多标度分形特征下碳排放权价格预测算法

在非线性范式下,本文构建了基于多贝西小波三层变换和单支重构的遗传算法径向基函数神经网络模型(daubechies wavelet-genetic algorithm-radial basis function neural network model,Db3-GA-RBF),探讨了欧盟碳排放权市场的价格预测问题.研究表明:1)欧盟碳排放权交易市场配额三阶段的现货价格波动均具有局部尺度多样性特征,且第3阶段碳价格序列多重分形特征最强,本质上碳排放权市场是一个多重分形与混沌市场;2)Db3-GA-RBF模型能有效地提高数据的准确性和模型的泛化能力,使模型的预测精度更强;3)与其他预测模型效果相比,基于施瓦茨信息准则(Schwartz’s information criterion,SIC)的Db3-GA-RBF(SIC)模型的预测精度大约提高70%.     

碳排放权价格均值回归的周期及振幅

本文运用谱估计技术分析了欧盟碳排放权价格均值回归周期、幅度及其与WTI,PMI之间的耦合关系.研究表明:1)EUA现货价格具有显著的均值回归周期振荡特征,周期约在15.5个月与3个月之间;振幅约在-2.298到4.823之间;2)EUA现货价格均值回归与WTI原油价格指数的耦合周期在3个月到12个月之间,耦合振幅在0.1958到0.8843之间,与PMI指数耦合周期约为4个月到11个月之间.耦合振幅在0.1652到2.134之间;3)在所有耦合周期模态下,耦合周期越长,耦合振幅越小.     

煤岩膨胀破裂应变及声发射特征实验研究

针对目标对煤岩膨胀破裂过程中的声发射特征研究较少的问题,开展了煤岩膨胀破裂实验,分析了煤岩膨胀破裂全过程应变与声发射信号的变化规律。结果表明:①煤岩膨胀破裂过程可划分为微破裂阶段(Ⅰ)、宏观裂纹生成及扩展阶段(Ⅱ)和劈裂阶段(Ⅲ)。②煤、岩试样膨胀过程应变演化具有一致性,均呈现“缓变→加速→极值”变化趋势,但两者各阶段声发射信号差异较大。③煤样在第Ⅰ、Ⅱ阶段声发射振铃计数较为丰富,在临近第Ⅲ阶段累计振铃计数呈指数型递增;而砂岩在第Ⅰ、Ⅱ阶段声发射振铃计数较少,在临近第Ⅲ阶段累计振铃计数表现出“突增→平静”趋势。④煤岩膨胀破裂过程均存在变形局部化现象,应变变异系数的突变和声发射峰值频率段增多现象可作为煤岩胀裂失稳破坏的前兆特征。研究结果可为煤岩致裂等工程的监测预警提供依据。     

面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.     

非参数回归模型均值函数结构变点的检测与应用

本文将一类系统参数变点检测问题转化为非参数回归模型均值函数结构变点的检测问题.针对当非参数模型均值函数跃度的长期均值为零时,残量累积和(cumulative sum,CUSUM)统计量无效的问题,首先利用均值函数的核估计构造新统计量,给出了原假设和备择假设下统计量的极限分布;进一步构造Bootstrap检验,证明了Bootstrap检验的一致性;最后以模拟结果表明新方法明显优于已有的方法,并应用于两类实际数据分析,说明方法的有效性.     

基于近似熵测度的变权组合预测方法

提出一种基于近似熵测度的变权组合预测方法.首先,不同于传统的预测效果评价准则,从衡量样本序列复杂性的角度出发,以预测值误差序列的近似熵测度为评价效果准则,建立变权组合预测优化模型;然后,在变权组合预测权值分配问题上,为克服常规的均值估计法和回归分析法的不足,采用在线最小二乘支持向量机(LS-SVM)回归法,实现预测点加权系数的准确预测;最后,通过实例表明了该方法的可行性和有效性.     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测.文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度.这表明该预测模型对于个股价格的短期预测是可行和有效的.     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于NSCT的旋转不变纹理图像检索算法

