元可以有效学习重要的股票数据，同时能够抓取长时间的依赖信息，输出次日股票收盘价预测值.实验结果表明，BiLSTM-SA-TCN模型在多个数据集上的预测结果更加稳定，模型泛化能力较高，在对比实验中，BiLSTM-SA-TCN模型在大部分数据集上均方根误差最小，平均绝对值误差最小，拟合度R²最优.