元胞自动机理论及其在图像边缘检测中的应用

元胞自动机(Cellular Automata,简称CA,大量元胞通过简单的相互作用而构成动态系统的演化)元胞自动机是一类模型的总称,或者说是一个方法框架。其特点是时间、空间、状态都离散,每个变量只取有限多个状态,且其状态改变的规则在时间和空间上都是局部的。本文基于元胞自动机理论,初步探讨了其在图像边缘检测中的应用。     

一种新颖的蛋白质序列可视化模型

利用相似规则、互补规则和分子识别理论建立一种氨基酸数字编码模型用于研究序列特征、功能预测。给出一种新的基于元胞自动机的蛋白质序列图像生成方法,其优点是考虑了氨基酸前后的相互作用,生成的图像与基因序列一一对应,许多隐藏在蛋白质序列中的重要特性通过元胞自动机图可以表现出来。基于蛋白质元胞自动机图所得到的蛋白质伪氨基酸成分,蛋白质亚细胞定位预测成功率可以达到86.4%。     

基于元胞自动机的洪泽湖洪水蔓延模型研究

分析了元胞自动机的基本原理和构成,利用元胞自动机原理建立了洪泽湖洪水蔓延模型。模型以栅格空间数据结构作为基础,采用二维元胞自动机模型,确定了元胞空间和元胞状态,建立了洪泽湖洪水蔓延的规则,并根据规则以9邻域方式进行元胞状态的更新。选择性地测试了洪水蔓延模型的计算结果,模型计算数据与实际数据的比较表明,二维元胞自动机模型能够更为简单、快速地模拟洪泽湖洪水的蔓延。     

一种基于博弈理论的BBS舆情预测模型

网络论坛（BBS）中曝光帖的“主帖方”和“回应方”存在着典型的动态博弈行为,主导着舆情的演化进程.为了预测这种舆情的发展,以双方发帖的偏离事实程度为策略空间,设计了一种符合现实的“主帖方”和“回应方”发帖行为博弈模型,建立了基于小世界网络和元胞自动机的舆情预测模型,对现有的元胞自动机模型进行改进,用博弈策略解调节元胞自动机的迭代规则参数,实现“主帖方”和“回应方”对舆情发展的主导作用.通过仿真实验,结果表明回帖数、支持数与反对数之比等指标的变化趋势与现实中的网络事件较为吻合,说明了模型具有一定的合理性和有效性.     

基于元胞自动机的交通流计算机模拟

元胞自动机是把复杂系统量化为简单的个体,在元胞自动机模型中.空间、时间都被离散化,每一个相互作用的单元仅为有限的状态.以元胞自动机理论为基础,把车辆在路段上交通流中运动的变化规律表述为元胞自动机的演化规则,建立了基于元胞自动机理论的交通流模拟模型,标定了元胞长度和最大速度等参数,分析了元胞变换的原则;详细探讨了元胞自动机在道路交通模拟中的应用,设计出了交通元胞自动机的结构,分析了交通元胞自动机所采取的状态变换原则,建立了一维(单车道)交通流模拟模型;并利用C语言编程实现模拟.模拟结果符合实际交通流的特点.     

区域耦合状态转移概率化元胞自动机模型

针对多区域系统内部各个子区域属性的差异化,提出多区域耦合状态转移概率化元胞自动机模型。在该模型中,运用区域耦合原理和耦合区域信息交换规则来构造元胞自动机（CA）模型的演化规则,实现局部子区域之间的信息交换,运用不同类型的元胞自动机模型对子区域分别建立不同的CA模拟模型,并用概率化方法处理模拟模型中元胞状态的转化,实现各个子区域状态的演化。实验表明,子区域在保持自身演化形态相对独立的同时,通过边界区域耦合进行演化连接,各个子区域内的元胞能与其边界耦合区域内的元胞保持一种相对稳定的有序形态,且一个子区域的影响能在一定程度上传递到其他子区域内。该模型能很好地处理大规模复杂区域环境下的空间演化模拟。     

