基于时变阈值过程神经网络的太阳黑子数预测

太阳黑子活动直接影响着外层空间环境的变化，为保证航天飞行任务的安全必须对其进行有效预测.为此，提出了一种基于时变阈值过程神经网络的时间序列预测模型.为简化模型的计算复杂度，开发了一种基于正交基函数展开的学习算法.文中分析了模型的泛函逼近能力，并以Mackey-Glass时间序列预测为例验证了所提模型及其学习算法的有效性.最后，将该预测模型用于太阳活动第23周太阳黑子数平滑月均值预测，取得了满意的结果，应用结果同时表明：所提预测方法与其他传统预测方法相比预测精度有所提高，具有一定的理论和实用价值. 关键词： 太阳黑子数 时变阈值过程神经网络 时间序列预测 泛函逼近     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

太阳活动第22周峰年和峰年联合观测

 众所周知,太阳的活动有着为期11年的周期性变化,目前太阳正处在第22活动周的峰年期间.那末,什么是太阳活动峰年?为什么要研究峰年太阳活动,这是当前人们颇为关心的话题.一、太阳活动周期太阳活动周期,也称为太阳黑子活动周期,它是根据日面黑子数的变化规律而确定的.1848年,德国天文学家沃尔夫提出了一种太阳黑子的计数方法:R=K(N+10g),式中g为日面上出现的黑子群的群数,N是日面上单个黑子的总数,K则是一种改正数.与观测时的仪器、方法、条件和观测人员的个人因素等有关.R称为黑子相对数或沃尔夫数,由于其简便有效,一直沿用至今,成为序列最长、最重要的一种太阳活动指数.     

基于漫透射光谱技术的番茄可溶性固形物及总糖含量的无损检测

为了满足果蔬品质快速安全无损检测,基于可见-近红外漫透射原理,设计了番茄专用环形光源,自行搭建了番茄可见-近红外漫透射多品质检测系统,并以可溶性固形物含量(SSC)和总糖(TS)作为内部品质指标,对58个番茄样品进行了快速无损检测研究。基于自主搭建的系统对每个番茄进行四点的光谱采集,对平均后的光谱分别用15点SG卷积平滑(SG-Smooth)、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)等方法进行了预处理,分别建立了SSC及TS的偏最小二乘预测模型,并对该模型进行了验证。结果表明：采用15点SG平滑预处理后的SSC预测模型校正集和预测集相关系数分别为0.995 6和0.976 0,均方根误差分别为0.052 4°Brix和0.082 3°Brix。采用SG平滑后一阶导数预处理的TS预测模型校正集和预测集相关系数分别为0.969 1和0.972 9,均方根误差分别为0.423 8%和0.454 9%。模型验证结果显示,番茄SSC和TS模型预测结果与标准理化值相关系数分别为0.985 5和0.944 9,均方根误差分别为0.066 3°Brix和0.571 5%。利用自行搭建的可见-近红外漫透射光谱检测系统完全可以实现番茄可溶性固形物及总糖含量的快速无损预测,为番茄内部品质的评价提供了实时、无损、快速的检测方法,为其在线分级提供理论基础。     

太阳与太阳黑子的活动期

许多自然现象都与太阳黑子的活动周期有关 ,例如太阳辐射的强弱、太阳黑子数的变化等 .过去受许多原因不明的涨落的影响 ,使研究黑子数在较短时期内的变化变得较为复杂 ,且数据不太正确 .显然原始资料提供的时间愈长 ,则愈有把握给出有关太阳黑子变化的历史图像 .早在伽利略时代 ,就可以对太阳黑子进行直接的计数 ,早期的计数方法是利用铍 - 1 0原子在格陵兰岛和南极洲的冰层内的遗迹来推断的 .因为在太阳黑子的活跃期 ,太阳的磁性活动也变强 ,这时就会排斥来自银河系的宇宙射线 ,从而导致铍 - 1 0原子在地球大气层内的数量变少 .铍 - 1 0原…     

链烷含氧衍生物的沸点与分子参数的QSPR研究

近年来,分子的结构与性质之间的相关性研究是最流行的研究领域之一。拓扑指数方法越来越收到研究者的重视。用分子参数,例如主原子数(N), 主链碳原子数(N'),相对电负性和取代参数建立了一个定量预测链烷含氧衍生物沸点的数学模型。预测值与文献值十分吻合,相关系数R都大于0.9995。377个化合物的平均绝对误差小于3 ºC,平均相对误差低于1.5 %。计算结果表明该方法对QSPR研究简单实用,且具有明确的物理意义和容易掌握等优点     

太阳活动与地球的空间环境

 光辉的太阳是地球万物生长的天然能量源泉,它不断地向太空发射大量的光和热．观测表明,太阳光球及其以上的太阳较外层大气中,时常有较大尺度或局部区域的、缓慢的或爆发型的变化现象,诸如太阳黑子、日珥和耀斑等,太阳物理学家把这些现象统称为“太阳活动”．太阳活动现象非常复杂多变,可以说是相当的丰富多彩．太阳黑子数目的变化具有显著的周期性,太阳黑子大量出现的期间叫做太阳活动峰年,黑子极少的期间称为太阳活动谷年或低年,两个峰年之间的周期平均约１１年．随着２１世纪的来临,美国国家海洋和大气管理局的科学家发出警告说,２０００年太阳活动将进人极大年──即太阳活动高峰期,剧烈的太阳活动可能会扰乱近地空间环境.     

