C-F键核自旋偶合常数的理论研究

利用密度泛函中B3LYP方法,选择6-31G**3基组, 研究了四组分别为10、20、30、40个分子的C-F键的核自旋偶合常数,由此拟合出4个计算核自旋偶合常数的公式,并用4种化合物分别进行检验,理论计算值较好地与文献值相符合.     

直接键连原子间的NMR偶合常数的自然杂化轨道研究Ⅲ、α─C─H键核自旋偶合常数￣（1）J＿（cH）

报道了一种计算直接键连原子间的核自旋─自旋偶合常数的通用关系式，结合ＣＮＤＯ／２分子轨道方法和自然杂化轨道方法，具体计算了一些极性α─Ｃ─Ｈ键的核自旋偶合常数。结果表明，本文方法适合于多种类型的直接键连原子间的偶合常数的计算，且与已有实验值吻合一致．     

直接键连原子间的NMR偶合常数的自然杂化轨道研究Ⅲ、α-C-H键核自旋偶合常数1JCH

报道了一种计算直接键连原子间的核自旋-自旋偶合常数的通用关系式,结合CNDO/2分子轨道方法和自然杂化轨道方法,具体计算了一些极性α-C-H键的核自旋偶合常数。结果表明,本文方法适合于多种类型的直接键连原子间的偶合常数的计算,且与已有实验值吻合一致.     

C-P(V)键核自旋偶合常数的理论研究

利用自然杂化轨道,以从头算级别的理论计算方法,选择较小基组STO-3G,研究了C-P(V)键的核自旋偶合常数,并用三种化合物进行验证,理论计算值较好地与文献值相符合.     

直接键链13C-1H的核自旋偶合常数的理论研究

用一种计算直接键链原子核自旋偶合常数¹J_A-B的统一的半经验关系式，研究了各种代表性的环状分子及非环状分子的¹J_C-H的核自旋偶合常数，计算值与实验值吻合的较好, 说明该统一的半经验关系式既可适用于非环状分子又可适用于环状分子化合物体系的直接键链原子的核自旋偶合常数¹J_C-H计算.     

C-H 键和C-C 键核自旋偶合常数的理论研究

利用PM3级别最大重迭对称性分子轨道法和最大键级杂化轨道方法,计算了系列烃类化合物的杂化轨道和电荷分布,拟合出计算C-H及C-C偶合常数的简单关系式. 研究了各种烃类分子中不同的C-H键和C-C键偶合常数,理论计算值和实验数据都较为符合. 进一步验证了直接键连¹J_CX偶合常数主要取决于偶合作用中的Fermi接触项,为从简单价键理论角度解释和计算¹J_CH和¹J_CC提供了一种简便直观的方法.     

基于BP神经网络模型时钟同步误差补偿算法

误差补偿是保证水下传感器网络时钟同步精度的一个重要保障,现有研究方法主要采用线性拟合和最小二乘法对时钟同步参数进行误差补偿,但该类方法并未考虑受海流影响时节点移动所导致的时钟同步精度问题.针对此问题,本文提出一种基于BP神经网络模型的时钟同步误差补偿算法.首先采用深海拉格朗日洋流模型描述水下节点运动规律,模拟水下节点运动速度,进而建立时钟同步参数模型,最后构建符合水下环境的BP神经网络时钟同步误差补偿模型,通过定义激励函数,引入正则项因子和补偿性因子避免模型过拟合,建立误差反向传播的BP神经网络模型时钟同步误差补偿算法.仿真实验表明,本文提出的算法与TSHL算法、MU-sync算法、MM-sync算法相比,在时钟同步精度(即时钟同步时间与标准时间的误差)上分别提升了37.42%, 17.29%和21.86%,并且均方误差得到显著降低.     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

采用BP神经网络拟合铁磁材料的磁滞回线

介绍了采用BP神经网络模拟人脑智能拟合铁磁材料磁滞回线的方法,给出了实现磁滞回线拟合的BP神经网络结构模型.拟合结果表明,该方法拟合精度较高,对解决非线性拟合问题非常有效.     

