考虑量化的多智能体系统数据驱动双向一致性控制

针对未知动力学模型非线性离散时间多智能体系统,在信息传递过程中的数据量化问题,以及智能体之间的合作与竞争关系,提出了一种数据驱动控制算法,实现了多智能体系统的双向一致性跟踪控制.首先,利用紧凑形动态线性化(CFDL)方法,将未知动力学模型的非线性智能体转化为含有时变参数的数据模型,并通过设计性能指标函数获得时变参数的估计算法;然后基于该数据模型,利用代数图论和扇形界算法,设计了一种量化数据驱动分布式双向一致性跟踪控制协议,并对其收敛性给出了严格的证明.结果表明,当多智能体系统存在数据量化时,所设计的控制协议仍可以保证双向一致性跟踪误差收敛到0.最后,通过仿真实验和对比实验,进一步验证了该控制协议的有效性和鲁棒性.     

无模型控制律的一种改进算法

针对基本形式的无模型控制律没有充分利用输入输出数据包含的信息,利用输入输出数据的高阶信息,提出了一种新的控制准则函数,推导了其控制律算法.然后针对一类具有积分环节的被控对象设计了带反馈环节的无模型控制器.并在相同条件下,对分别采用基本算法和改进算法设计的无模型控制器进行控制性能仿真研究.仿真结果表明:改进的无模型控制律算法表现出优良的控制品质,跟踪性能良好,具有参数自适应性.该算法适合处理参数时变、结构时变的非线性系统的控制问题.     

基于联合滤波算法的复杂时变系统在线自适应逆控制

针对一类结构和参数均具备时变特性的复杂时变系统,提出一种新的基于联合滤波算法的在线自适应逆控制方法.该方法在处理参数时变问题的同时可兼顾系统的结构时变特性,实现复杂动态系统的在线跟踪控制.同时提出新的联合Volterra核函数滤波算法,该算法克服了原Volterra滤波器计算复杂运算速度慢的缺点,实现了动态非线性系统的在线跟踪控制.通过仿真分析可以得出,对于此类线性、非线性复杂时变系统,基于新的联合滤波器的自适应逆控制方法可以快速有效的实现动态对象在线建模与控制.     

异构集群系统分布式自适应输出时变编队跟踪控制

提出了一种能够解决高阶异构集群系统输出时变编队跟踪问题的控制方法. 集群系统中的智能体分为领导者和跟随者, 领导者和跟随者的动力学模型可以完全不同. 跟随者的输出在跟踪领导者输出的同时保持时变编队实现协同运动. 考虑了领导者存在已知或未知控制输入、领导者和跟随者均存在未知扰动、有向通信拓扑存在切换等多种因素并存的情况, 结合观测器理论、自适应控制理论和滑模控制理论设计了完全分布式的输出时变编队跟踪控制协议, 摆脱了对领导者控制输入上界值、与通信拓扑相关的拉普拉斯矩阵的特征值以及时变编队函数等全局信息的依赖. 利用Lyapunov理论证明了在有向拓扑切换条件下异构集群系统的闭环稳定性. 最后通过数值仿真对理论结果的有效性进行了验证.     

分解机深度网络推荐算法

近些年很多基于深度学习的推荐模型被提出,这些模型通过对特征的处理和改变深度网络结构来解决推荐系统数据稀疏和冷启动的问题.然而现有的方法忽略了特征与特征之间的交互对深度网络的影响,限制了模型的学习能力.为了给用户推荐更感兴趣的项目和信息,本文提出了分解机深度网络(Factorization Machine Deep Network, FMN)模型.该模型将因式分解机和深度神经网络结合,首先利用因式分解机在特征之间进行交互以充分学习交叉项特征,然后利用深度网络学习高阶非线性特征.进而,分解机深度网络将特征的隐藏信息充分发掘出来并拥有高阶的非线性特征学习能力.两个真实数据集的实验表明,本文提出的模型在推荐性能上有着明显的提升.     