基于一维扩展元胞自动机的伪随机数发生器研究

随机数作为加密数据的载体,备受关注,自然,随机数发生器亦成为密码学的重要研究课题之一。依据元胞自动机(CA)的基本理论,构造出一维扩展元胞自动机模型,借以生成随机数发生器的元胞自动机规则,同时引进遗传算法(GA),以元胞状态序列的熵作为遗传演化的适应度,从而有效地实现最佳元胞自动机规则的搜索,即构造出特定初始条件下的最优GA-CA耦合随机数发生器。最后对其生成随机数性能进行统计检验,其结果通过美国联邦信息处理标准(FIPS140-2)。为网络安全应用提供一种新的、特别适合硬件实现的、简单快速的伪随机数发生器。     

基于元胞自动机的人员疏散模型设计与实验

元胞自动机作为一种动态模型与通用性建模的方法,其应用几乎涉及社会和自然科学的各个领域,在当前物联网技术、宽带通信技术时代得到了更加广泛的应用。利用元胞自动机原理建立人员疏散的数学模型,模型采用二维元胞自动机技术,确定元胞空间和元胞状态,根据实际情况建立人员移动行为规则并讨论元胞重复行进次数和危险物质扩散对人员行为的影响。实验结果表明,该模型具有一定的真实性和合理性。     

城市交通网元胞自动机全局流量预测方法*

面对城市交通的日益拥堵,针对交通管理中全局流量预测难的问题,通过将路口的各个方向的车流以不同的边表示,将双向道路的两侧分别拆分为两个端点。并提出了精准描述进入和离开交通道路各方向负载的方法,以节点作为元胞自动机的元胞,以边关系作为元胞的邻域,利用阻塞-转移方法,建立元胞自动机的局部规则,并采用递归算法计算每一时刻交通网中各个节点元胞上的交通流量,构建城市交通网络流量预测模型。最后以某市交通主干道的实测流量数据为例,验证了该预测模型的准确性和高效性,从而证实了该模型对于城市的交通管理能力有一定的提升的作用。     

一种基于博弈论的疏散出口选择模型

针对紧急情况下人员疏散行为的特点,提出一种基于博弈论的疏散模型。模型考虑了疏散过程中疏散者之间的相互影响,每个逃生者根据其他逃生者的策略进行最优决策,逃生者的策略为纳什均衡下的策略。给出纳什均衡的求解方法,通过实例模拟验证其合理性。模型采用基于元胞自动机的仿真技术对人员疏散过程进行仿真,通过仿真表明模型能有效模拟多出口条件下人员应急疏散特性。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

基于三次样条权函数神经网络的股价预测

随着经济的发展,股票投资已成为很多人的一种投资理财方式,而股票价格的预测也成为投资者关心和研究的焦点。建立一个运算速度和精确度都比较高的股价预测模型,对于金融投资者具有理论指导意义和实际应用价值。文中针对传统BP算法存在的学习速度慢、容易陷入局部极小值、隐层数不易确定等问题,使用三次样条权函数神经网络建立股价预测模型,克服了传统神经网络的缺点。仿真结果表明,该模型具有较高的预测精度,能够对股市进行有效的预测。     

基于时间序列模型的黄金价格预测

由于黄金价格受到诸多经济及政治因素的影响,其生成过程十分复杂,因此研究黄金价格的动态演变过程具有极强的现实意义。而具体的预测要根据市场的过去和当前的需求,以及影响市场需求变化的因素之间的关系,利用一定的判断、技术和模型,对其价格波动变化及发展趋势进行分析和判断。利用时间序列相关理论,建立黄金价格的ARMA模型,发现其可以动态刻画黄金价格数据的生成过程并且较好地对黄金价格进行预测。     

期望价值理论在股票交易模型中的应用

对计算金融学来讲,行为金融学是基础。本文在前人研究的基础之上,首先根据投资者对股票价格行为的不同作用,将其分为机构投资者与散户投资者两类;后分别对两类投资者进行建模,其中特引入行为金融学的期望价值理论思想,对散户投资者进行建模;最后分析相关实验结果,并再现了涨跌停板制度,以及银行利率调整对股市价格影响的复杂动态。     

