格兰杰因果关系在神经科学领域的发展及缺陷

针对格兰杰因果关系在神经科学领域的应用,查阅国内外格兰杰应用的相关文献资料,选取有效信息进行归纳整理。介绍了格兰杰因果关系在神经科学领域的发展,包括时频域格兰杰因果关系、非线性格兰杰因果关系的应用。根据格兰杰因果关系的定义,指出该关系存在仅使用线性回归模型的部分信息等缺陷,并对其在神经科学领域的发展进行了展望,且提出对格兰杰因果关系不断改进的必要性。     

我国电力工业发展和经济增长的关系

为分析我国电力工业发展和经济增长之间是否存在格兰杰因果关系，应用增广迪基-福勒单位根本方法检验了代表电力工业发展和经济增长的2个经济变量——年发电量和国内生产总值的平稳性特征，发现它们均是一阶单整序列，同时通过恩格尔-格兰杰两步法证明它们之间具有协整关系；利用格兰杰因果关系检验了电力生产和经济增长之间的格兰杰原因，并建立了反映它们之间动静态关系的误差纠正模型。结果表明电力生产是经济增长的单向格兰杰原因．而经济增长却不是电力生产的格兰杰原因。从我国经济发展的现实出发，得出居民用电水平低下、电力建设资金缺乏和技术进步是造成电力生产和经济增长之间不存在职向格兰杰因果关系的实际原因。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

基于产业视角的电力消费与经济增长关系研究

以1980～2011年数据为样本,利用多变量模型分析了我国三次产业电力消费与经济增长之间的关系.分析结果指出我国不同产业电力消费与产业增加值之间存在协整关系.基于向量误差修正模型进行了Grang-er因果分析,结果证实:短期存在从第一产业电力消费到产业增加值的单向Granger因果关系,但长期存在相反方向的Granger因果关系;第二产业电力消费和产业增加值存在长期的双向Granger因果关系,但短期不存在因果关系;对于第三产业,长短期都存在从产业增加值到电力消费的单向Granger因果关系.方差分解分析进一步证实了Granger因果关系.研究结论对能源政策的制定具有一定的参考价值.     

行动推理中循环因果关系的研究

近年来行动推理的研究成为人工智能领域的热门问题,而结果问题是目前行动推理研究的核心问题之一．该文针对许多行动推理系统不能处理循环因果关系的问题,提出了解决方法．基于适当修改后的McCain和Turner的因果理论,该文提出了一种能处理循环依赖的理论转化方法．转化后的因果理论消除了循环依赖,而且可以采用单调推理方法．基于因果闭包语义,证明了转化前后的因果理论具有相同的模型．当因果关系不存在循环依赖时,该文方法得到与McCain,Turner方法(1997)相同的结果．     

GIBBS仿真方法运用在大型因果图的推理过程

在信度网基础上发展起来的因果图模型,克服了信度网的一些不足,目前已发展成一个能够处理离散变量和连续变量的混合模型,特别适于运用在大型的工业故障诊断领域。但因果图在推理计算中,面临着与信度网的推理算法复杂度过高的同样问题。通过比较几种MarkovChainMonteCarlo(MCMC)方法,论文基于Gibbs仿真算法的思想,并对进入稳态条件、采样顺序判定准则、采样结束判据等进行深入分析,进而提出了一种改进的仿真推理新方法。利用该采样仿真算法能极大地提高故障诊断的速度和准确度,这对因果图模型在工业在线故障诊断领域中的应用具有重要意义。     

矢量格兰杰因果关系及其在复杂网络中的应用

自从格兰杰1969年提出因果关系的概念之后,格兰杰因果关系在构造生物网络(基因网络、蛋白质网络、神经网络)的结构方面的应用越来越广泛,但是它只能用于研究单个节点和单个节点之间的内在联系。而实际的生物网络由于基因、神经元等的相互作用,往往呈现出非常复杂的网络结构,需要研究网络节点构成的组与组之间的内在联系。将格兰杰因果关系进行推广,得到矢量格兰杰因果关系的研究方法,并通过两个模拟的例子验证了方法的有效性。     

基于对比格兰杰因果关系的热轧带钢头部拉窄根因诊断

提出了基于相异度指标和对比格兰杰因果关系分析的热轧带钢头部拉窄根因诊断模型。采用核熵成分分析对原始数据进行特征提取,在降维基础上实现非线性关系下的相异度评估,判定生产状况是否异常;建立对比格兰杰因果关系模型,通过大量正常工况下的批次数据得到各因果关系的允许波动范围,并作为对应因果关系是否异常的标准,进而确定最终故障根因;最后,利用大量实际生产数据建立热轧带钢头部拉窄根因诊断模型,验证了方法的有效性。结果表明,该方法具有较好的性能,能够准确检测出异常批次并定位根因。     

Patent predictive price-to-book ratio (PB) on improving investment performance -- Evidence in China

Patent is strongly meaningful for most countries’ technology development and economy growth. China is the world largest patent application country and has the world No.2 stock market. In this research, China listed companies (A-shares) in Shanghai main board, Shenzhen main board, GE board, and SME board from 2016 to 2018 were applied to discuss the prediction ability of patent indicators to financial performance. The patent prediction equations for quantitatively predicting the price-to-book ratio (PB) by patent indicators were constructed via Granger Causality test and time series regression. The stock selection criteria based on the patent predictive PB were further discussed. The traditional value investors consider stocks with PB values under 3.0 are undervalued. It was found that most stock portfolios selected by either the lower predictive PB or the higher predictive PB growth rate had higher performance above the traditional PB investment strategy. The criteria also worked well on GE board and SME board even though these stock boards were seriously impacted to decline by the China-US trade conflict. Though the overall economic environment fluctuated, the patent prediction algorithm proposed was proved to be useful to discover good stock portfolios and improve traditional PB investment strategy     

An improved dynamic latent variable regression model for fault diagnosis and causal analysis

The advancement of industrial techniques has imposed a high demand for powerful machine learning algorithms to model the increasingly complicated relations in the data. Among them, dynamic models are widely studied to capture the inevitable temporal relations. However, most existing methods only focus on the dynamics between input and output data, failing to exploit other valuable information in the output. In this article, an improved dynamic latent variable regression (LVR) method is proposed to capture both auto-correlations and cross-correlations between input and output with an auto-regressive exogenous model, which is referred to as dynamic regularized LVR with auto-regressive exogenous input (DrLVR-ARX). Further, a DrLVR-ARX-based fault detection and diagnosis framework is designed to identify the root causes of a detected fault. The framework systematically integrates reconstruction-based contribution, time-domain Granger causality, and conditional spectral Granger causality to determine and locate the assignable causes. The effectiveness of the proposed algorithms is demonstrated with two industrial processes.