无人动力伞在线子空间预测控制

针对无人动力伞(UPP)的飞行具有不确定性、非线性和复杂性的特点,建立了无人动力伞6自由度非线性动力学模型,仿真分析了模型对输入信号的响应特性.提出了无人动力伞在线子空间预测控制算法.该算法能及时地克服模型失配、时变及干扰等对飞行控制系统的影响,使有约束的预测控制能够在控制时域内保持最优.仿真结果表明,该算法能有效辨识仿真模型产生的输入输出数据,表现出了较好的跟踪性能和控制精度.     

具有时变通信受限非线性信息物理系统的网络化预测控制

针对具有时变通信受限的一类非线性信息物理系统,本文采用网络化预测控制策略,对于时变通信时延和数据丢失,不是使用常规的被动方式抑制,而是进行主动补偿.为了使补偿时变通信受限的方式简单、主动和通用,提出了一种新颖的网络化非线性预测控制方法.所设计的网络化非线性预测控制器能达到具有与无网络的本地闭环控制系统完全相同的期望控制性能.同时,经系统稳定性分析,给出了闭环网络化非线性预测控制系统稳定的充要条件.数值算例说明了所提网络化非线性预测控制器设计方法对信息物理系统中时变通信延时实现了完全补偿.     

周期时变时滞非线性参数化系统的自适应学习控制

针对一阶未知非线性参数化周期时变时滞系统, 设计了一种自适应学习控制方案. 假设未知时变参数, 时变时滞和参考信号的共同周期是已知的, 通过重构系统方程, 将包含时变时滞在内的所有未知时变项合并成为一个周期时变向量, 采用周期自适应律估计该向量. 通过构造一个Lyapunov-Krasovskii型复合能量函数证明了所有信号有界并且跟踪误差收敛. 结果被推广到一类含有混合参数的高阶非线性系统. 通过两个仿真例子说明本文所提出的控制算法的有效性.     

动态滑模控制在EAF电极调节系统中的应用

针对电弧炉电极调节系统的非线性、时变、模型不确定、大滞后等特点,结合高阶滑模和动态滑模控制的设计思想为其设计了一种动态滑模控制器,即通过微分环节构成新的切换函数,将不连续项转移到控制的一阶中,得到本质连续的动态滑模控制律,并将其应用到电弧炉电极调节系统中。对系统的阶跃响应和跟踪特性分别进行了仿真,仿真结果表明,所设计的动态滑模控制器不仅能使系统具有良好的动态性能和较强的跟踪特性,同时能有效地抑制系统的抖振,达到控制系统的动态品质要求。     

多重分形在杂波跟踪中的应用

为了精确跟踪杂波,提高PD雷达的恒虚警检测性能,该文提出一种基于多重分形定义的雷达杂波跟踪技术。通过分析杂波数据中的纹理信息,将多重分形技术应用于杂波跟踪。以单点分形维数和区域分形指数随q值的变化程度为标准,确定多重分形最优高阶矩数,结合PD雷达的杂波特性和多重分形算法,使强度变化较大的杂波数据转化为指数变化较稳定的高阶分形指数图;通过对在其中引入高阶矩后以确定的同一门限进行图像分割处理,结合形态滤波得到主瓣区域的位置信息。通过对大量的实际数据的分析实验,证实了该方法的有效性。     

The cascade-correlation learning: a projection pursuit learningperspective

Cascade-correlation (Cascor) is a popular supervised learning architecture that dynamically grows layers of hidden neurons of fixed nonlinear activations (e.g., sigmoids), so that the network topology (size, depth) can be efficiently determined. Similar to a cascade-correlation learning network (CCLN), a projection pursuit learning network (PPLN) also dynamically grows the hidden neurons. Unlike a CCLN where cascaded connections from the existing hidden units to the new candidate hidden unit are required to establish high-order nonlinearity in approximating the residual error, a PPLN approximates the high-order nonlinearity by using trainable parametric or semi-parametric nonlinear smooth activations based on minimum mean squared error criterion. An analysis is provided to show that the maximum correlation training criterion used in a CCLN tends to produce hidden units that saturate and thus makes it more suitable for classification tasks instead of regression tasks as evidenced in the simulation results. It is also observed that this critical weakness in CCLN can also potentially carry over to classification tasks, such as the two-spiral benchmark used in the original CCLN paper.     