针对图像检索中常见的旋转问题,提出了一种基于非抽样Contourlet变换(NSCT)的旋转不变检索算法。以NSCT域各子带系数的均值和标准方差构成基本特征向量。在相同尺 度上,利用各子带的均值和标准方差之和对特征分量由小到大排序,同时根据旋转不变性调整排序后特征向量对应的方向序列,构造方向序列权值、特征分量权值。用加权欧氏距 离进行相似性度量以提高检索性能。采用Brodatz库生成实验库,实验结果表明本文方法取得了较好的检索效果。     

基于稀疏Transformer的雷达点云三维目标检测

随着计算机视觉技术的发展,基于点云的三维目标检测算法被广泛应用于自动驾驶、机器人控制等领域。针对点云稀疏条件下基于点云三维目标检测算法鲁棒性较差、检测精度低的问题,提出基于稀疏Transformer的三维目标检测算法。在注意力矩阵生成阶段,通过稀疏Transformer模块显式选择Top-t个权重元素,以保留有利于特征提取的权重元素,在降低环境噪点对鲁棒性影响的同时加快Transformer模块的运行速度。在回归阶段,将基于空间特征粗回归模块生成的边界框作为检测头模块的初始锚框,用于后续边界框的精细回归操作。设计基于体素的三维目标检测算法的损失函数,以精确地衡量类别损失、位置回归损失和方向损失。在KITTI数据集上的实验结果表明,相比PointPillars算法,该算法的平均精度均值提高3.46%,能有效提高点云三维目标的检测精度且具有较优的鲁棒性。相比原始Transformer模块,所提稀疏Transformer模块在点云图像上的平均运行速度加快了约0.54 frame/s。     

基于双目融合的无参考立体图像质量评价

针对对称失真和非对称失真图像的评价问题,提出了一种基于双目融合的无参考立体图像质量评价方法。首先,分别将立体图像的左、右视点图像分解成拉普拉斯金字塔序列,利用图像平均梯度和区域能量确定各层融合系数,在双目加权模型的基础上逐层融合两序列并重构合成图像。然后,提取左、右视点图像、合成图像的多尺度多方向频域变换特征和对比度、熵、能量、逆差分矩特征。最后,将特征参数作为支持向量回归模型的输入进行训练并预测图像质量。在LIVE 3D phaseⅠ和LIVE 3D phaseⅡ图像库上作相关性分析,其Pearson线性相关系数和Spearman等级相关系数均分别达到0.96和0.95以上。结果表明,本文方法对立体图像质量的预测结果与主观评价值具有较高的一致性。     

非线性时间序列建模的异方差混合双AR模型

研究了可用于非线性时间序列建模的异方差混合双自回归模型(heteroscedastic mixture double- autoregressive model,HMDAR),给出了HMDAR模型的平稳性条件,利用ECM(expectation conditional maximization)算法来估计模型的参数,运用BIC(Bayes information criterion)准则来选择模型．HMDAR模型条件分布富于变化的特征使它能够对具有非对称或多峰分布的序列进行建模,将HMDAR模型应用于几个模拟和实际数据集均得到了较为满意的结果,特别是对波动较大的序列,HMDAR模型能比其他模型更好地捕捉到数据序列的特征．     

自适应对称自回归模型的压缩图像内插方法

目的 大多数图像内插方法只考虑低分辨率图像的下采样降质过程,忽略编码噪声的影响。提出一种新的自适应对称自回归模型的压缩图像内插方法。方法 假设局部图像相似的图像块具有相同的图像内插模型。方法分为训练和重建两个阶段。在训练阶段,首先对训练图像采用主成分分析提取图像块的局部梯度主方向,根据方向进行一次分类,分别建立各个方向的对称自回归模型和训练集;其次对每个方向的训练集,根据图像基元特征,利用K均值聚类方法进行二次分类;最后对每个二次分类训练子集,选择其所属方向类的模型,使用有约束的最小二乘法估计对应于该子集的模型系数。在重建阶段,首先根据测试图像块的局部梯度主方向,确定方向类别,再计算测试块基元特征和该方向类中所有聚类中心的欧氏距离,选择具有最小欧氏距离的聚类中心的自回归模型用于内插。结果 采用8种不同的测试图像在JPEG的2种量化方式条件下进行测试,与7种典型的图像内插相比,结果表明本文方法能够有效地克服编码噪声的影响,峰值信噪比(PSNR)和结构相似度(SSIM)均优于其他方法。结论 本文方法具有较低的复杂度,可以适用于图像通信中增强图像的分辨率。     