基于BP神经网络的弗兰克-赫兹实验曲线拟合

BP神经网络通过调整连接权重便可按预定精确度逼近非线性函数,利用这一特点可对非线性函数关系进行拟合.利用BP神经网络对弗兰克-赫兹实验数据进行处理,结果显示该方法处理结果精度高,拟合效果好.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

电机温度时滞耦合系统自抗扰控制仿真研究

电机温度过高会造成绝缘性能老化,电机安全性能下降。电机控制系统是典型的非线性系统,电机温度也因此具有时滞性和耦合性的特点,难以建立准确的数学模型。传统的方法对电机温度的控制精度较差,从而导致电机温度失控。为此,提出基于BP神经网络自抗扰控制算法的电机时滞耦合关系下温度控制方法。将BP神经网络与PID控制方法相结合建立电机温度网络自抗扰控制器模型,利用梯度下降法修正电机温度控制器模型的权值系数,从而实现了BP神经网络自抗扰控制器参数的实时调整。实验结果表明,利用BP神经网络自抗扰算法进行电机时滞耦合关系下温度调整,能够有效提高控制的精确度,缩短了控制过程中的时间延时。     

互连导线串扰问题的人工神经网络预测

提出应用人工神经网络对互连导线间串扰问题进行预测的方法.选择对互连导线串扰响应有影响的相关参数作为输入预测因子,用基于误差反向传播的BP网络构造输入预测因子与串扰响应输出之间的映射关系,并用MTL和FDTD法计算获得的训练样本集对构造好的BP网络进行训练,建立基于BP网络的导线串扰的预测模型.最后,将串扰的BP预测结果和和测试样本进行比较,表明该方法有效.     

不同算法原子电荷下的~1J_(CH)理论计算

用一种计算直接键连原子核自旋耦合常数的半经验公式,结合量子化学计算得到的32种有机分子稳定几何构型的7种不同算法下的原子电荷,探究原子电荷算法的不同对1JCH理论计算的影响,拟合出基于7种原子电荷的耦合常数计算公式,并利用拟合公式对5种分子进行了检验.计算结果表明拟合的32种分子及检验的5种分子的耦合常数的计算值均与实验值较好的符合,拟合得到的基于7种原子电荷的计算公式均可以对其他分子体系的耦合常数进行预测.另外,计算结果同样显示原子电荷算法的不同对1JCH理论计算值有一定的影响却不显著,其中基于电荷均衡方法电荷(QEq)得出的耦合常数计算值与实验值的偏差较其它6种原子电荷的小,结果更可靠.     

BP神经网络在磷酸盐溶液紫外吸收光谱中的应用

利用紫外分光光度法测定磷酸盐溶液的光谱,经过转换得到吸光度与溶液浓度的非线性关系,使用BP神经网络算法处理此非线性问题。Matlab语言中的神经网络工具箱提供了许多有关神经网络设计、训练和仿真的函数来实现BP网络,使应用BP网络来解决此类问题变得方便和有效。实验证明Levenberg-Marquardt法网络收敛速度最快,量化共轭梯度法最慢。本文还运用Matlab中的数据拟合法与BP神经网络法进行比较,前者虽然得到拟合曲线关系式,但较为复杂,工作量大。因此,BP神经网络法更适合于解决此类问题。     

基于灰色关联法的春小麦叶片含水量高光谱估测模型研究

利用高光谱植被指数反演植被水分含量时,快速、准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。在农田尺度上,以春小麦野外光谱数据与叶片含水量的定量关系为基础,通过灰色关联度分析,筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数,并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。结果表明：(1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息,尤其是在750～830,1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。(2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性,其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数,基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。(3)所建立的两种模型中,基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81,稳定性基本相同且都较好;两种模型RMSE都是0.55,RPD分别为2.01和1.41,说明PLSR模型的预测精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算春小麦叶片含水量方面有一定的优势,为高光谱定量反演春小麦叶片含水量提供一定的参考。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数（VI）准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数（LAI）,提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子灾变操作对量子遗传算法（QGA）进行改进,最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法5种模型,并在不同数据集上进行反演效果比较,结果表明：（1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程,改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。（2）对比五种算法在不同数据集上的反演效果,验证了NDVI,RVI与LAI之间主要为非线性关系,且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。（3）对比五种算法在不同数据集上的反演效果,改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差,改进后的算法反演精度得到了明显提升,泛化性能也得到了增强。（4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。（5）五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其他四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。     

Parametric option pricing: A divide-and-conquer approach

Non-parametric option pricing models, such as artificial neural networks, are often found to outperform their parametric counterparts in empirical option pricing exercises. In this context, non-parametric models are viewed as more flexible and amenable to adaptive learning. However, the main drawback of non-parametric approaches is their lack of stability, which is detrimental to out-of-sample performance. This is the key reason why one may prefer a parsimonious parametric model. This paper proposes a parametric Takagi-Sugeno-Kang (TSK) fuzzy rule-based option pricing model that requires only a small number of rules to describe highly complex non-linear functions. The findings for this data-driven approach indicate that the TSK model presents a robust option pricing tool that is superior to an array of well-known parametric models from the literature. In addition, its predictive performance is consistently no worse than that of a non-parametric feedforward neural network model.