两种基于向量化策略SVM分类器的对比分析

以股票涨跌趋势预测精度为评价指标,针对传统股票数据特征训练过程中预测精度不高的情况,考虑引入两种不同的向量化策略对股民评论、新闻关键词等文本信息进行非结构化数据特征的捕捉,利用词意的积极、消极程度对客观因素进行处理,进而将向量化后的特征作为新的非线性特征项扩充原有的结构化特征集合。文中分别以词向量化和句向量化为出发点设计两种启发式的SVM分类器,其目标是在拟合每支股票的情况下尽可能预测出其未来的走势,挖掘出更具有增长潜力的股票样本。经过2018年6月至12月半年沪市股票数据集的实验结果表明,相比于词向量化策略,采用句向量化策略设计的SVM分类器不仅能够更好地预测股票涨跌,并且能够更有效地挑选出潜在增长的股票样本。     

基于LSTM的股票价格预测建模与分析

股价波动是一个高度复杂的非线性系统，其股票的调整不是按照均匀的时间过程推进，具有自身的推进过程。结合LSTM（Long Short-Term Memory）递归神经网络的特性和股票市场的特点，对数据进行插值、小波降噪、归一化等预处理操作后，推送到搭建的不同LSTM层数与相同层数下不同隐藏神经元个数的LSTM网络模型中进行训练与测试。对比评价指标与预测效果找到适宜的LSTM层数与隐藏神经元个数，提高了预测准确率约30%。测试结果表明，该模型计算复杂度小，预测准确率有所提高，不仅能在股票投资前对预测股票走势提供有益的参考，还能帮助投资者在对实际股价有了进一步的认知后构建合适的股票投资策略。     

基于互信息的项目协同过滤推荐算法

协同过滤算法是经典的个性化推荐算法,其中相似度度量方法直接影响推荐系统的准确率。针对用户评分极端稀疏情况下传统相似度度量方法均存在各自的弊端,导致推荐系统的推荐精度不高问题,提出了一种基于互信息的项目协同过滤推荐算法。该算法将互信息作为相似度度量方法,不仅考虑了变量之间的线性或非线性相关性,而且还能挖掘变量之间的相关性强弱。另外,由于共同评分的项目用户数很少,在互信息方法基础上引入了一个平滑系数因子,来缓解共同评分过少项目之间相似性度量不准确问题。最后,在公开的MovieLens、Jester两个数据集上进行了大量对比实验。实验结果表明,新算法能在一定程度上提高推荐系统的预测准确率,并能缓解数据稀疏性问题。     

大数据时代股票数据信息可视化的研究

随着网络时代的迅速发展以及我国对数据信息可视化的深入研究,大数据的资源提供对于各个行业也变得越来越重要。尤其是对于股票数据的分析,如何更好地进行各股之间的相关性分析已经成为当今股票分析的重中只重。希望通过此次分析,可以为股票数据信息可视化技术的发展以及对于股票预测的训练提供一定的帮助。     

基于深度学习网络模型的端到端航迹关联

为提高雷达数据处理中航迹关联的智能性,充分利用目标的特征信息,并简化系统处理流程,提出了一种基于深度学习网络模型的端到端航迹关联算法。首先分析了基于神经网络的航迹关联存在样本细节少、处理流程繁杂的问题,然后提出了端到端的深度学习模型。该模型根据航迹关联数据的处理特征,改进了卷积神经网络结构用于特征提取,充分利用了长短期记忆网络对历史信息和将来信息的处理能力,并分析了前后航迹的关联性。在对原始数据进行卡尔曼滤波后,将全部航迹信息特征作为输入,并由基于卷积神经网络特征提取的长短期记忆深度神经网络模型直接输出航迹关联结果。仿真结果表明,提出的模型可以充分学习推演目标的多个特征信息,具有较高的航迹关联准确率,对航迹关联的智能化分析具有一定的参考价值。     