基于微波链路的路径雨强反演方法及实验研究

从大气气体吸收衰减模型出发, 基于微波雨衰特性和雨滴谱统计资料建立了微波链路降雨有效衰减的修正模型和视距微波链路的降雨反演模型. 设计并搭建一条视距微波链路测雨实验系统, 利用降雨反演模型反演了路径平均降雨强度, 并与雨滴谱仪进行了同步对比. 观测结果表明, 视距微波链路降雨反演模型的反演雨强与雨滴谱仪测量结果的相关系数大多高于0.6, 最高可达0.9647; 累积降雨量的绝对误差大多在0.5 mm以内, 最小偏差仅有0.0827 mm; 相对偏差大部分在15%以内, 最小相对误差为3.3415%. 实验结果验证了微波链路反演降雨的有效性和准确性.     

智能型多相流量计现场试验研究

本文首先简要介绍了我们自主开发的智能型多相流量计的基本原理,包括气相流量和液相流量计量,以及液相含水率的计量。继而,对工业样机的现场试验条件以及试验结果进行了详细的论述。数据表明:该多相流量计工业样机的液相流量计量相对误差在±8%以内,其中95%以上位于±5%范围内;气相流量计量相对误差在±20%以内,其中67%在±5%以内,88%在±10%以内,98%在±15%范围内;液相含水率绝对误差在±2%以内。该工业样机计量精度可以满足油田生产的需要。     

基于紫外光谱的水体硝酸盐浓度混合预测模型研究

水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁,传统的检测硝酸盐的方法检测时间长且操作复杂。针对水体中硝酸盐氮难以快速在线检测的问题,基于紫外吸收光谱,提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。按照合适的浓度梯度配备了19组硝酸盐氮标准溶液,通过实验测得不同浓度硝酸盐氮样本的光谱数据。首先基于双波长法对所有样本进行回归分析,按照A=A₂₂₀-2A₂₇₅计算不同实验样本的吸光度A,其中A₂₂₀和A₂₇₅是220和275 nm处样本的吸光度,将吸光度A与样本浓度值进行线性回归,拟合出样本浓度的预测值。结果显示当样本浓度较小时,相关性很好,r为0.997 4,随着实验样本浓度的上升,曲线发生严重的非线性漂移,因此双波长法只适合低浓度样本预测模型的建立。对于高浓度样本,光谱重叠严重,适合建立非线性的预测模型,支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模,LS-SVM预测精度稍高,运算速度稍快。通过对所有的实验样本进行全波长光谱积分,比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值,4 mg·L-1的硝酸盐样本积分值前后变化率最大,因此选择4 mg·L-1作为临界浓度值较为合适。浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型,通过交叉验证的方法选择出合适的参数,正则化参数γ=50,核函数选择高斯核,核函数宽度σ２=0.36,训练样本之后进行回归;其余样本建立双波长法预测模型,最后进行两种模型的数据融合,形成从低浓度到高浓度的水体中硝酸盐浓度的检测。为了验证混合预测模型的预测精度,另外建立了SVM,LS-SVM,偏最小二乘(PLS)等模型,并求出r,预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。验证结果表明,相比于SVM,LS-SVM和PLS等模型,提出的混合模型回归的相关系数为0.999 86,分别提高了1.8%,1.6%和0.45%,预测值与真实浓度的平均绝对误差为2.55%,分别降低了6.27%,4.49%和1.01%,均方根误差为0.303,为四种预测模型中最小,SVM与LS-SVM的相对误差相对较高,PLS模型相对误差上下波动比较大,混合预测模型相对误差最为稳定,并保持在较低水平,由此可见混合预测模型的预测效果明显优于其他几种模型。并与文献[5-7]中的测量方法进行对比,该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度,且不需要试剂,无二次污染,与文献[9]中的预测模型相比,预测精度明显提高。因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度,可为在线监测水体中硝酸盐浓度提供有效的技术参考。     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测

针对传统神经网络预测精度不高、收敛速度慢的问题,提出一种基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测方法.大脑情感学习模型模拟了哺乳动物大脑中杏仁体和眶额皮质之间的情感学习机制,具有计算复杂度低、运算速度快的特点,因此可以大大提高混沌预测的快速性.为了进一步提高大脑情感学习模型的预测精度,采用自适应遗传算法优化其参数,将待优化的权值与阈值分布在染色体基因序列上,用适应度函数选出最佳参数,从而增强了模型的逼近能力.基于Lorenz混沌时间序列和实际地磁Dst指数序列的预测结果表明,本文方法较其他传统方法在预测精度、运算速度和稳定性上均具有明显优势.     