基于滑动平均与分段线性回归的时间序列相似性

针对时间序列相似性度量中欧氏距离对异常数据敏感以及DTW距离算法效率低的问题,提出基于滑动平均与分段线性回归的时间序列相似性方法。首先,使用初始可变滑动平均算法以及分段线性回归对原始时间序列进行数据变换,并将分段线性回归的参数(截距与距离)集作为时间序列的特征,以实现时间序列的特征提取和数据降维;然后,利用动态时间弯曲距离进行距离计算。该方法在时间序列相似性上与DTW算法的性能相近,但是在算法效率上几乎提高了96%。实验结果验证了该方法的有效性与准确性。     

基于神经网络集成的DNA序列分类方法研究

研究DNA序列分类问题,针对DNA序列数据的特点和目前DNA序列分类精度低的问题,提出了一种基于神经网络集成的DNA序列分类方法。方法实现的第一步采用三种方法提取DNA序列特征,第二步采用附加动量对单个BP神经网络权值进行调整,加快网络的收敛速度,第三步对学习率进行自适应调整,减少迭代次数,第四步利用改进的BP神经网络模型对提取的每种特征分别进行训练分类,第五步神经网络集成决策DNA序列属于哪一类。经实验证明,利用改进方法比单个神经网络分类有更高的分类效率和正确率,具有一定的推广意义。     

非线性时间序列建模的均值异方差混合转移分布模型

进一步研究了了由Berchtold提出的均值异方差混合转移分布(expectation heteroscedastic mixture transition distribution model,EHMTD)模型.讨论并得到了EHMTD模型的平稳性条什和分布函数的尾部特征.运用ECM(expectation conditional maximization)算法估计模型的参数.条件分布的多样性使得该类模型能够对非对称、多峰、厚尾等非Gauss特征进行描述.模拟及实例分析的结果表明EHMTD模型是一类易于建模,并且有着广泛应用前景的非线性时间序列模型.     

基于核岭回归和粒子滤波的室内移动目标追踪算法研究

本文提出了一种基于核岭回归和粒子滤波的室内移动目标追踪算法,该算法在离线阶段采用核岭回归方法提取传感器之间的距离与RSSI(Received Signal Strength Indicator)信号值之间的非线性关系,从而训练出一种非线性回归距离模型;在线追踪阶段,利用非线性回归模型和粒子滤波算法实现室内移动目标的定位和追踪。本文在典型的室内办公环境下进行实验,并通过MATLAB对实测数据进行仿真。实验结果表明,相比WKNN算法和KF算法,本文所提出的算法能到达更好的定位精度,误差均值为1.2743 m。     

HARQ和AMC跨层联合的协作系统丢包率分析

为了对抗实际无线信道中多径衰落和更好适应时变的信道状况,在协作通信系统中将链路层HARQ和物理层AMC进行跨层联合.分析了Ⅰ-HARQ、Ⅱ-HARQ、Ⅲ-HARQ三种混合自动重传方案,根据协作系统模型得到系统状态转移图,将协作系统丢包率(PER)转化为链路丢包率,得到了Nakagami-m信道条件下中继接收错误率,依据...     

基于依赖最大化和稀疏回归的多标签特征选择

针对基于稀疏回归的多标签特征选择方法中数据的特征和标签之间线性关系假设不成立的问题,提出一种基于依赖最大化和稀疏回归的多标签特征选择方法 (multi-label feature selection with dependence maximization and sparse regression,DMSR)。构建数据的低维子空间,最大化低维空间与数据的标签空间之间的依赖性,使用希尔伯特-施密特独立性准则作为依赖性的计算依据,将数据从特征空间映射到该低维空间,设计一种交替优化的算法对稀疏回归模型进行求解,得到用于特征选择的投影矩阵。在多个不同类型的多标签数据集上的实验结果表明,所提算法的性能优于其它对比算法。     

适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的,不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-Ⅱ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离,以发挥各自的优势.在自适应寻优阶段,通过在最优粒子邻域空间探寻更优化的解,一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),AEPSO(自适应逃逸PSO)和APSO-Ⅰ.