基于矩阵画像的金融时序数据预测方法

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象,提出了一种基于机构交易行为影响的趋势预测方法。首先,利用时间序列的矩阵画像（MP）方法,以股票换手率数据为切入点,构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库;其次,确定待预测股票在兴趣模式长度取何值时的预测结果精确度高;最后,根据该兴趣模式长度下的知识库,预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性,将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析,运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明,与ARMA模型和LSTM网络相比,在70支的股票价格趋势预测上,所提方法有80%以上的股票预测结果更准确。     

基于NA-MEMD和互信息的脑电特征提取方法

多变量经验模式分解（MEMD）方法不需要根据先验知识选取基函数,能同时对多通道数据进行自适应分解,适合于分析具有高度相关性和非平稳性的脑电信号。为了判别包含有用信息的内蕴模式函数（IMFs）,提出一种基于噪声辅助多变量经验模式分解（NA-MEMD）和互信息的方法,并用于脑电特征提取。首先使用NA-MEMD算法对多通道信号进行分解得到多尺度IMF分量,然后采用互信息法分别计算各尺度上信号与其IMF分量、噪声与其IMF分量、信号IMF分量与噪声IMF分量之间的相关性,接着根据敏感因子筛选包含有用信息的IMF分量,将其叠加得到对应的重构信号,最后采用共同空间模式（CSP）法对重构信号进行特征提取,再用支持向量机（SVM）实现分类。使用仿真数据和实际数据集BCI Competition IV Data Set 1进行测试,与现有的其他方法比较,验证了所提方法的有效性。     

基于快速判别式尺度估计的核相关滤波方法

针对核相关滤波（KCF）算法无法对视频序列中目标尺度变化作出响应的问题，提出一种基于快速判别式多尺度估计的核相关滤波跟踪算法。首先，使用核相关滤波器来估计目标位置；然后，通过使用一组不同尺度的目标样本来在线学习快速判别式尺度滤波器；最后，在目标位置应用学习的尺度滤波器来获得目标尺寸的准确估计。选取Visual Tracker Benchmark视频序列集进行实验，并与基于判别式尺度空间跟踪（DSST）的KCF算法和传统KCF算法进行对比，结果表明，在目标尺度发生变化时，所提算法在跟踪精度上提高了2.2%至10.8%；并且在平均帧率上，所提算法比DSST的KCF算法提高了19.1%至68.5%，表明该算法对目标尺度变化有很强的适应能力和较高的实时性。     

引入目标分块模型的核相关滤波目标追踪算法

为了降低目标追踪过程中光照变化、尺度变化、局部遮挡等因素的影响,提出一种引入目标分块模型的核相关滤波（KCF）目标追踪算法。首先,通过融合方向梯度直方图特征和色名属性特征来更好地表征目标;其次,通过构建尺度金字塔对目标进行尺度预测;最后,利用特征响应图的峰值旁瓣比值检测遮挡,并通过引入高置信度分块重定位模块和模型自适应动态更新来处理局部遮挡问题。在多个数据集上与当前多个主流算法进行对比实验,实验结果表明,所提算法具有最高精度和成功率,且比KCF算法分别提升了11.89%和15.24%,表明所提算法在应对光照变化、尺度变化、局部遮挡等因素时具有更强的鲁棒性。     

基于改进遗传算法和图神经网络的股市波动预测方法

针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题,为能够准确预测股票波动、有效防范金融市场风险,提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先,利用相邻交易日间的时序关系构建股市交易指标图数据;其次,通过评价指标特性优化交叉、变异概率来改进遗传算法（GA）,从而实现节点特征选择;然后,建立图数据的边与节点特征的权重矩阵;最后,运用GNN进行图数据节点的聚合与分类,实现了股市波动预测。在实验阶段,所研究的股票总评价指标数为130个,其中IGA在GNN方法下提取的有效评价指标87个,使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取,得到的算法与未进行特征提取的智能算法相比,预测准确率整体提升了7.38个百分点;而与应用传统GA进行智能算法的特征提取相比,应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中,IGA-GNN方法的预测准确率最高,相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点;而该方法与用传统GA进行特征提取的GNN方法相比,训练时间平均缩短了15.97%。实验结果表明,所提方法可对股票特征进行有效提取,预测效果较好。     