太阳高纬和低纬活动现象的混沌与分形特征

为了研究太阳高纬度和低纬度活动现象在南北半球的混沌与分形特征, 结合递归分析方法与Grassberger-Procaccia算法两种技术对1952年2月至1998年6月的极区光斑和黑子数目两种太阳磁活动指标进行了详细分析和比较. 主要结论如下: 1)由于太阳活动现象与磁场的时空演化密切相关, 导致太阳活动在南半球和北半球的混沌与分形特征具有不对称性, 太阳高纬度和低纬度活动现象的混沌与分形特征具有差异性; 2)太阳高纬度活动现象比低纬度活动现象具有更强的混沌程度和更复杂的分形结构, 其中太阳高纬度活动现象在北半球具有最强的混沌程度和最复杂的分形结构.     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

基于周期性截断灰色系统的电力负荷预测

电力负荷预测是电力系统调度和电力生产计划制定的重要依据。电力负荷时间序列有着明显的周期性特征。传统的电力负荷预测主要侧重于预测方法的研究,而忽略了电力负荷数据周期性特性的分析,影响了预测的准确性。针对电力负荷时间序列的周期性特征,提出了一种基于周期性截断的灰色系统模型来进行电力负荷预测。该模型利用周期性截断来反映负荷数据的周期性特征,提高了预测的精度。仿真采用EUNITE Network的公开负荷数据进行算法性能的测试,并与一些主流的电力负荷预测算法：BP神经网络、极限学习机、自回归模型以及传统的灰色系统模型做比较。仿真结果表明,周期性截断的灰色系统负荷预测的归一化均方误差和绝对平均误差是最小的。周期性截断的灰色系统为电力系统负荷预测提供了一种新的有效方法。     

Cross-correlation and the predictability of financial return series

This paper examines whether we can improve the predictability of financial return series by exploiting the effect of cross-correlations among different financial markets. We forecast financial return series based on the support vector machines (SVM) method, which can surpass the random-walk model consistently. By comparing the mean absolute errors and the root mean squared errors, we show that it is hard to improve the predictability of financial return series by incorporating correlated return series into SVM-based forecasting models, even though there are Granger causal relationships among them.     

基于选择性支持向量机集成的混沌时间序列预测

提出了一种基于聚类的选择性支持向量机集成预测模型.为提高支持向量机集成的泛化能力，采用自组织映射和K均值聚类算法结合的聚类组合算法，从每簇中选择出精度最高的子支持向量机进行集成，可以保证子支持向量机有较高精度并提高了子支持向量机之间的差异度.该方法能以较小的代价显著提高支持向量机集成的泛化能力.采用该方法对Mackey-Glass混沌时间序列和Lorenz系统生成的混沌时间序列进行预测实验，结果表明可以对混沌时间序列进行准确预测，验证了该方法的有效性. 关键词： 支持向量机 集成 混沌时间序列 聚类     

量子过程神经网络模型算法及应用

为提高过程神经网络的逼近和泛化能力, 从研究过程神经元信息处理的量子计算实现机理入手, 提出基于量子旋转门及多位受控非门的物理意义构造量子过程神经元的新思想. 将离散化后的过程式输入信息作为受控非门的控制位, 经过量子旋转门作用后控制目标量子位的状态, 以目标量子位处于状态|1>概率幅作为量子过程神经元的输出. 以量子过程神经元为隐层, 普通神经元为输出层, 可构成量子过程神经网络. 基于量子计算机理推导了该模型的学习算法. 将该模型用于太阳黑子数年均值预测, 应用结果表明, 所提方法与普通过程神经网络相比, 预测精度有所提高, 对于复杂预测问题具有一定理论意义和实用价值.     

风电功率时间序列混沌特性分析及预测模型研究

为揭示风电功率序列内在的动态特性, 利用非线性方法对风电时间序列混沌特性进行识别, 为对风电功率进行预测提供了基础.首先对某风电场的风电功率时间序列的日相关性进行了分析;然后在相空间重构的基础上计算了风电序列的最大Lyapunov指数, 验证了风电时间序列的混沌特性;由于采用Volterra滤波器多步预测法对风电功率进行超短期预测误差较大, 利用局域多步预测法以及最大Lyapunov指数法的预测结果并结合加权马尔科夫链和有序算子对Volterra滤波器的预测结果进行校正.最后以某实际风电场的风电功率预测为算例, 仿真结果表明校正预测模型有效的提高了预测精度, 其为利用Volterra滤波器多步法进行风电预测提供了有益的参考.