基于构造性神经网络的时间序列混合预测模型 *

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的 BP算法存在收敛速度慢 ,且容易陷入局部极小等问题 ,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型 (覆盖算法 )得出的类别值对统计时间序列模型的预测值进行修正 ,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型 ,涵盖了实际问题的线性和非线性两方面 ,提高了预测精度。将该模型应用到粮食产量的预测中 ,取得了较好的预测效果。     

基于商空间理论的冬小麦产量预测和分析

文中从粒度计算角度对气象数据和历史产量进行分析。首先在商空间粒度计算理论框架下,通过对历年光、温、水等环境气象要素的分析,得出商空间模型下的特征属性;再通过对历史产量的分析,运用统计学方法获取相应的决策属性,将特征属性和决策属性相结合采用构造性机器学习方法对安徽省冬小麦产量进行预测,建立产量预测模型以实现冬小麦的较为准确的产量预测和分析。实验证明这种基于商空间粒度计算理论的产量预测方法是行之有效的。     

基于覆盖最优划分的社团发现算法

覆盖最优划分思想是将子集间重叠区域样本通过覆盖的合并和分割,使原来有交集的覆盖划分为无交集的类误差最小.文中将覆盖的最优划分思想引入社团发现中,提出基于覆盖最优划分的社团发现算法(CDA_OPC),将社团发现问题转化为求给定覆盖的最优划分问题.首先利用节点间邻域重叠关系构造覆盖,然后运用覆盖的最优划分概念,通过覆盖子集的合并与分割达到对覆盖的最优逼近,最后计算社团间的相似度,将相似度最大的社团两两合并,在多层次合并后最终形成多粒度的社团结构.在真实网络上的实验表明,CDA_OPC可以有效划分社团.     

Proteus软件在电子信息工程专业教学中的运用研究

为扭转电子信息工程传统实验教学中对硬件设备的依赖,提升实验教学整体质量,提出在专业教学中使用Proteus仿真软件的建议。文章在介绍Proteus软件特征及其运用必要性基础上,较为详细的探究其在《数字电路》课程教学中的实践应用。     

单幅自然场景深度恢复

离焦测距算法是一种用于恢复场景深度信息的常用算法。传统的离焦测距算法通常需要采集多幅离焦图像,实际应用中具有很大的制约性。文中基于局部模糊估计提出单幅离焦图像深度恢复算法。基于局部模糊一致性的假设,本文采用简单而有效的两步法恢复输入图像的深度信息：1)通过求取输入离焦图和利用已知高斯核再次模糊图之间的梯度比得到边缘处稀疏模糊图 2)将边缘位置模糊值扩离至全部图像,完整的相对深度信息即可恢复。为了获得准确的场景深度信息,本文加入几何条件约束、天空区域提取策略来消除颜色、纹理以及焦点平面歧义性带来的影响,文中对各种类型的图片进行对比实验,结果表明该算法能在恢复深度信息的同时有效抑制图像中的歧义性。     

基于构造性神经网络的时间序列混合预测模型 *

针对传统时间序列预测模型不适应非线性预测而适应非线性预测的BP算法存在收敛速度慢,且容易陷入局部极小等问题,提出一种基于构造性神经网络的时间序列混合预测模型。采用构造性神经网络模型（覆盖算法）得出的类别值对统计时间序列模型的预测值进行修正,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型,涵盖了实际问题的线性和非线性两方面,提高了预测精度。将该模型应用到粮食产量的预测中,取得了较好的预测效果。     

基于商空间理论的冬小麦产量预测和分析

文中从粒度计算角度对气象数据和历史产量进行分析.首先在商空间粒度计算理论框架下,通过对历年光、温、水等环境气象要素的分析,得出商空间模型下的特征属性;再通过对历史产量的分析,运用统计学方法获取相应的决策属性,将特征属性和决策属性相结合采用构造性机器学习方法对安徽省冬小麦产量进行预测,建立产量预测模型以实现冬小麦的较为准确的产量预测和分析.实验证明这种基于商空间粒度计算理论的产量预测方法是行之有效的.     

夜间图像去雾研究综述与展望

夜间图像去雾技术是图像处理和计算机视觉领域的研究热点,对航空航天、自动驾驶、交通监控等领域具有十分重要的 意义。 综合了近年来夜间图像去雾技术的国内外研究工作,分别从基于物理模型的传统方法和基于深度学习的方法两方面对 近年来提出的典型方法进行归纳和总结,详细阐述了现有方法的优势和不足,并对一些典型的夜间去雾方法分别从主观评价和 客观评价两方面进行了比较和分析。 最后,展望了夜间图像去雾技术的未来研究方向,并给出了一些建议     

基于子模优化的边界域处理社团发现算法

使用聚类粒化方法求取非重叠社团结构时,经常会出现重叠区域。三支决策模型将两个存在重叠的社团的左边社团中非重叠部分定义为正域,右边社团中非重叠部分定义为负域,而两个社团的重叠部分定义为边界域。为了获得更好的社团性能,须将边界域中的节点进行二次划分。子模优化在机器学习中有广泛的应用,如果目标函数具有子模性,则存在一个简单的贪心算法能在多项式时间内以常数因子逼近问题的最优解。将子模优化思想引入社团重叠区域节点的处理,提出一种基于子模优化的边界域处理社团发现算法(SO-CDA)。定义设备选址函数进行子模优化,重叠节点的划分可以转化为子模函数最大化问题,在7个真实网络上的实验结果表明,SO-CDA能够有效地进行社团划分,性能更加稳定。