基于深度迁移学习的多尺度股票预测

股票市场不仅是上市公司的重要融资渠道,也是重要的投资市场,股票预测一直受到人们的关注。为了充分利用来自不同股票价格的信息,提高股票的预测效果,提出一种多尺度股票价格预测模型TL-EMD-LSTM-MA（TELM）。TELM模型通过经验模态分解将收盘价分解为多个时间尺度分量,不同时间尺度分量震荡频率不同,反映了不同的周期性信息;根据分量的震荡频率选择不同方法进行预测,高频分量利用深度迁移学习的方法训练堆叠LSTM,低频分量利用移动平均法进行预测;将所有分量的预测值相加作为收盘价的最终预测输出。通过深度迁移学习训练的堆叠LSTM,包含来自不同股票的信息,具备更多行业或市场的知识,能有效降低预测误差。利用移动平均法预测低频分量,更有效捕获股票的总体趋势。对中国A股市场内500支股票以及上证指数、深证成指等指数进行预测,结果表明,与其他模型相比,TELM预测误差最低,拟合优度最高。根据TELM预测的股票收盘价模拟股票交易过程,结果表明TELM投资风险低、收益高。     

基于深度跨模态信息融合网络的股票走势预测

股票走势预测是经典且具有挑战性的任务，可帮助交易者做出获得更大收益的交易决策。近年来，基于深度学习的股票走势预测方法的性能得到明显提升，但现有方法大多仅依托于股票价格的历史数据来完成走势预测，无法捕捉价格指标之外的市场动态规律，在一定程度上限制了方法的性能。为此，将社交媒体文本与股票历史价格信息相结合，提出了一种基于深度跨模态信息融合网络(DCIFNet)的股票走势预测新方法。DCIFNet首先采用时间卷积操作对股票价格和推特文本进行编码，使得每个元素对其邻域元素都有足够的了解；然后，将结果输入到基于transformer的跨模态融合结构中，以更有效地融合股票价格和推特文本中的重要信息；最后，引入多图卷积注意力网络从不同角度描述不同股票之间的相互关系，能够更有效地捕获关联股票间的行业、维基和相关关系，从而提升股票走势预测的精度。在9个不同行业的高频交易数据集上实施走势预测和模拟交易实验。消融实验及所提方法与用于股票预测的多管齐下的注意力网络(MAN-SF)方法的比较结果验证了DCIFNet方法的有效性，准确率达到了0.630 9,明显优于领域内代表性方法。     

基于二次分解重构策略的航空客流需求预测

考虑到航空客流需求序列的季节性、非线性和非平稳等特点,提出了一个基于二次分解重构策略的航空客流需求预测模型。首先,通过STL和自适应噪声互补集成经验模态分解（CEEMDAN）方法对航空客流需求序列进行二次分解,并根据数据复杂度和相关度的特征分析结果进行分量重构;然后,采用模型匹配策略分别选取自回归单整移动平均季节（SARIMA）、自回归单整移动平均（ARIMA）、核极限学习机（KELM）和双向长短期记忆（BiLSTM）网络模型对各重构分量进行预测,其中KELM和BiLSTM模型的超参数通过自适应树Parzen估计（ATPE）算法确定;最后,将重构分量预测结果进行线性集成。以北京首都国际机场、深圳宝安国际机场和海口美兰国际机场的航空客流数据作为研究对象进行了1步和多步预测实验,实验结果表明,与一次分解集成模型STL-SAAB相比,所提模型的均方根误差（RMSE）提升了14.98%～60.72%。可见以“分而治之”思想为指导,所提模型结合模型匹配和重构策略挖掘出了数据的内在发展规律,从而为科学预判航空客流需求变化趋势提供了新思路。     

核相关滤波跟踪算法的尺度自适应改进

针对基于检测的核相关滤波跟踪（CSK）算法难以适应目标尺度变化的问题,提出多尺度核相关滤波分类器以实现尺度自适应目标跟踪。首先,采用多尺度图像构建样本集,训练多尺度核相关滤波分类器,通过分类器对目标的尺度估计实现目标的最佳尺度检测;然后,在最佳尺度下采集样本在线学习更新分类器,实现尺度自适应的目标跟踪。对比实验与分析表明,本文算法在目标跟踪过程中能够正确适应目标的尺度变化,相比CSK算法,偏心距误差减少至其1/5~1/3,能满足复杂场景长时间跟踪的需求。     

基于多尺度核特征卷积神经网络的实时人脸表情识别

针对人脸表情识别的泛化能力不足、稳定性差以及速度慢难以满足实时性要求的问题,提出了一种基于多尺度核特征卷积神经网络的实时人脸表情识别方法。首先,提出改进的MobileNet结合单发多盒检测器（MSSD）轻量化人脸检测网络,并利用核相关滤波（KCF）模型对检测到的人脸坐标信息进行跟踪来提高检测速度和稳定性;然后,使用三种不同尺度卷积核的线性瓶颈层构成三条支路,用通道合并的特征融合方式形成多尺度核卷积单元,利用其多样性特征来提高表情识别的精度;最后,为了提升模型泛化能力和防止过拟合,采用不同的线性变换方式进行数据增强来扩充数据集,并将FER-2013人脸表情数据集上训练得到的模型迁移到小样本CK+数据集上进行再训练。实验结果表明,所提方法在FER-2013数据集上的识别率达到73.0%,较Kaggle表情识别挑战赛冠军提高了1.8%,在CK+数据集上的识别率高达99.5%。对于640×480的视频,人脸检测速度达到每秒158帧,是主流人脸检测网络多任务级联卷积神经网络（MTCNN）的6.3倍,同时人脸检测和表情识别整体速度达到每秒78帧。因此所提方法能够实现快速精确的人脸表情识别。     