时空属性关系标签的频繁轨迹模式挖掘

校园卡技术的广泛应用是高校信息化程度的重要标志，其中学生消费数据隐含了强大的潜在价值，对其进行挖掘具备重大的实用意义。由此，提出一种将校园消费流水数据转换为带有时空属性的消费轨迹树DP-DBSCAN算法和带有关系标签的频繁轨迹挖掘模式FP-TRtree。DP-DBSCAN算法采用时间分块、顺序查询和距离度量，能高效地将数据转换为FP-TRtree带有顺序的频繁一项集，同时无需考虑参数问题，也避免了查询每个数据点最近邻对象的巨大耗时。FP-TRtree模式按顺序添加关系值，支持度降序排序，并对相同轨迹节点间的关系标签不断迭代优化。可视化分析结果表明，该数据转换算法和挖掘模式不但可以发现频繁消费的学生关系轨迹网及孤立人群，而且能定量描述节点间学生的消费亲密程度，同时也减少了数据库扫描次数以及树分支的建立。实验结果不仅符合学生实际消费情况，还能从复杂的消费网络中发现隐含的信息，为院校管理、领导决策提供可参照的依据。     

Hybridizing nonlinear independent component analysis and support vector regression with particle swarm optimization for stock index forecasting

One of the major activities of financial firms and private investors is to predict future prices of stocks. However, stock index prediction is regarded as a challenging task of the prediction problem since the stock market is a complex, chaotic and nonlinear dynamic system. As stock markets are highly dynamic and exhibit wide variation, it may be more realistic and practical that assumed the stock index data are a nonlinear mixture data. In this study, a hybrid stock index prediction model by utilizing nonlinear independent component analysis (NLICA), support vector regression (SVR) and particle swarm optimization (PSO) is proposed. In the proposed model, first, the NLICA is used to deal with the nonlinearity property of the stock index data. The proposed model utilizes NLICA to extract features from the observed stock index data. The features which can be used to represent underlying/hidden information of the data are then served as the inputs of SVR to build the stock index prediction model. Finally, PSO is applied to optimize the parameters of the SVR prediction model since the parameters of SVR must be carefully selected in establishing an effective and efficient SVR model. In order to evaluate the performance of the proposed approach, the closing indexes of the Taiwan stock exchange capitalization weighted stock index, Shanghai stock exchange composite index and Bombay stock exchange index are used as illustrative examples. Experimental results showed that the proposed hybrid stock index prediction method significantly outperforms the other six comparison models. It is an efficient and effective alternative for stock index forecasting.     

孤立点挖掘在高等学校科技统计数据分析中的应用

孤立点挖掘是一项有价值的、重要的知识发现,研究孤立点的异常行为能发现隐藏在数据中有价值的信息。本文在介绍孤立点及其挖掘算法的基础上,讨论了基于距离和的孤立点挖掘算法,并将该算法创新地应用于高等学校科技统计数据分析中。结果表明,该算法可以有效地挖掘出高等学校科技统计数据中的异常现象,对数据的真实性的核对起到非常重要的作用。     

基于大规模GPS轨迹数据的出租车换道行为研究

出租车换道行为的统计特性对研究经济、心理等人类动力学有重要的意义.结合大数据分析技术,基于西安市出租车GPS轨迹数据对出租车司机的换道行为进行了定量研究.设计了一种基于出租车GPS轨迹数据的出租车司机换道行为识别模型,利用大数据平台对出租车司机换道次数按不同时段进行了定量统计,对出租车司机换道次数、出租车平均行驶速度和出租车司机的收入之间进行了相关性分析.分析结果表明,出租车频繁换道行为对司机收益呈现负相关影响,进一步说明出租车司机驾驶习惯和和心理对整个出租车运营有显著影响.