基于改进回声状态神经网络的个股股价预测

当今社会股价预测是研究的热门问题,人们越来越关注对股价预测模型的建立,提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷,其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度,同时考虑到股市的非线性,本文提出一种改进的回声状态神经网络的个股股价预测模型,针对回声状态神经网络(ESN)泛化能力不强的特点,应用改进的粒子群算法(GTPSO)对回声状态神经网络(ESN)的输出连接权进行搜索,最终得到最优解,即ESN的最优输出连接权,GTPSO算法概括来说就是在传统粒子群算法(PSO)的基础上引入禁忌搜索算法(TS)中禁忌的思想和遗传算法(GA)中变异的思想,从而降低PSO在学习过程中陷入局部最小值的状况,同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中,使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性,实验证实,该模型拥有较好的预测效果.     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

Effective options trading strategies based on volatility forecasting recruiting investor sentiment

This study investigates an algorithm for an effective option trading strategy based on superior volatility forecasts using actual option price data for the Taiwan stock market. The forecast evaluation supports the significant incremental explanatory power of investor sentiment in the fitting and forecasting of future volatility in relation to its adversarial multiple-factor model, especially the market turnover and volatility index which are referred to as the investors’ mood gauge and proxy for overreaction. After taking into consideration the margin-based transaction cost, the simulated trading indicates that a long or short straddle 15 days before the options’ final settlement day based on the 60-day in-sample-period volatility forecasting recruiting market turnover achieves the best average monthly return of 15.84%. This study bridges the gap between option trading, market volatility, and the signal of the investors’ overreaction through the simulation of the option trading strategy. The trading algorithm based on the volatility forecasting recruiting investor sentiment could be further applied in electronic trading and other artificial intelligence decision support systems.     

Equilibrium Prices on a Financial Graph

The analysis of financial markets usually assumes that trades are centralized and open to all investors. Investors are typically price takers. A relatively recent interest has been devoted to local markets open to a limited number of traders. Such markets may be fruitfully analyzed by means of graphs where traders are the nodes and trades are the arcs. In this model one bilateral trade occurs each round. Agents are risk averse and act myopically seeking to maximize their expected utility. Conditions for the agents to trade and to find an equilibrium price are determined theoretically. An ad-hoc algorithm is applied to find a numerical solution and to simulate the path toward the equilibrium price depending on different initial settings.     

非线性价格冲击函数下的最优变现策略

研究了在非瓦尔拉斯市场中,当市场的价格冲击函数为变现速度的非线性函数时,投资者的最优变现策略和最优变现时间问题。利用控制理论中的极大值原理,获得了作为控制变量的最优变现策略,同时也得到了最优变现时间。建立的市场模型在价格形成、交易制度方面接近现实经济中的市场。研究结论表明,变现时间内生时,在机构投资者应用最优变现策略情况下,没有出清手中所有头寸前,机构投资者的变现速度必不为零。     

A Bayesian regularized artificial neural network for stock market forecasting

In this paper a Bayesian regularized artificial neural network is proposed as a novel method to forecast financial market behavior. Daily market prices and financial technical indicators are utilized as inputs to predict the one day future closing price of individual stocks. The prediction of stock price movement is generally considered to be a challenging and important task for financial time series analysis. The accurate prediction of stock price movements could play an important role in helping investors improve stock returns. The complexity in predicting these trends lies in the inherent noise and volatility in daily stock price movement. The Bayesian regularized network assigns a probabilistic nature to the network weights, allowing the network to automatically and optimally penalize excessively complex models. The proposed technique reduces the potential for overfitting and overtraining, improving the prediction quality and generalization of the network. Experiments were performed with Microsoft Corp. and Goldman Sachs Group Inc. stock to determine the effectiveness of the model. The results indicate that the proposed model performs as well as the more advanced models without the need for preprocessing of data, seasonality testing, or cycle analysis.