集成的深度强化学习投资组合模型

投资组合问题是量化交易领域中的热点问题。针对现有基于深度强化学习的投资组合模型无法实现自适应的交易策略和有效利用有监督信息的缺陷,提出一种集成的深度强化学习投资组合模型（IDRLPM）。首先,采用多智能体方法构造多个基智能体并设计不同交易风格的奖励函数,以表示不同的交易策略;其次,利用集成学习方法对基智能体的策略网络进行特征融合,得到自适应市场环境的集成智能体;然后,在集成智能体中嵌入基于卷积块注意力模块（CBAM）的趋势预测网络,趋势预测网络输出引导集成策略网络自适应选择交易比重;最后,在有监督深度学习和强化学习交替迭代训练下,IDRLPM有效利用训练数据中的监督信息以增强模型盈利能力。在上证50的成分股和中证500的成分股数据集中,IDRLPM的夏普比率（SR）达到了1.87和1.88,累计收益（CR）达到了2.02和1.34;相较于集合式的深度强化学习（EDRL）交易模型,SR提高了105%和55%,CR提高了124%和79%。实验结果表明,IDRLPM能够有效解决投资组合问题。     

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF（intrinsic mode function）;其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。     

多尺度分析与数据互迁移相结合的短期电力负荷预测方法

为了提升短期电力负荷的预测效果,提出一种多尺度分析与数据互迁移相结合的短期电力负荷预测方法。一方面,针对多尺度分析预测法中分解得到的子序列在建模和预测的过程中没有对原序列中的隐含相关信息加以利用的问题,采用互信息特征选择法选取合适的原负荷序列历史值并将其加入到原负荷序列近似分量的特征集合中,通过特征扩充为学习器提供更多的信息,进而提高近似分量的预测精度。另一方面,针对不同类型的数据在学习过程中会相互影响的问题,采用了一种基于核岭回归的数据互迁移学习方法,将其他几种类型中与待预测类型日相似的数据迁移到待预测类型日的数据中,既利用了这些数据的相似性,又兼顾了这些数据的差异性。测试案例显示,所提方法在MAPE,MAE和RMSE这3个误差评价指标上相对于单模型方法分别降低了6.2%,3.4%和5.5%。     

复杂场景下自适应特征融合的多尺度船舶检测

受台风、大雾、雨雪等复杂天气以及遮挡、尺度变化等影响，现有船舶检测方法存在误检和漏检问题。针对上述复杂场景问题，在YOLOX-S模型的基础上，提出一种自适应特征融合的多尺度船舶检测方法。首先，在主干特征提取网络中引入特征增强模块，抑制复杂背景噪声对船舶特征提取的干扰；其次，考虑深浅层次特征融合比例问题，设计自适应特征融合模块，充分利用深浅层次特征，提高模型的多尺度船舶检测能力；最后，在检测头网络，将检测头解耦，并引入自适应的多任务损失函数，平衡分类任务和回归任务，提高船舶检测的鲁棒性。实验结果显示，所提方法在公开船舶检测数据集SeaShips和McShips上的检测平均精度均值（mAP）分别达到了97.43%和96.10%，检测速度达到每秒189帧，满足实时检测的要求，验证了所提方法在复杂场景下仍能对多尺度船舶目标实现高精度检测。     

基于EMD和SVR的混合智能预测模型及实证研究

针对非平稳、非线性时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出一种新的基于经验模式分解和支持向量回归的混合智能预测模型。经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,对各预测分量进行加权组合,得到原始序列的准确预测值。实证研究表明对于非平稳、非线性时间序列的预测,不论是单步预测还是多步预测,该模型均能取得很好的预测效果。     

快速尺度估计的增强型多核相关滤波算法

针对核相关滤波（KCF）跟踪算法在复杂环境下其定位性能和稳定性差的问题,提出了一种快速尺度估计的增强型多核相关滤波跟踪算法。该算法针对核相关滤波算法无法适应跟踪过程中目标尺度变化,将快速判别式尺度估计移植至核相关滤波跟踪框架,解决了跟踪过程的目标尺度问题。对于单个特征的单核相关滤波器在复杂环境中跟踪适应性差的问题,提出了一种多特征互补的多核相关滤波器。该滤波器利用KCF多通道特性以及不同特征可以描述不同信息,采用多个相同内核的线性组合,每个内核对应一个特征,并结合快速尺度估计,在保证算法实时性的同时进一步提高跟踪性能。通过在OTB2013目标跟踪数据集上进行实验,该算法与近年来性能优异的算法进行对比,结果表明,与传统的使用HOG特征的KCF算法相比精度上提高了10.9%,成功率提高了16.2%;与使用CN特征的CN2算法相比,精度上提高了20.6%,成功率提高了19.6%。实验结果表明,所提算法在目标尺度变化以及复杂环境下的跟踪效果均优于其余相关滤波算法,证明了该算法的有效性以及鲁棒性。     

一种基于经验模态分解与瓦片编码的自适应轴承故障诊断方法

针对传统依赖经验参数的轴承故障诊断方法在不同噪声等级场景下准确率不高的问题,文章提出一种基于经验模态分解与瓦片编码的自适应轴承故障诊断方法。首先,其引入成熟的自适应分解算法——经验模态分解（empirical mode decomposition,EMD）对轴承振动信号进行分解,再根据一定规则选取相应的分量作为有效信号,结合谱平均对信号进一步去噪,实现轴承振动信号的自适应滤波;其次,采用基于瓦片编码（tile coding）的谱编码对滤波后信号进行特征提取,将编码结果作为特征输入K近邻（K-nearest neighbors,KNN）分类器;最后,在进行实例验证时,文章构建一个不同程度噪声的验证数据集,将所提出的自适应方法与经典的基于自适应滤波的故障诊断方法进行比较。结果显示,在信噪比高于-10 dB的情况下,该方法的诊断准确率达到了90%以上,优于其他方法的。     

尺度自适应的纹理滤波方法

对于图像中的多尺度纹理,其高效滤波仍是一项具有挑战性的工作.为此,提出了一种尺度自适应的变核纹理滤波方法,以更有效地实现"去纹理保结构"的图像平滑.设计了一种结构探测式的滤波核尺度选择机制,即在像点的预设考察邻域内探测结构边的存在,以不含结构边的最大范围估算像点适用的滤波核尺寸;最终纹理区域内的像点获得大尺度滤波核、结构上的像点获得小尺度滤波核.以多种尺度的核同步作滤波,即为一次多尺度纹理滤波,则各像点的滤波幅度自适应于邻域的结构-纹理分布.在对纹理图像作滤波平滑的实验中,相比于已有滤波方法,文中方法能够以较少的滤波迭代次数和处理时间获得视觉对比与量化评测指标上相似或更好的平滑效果,图像滤波结果表明,该方法在纹理去除效率和滤波质量上均具有优势.     

基于多尺度梯度域引导滤波的低照度图像增强算法

针对低照度彩色图像整体亮度较低，增强图像中颜色易失真，部分图像细节淹没在较低灰度值像素中等问题，提出一种改进的低照度图像增强算法。首先，把待处理图像转换到色调、饱和度、亮度（HSI）颜色空间，对亮度分量进行非线性全局亮度校正；然后，提出多尺度梯度域引导滤波的亮度增强模型，利用该模型对校正后的亮度分量进行增强，接着对增强后的亮度分量进一步实施避免颜色失真的亮度校正；最后，将图像再转换回红绿蓝（RGB）颜色空间。实验结果表明，增强后的图像亮度平均提高90.0%以上，清晰度平均提高123.8%以上，这主要得益于多尺度梯度域引导滤波具有更好的亮度平滑和增强能力；同时由于减小了颜色失真，使增强图像的细节表现能力平均提高18.2%以上；由于采用了多尺度梯度域引导滤波的亮度增强模型与直方图自适应的亮度校正算法，使提出的低照度图像增强算法适宜应用于夜间等弱光源条件下的彩色图像增强。     

基于动态异构网络的股价预测

股票预测通常被形式化为非线性的时间序列预测任务,但很少有研究者试图通过技术面数据去系统地揭示股票市场内在结构,例如股票上涨或下跌背后的原因可能是业务领域之间的合作或冲突,这些额外信息的增加有助于判断股票的未来趋势。为了充分真实刻画股票市场的交易状态,表达股票之间显式或隐式的关系,提出一种基于动态异构网络的股价预测模型sDHN（stock dynamic heterogeneous network）,综合股票以及所属行业和地域,将其建模为动态异构网络。该模型在网络上引入动态时序特征,创新融合股票节点的四种不同技术层面的相似性图,生成富信息异构图,最后聚合不同元路径中隐含的语义信息生成嵌入,从异构图的角度充分探索股票之间的潜在关联。此外,在三个真实世界的股票数据集上进行了大量实验,所提出的模型准确率比所有基线模型均高出5%~34%,F1-score则高出11.5%~37%,并且在图解释上证明了该方法的有效性。