用RBF神经网络确定上海股市的分形维数

从预测能力的角度采用径向基函数（radial basis function，简称RBF）神经网络方法计算我国上海股票市场的分形维数，并通过RBF神经网络的实验，得到上海股市的最小嵌入维数为6，验证了股市分形维数在2-3之间，从而进一步确定了我国上海股票市场是一个具有混沌现象的系统，最后探讨了利用股票市场的混沌特性进行短期预测的效果的可行性。     

甜瓜含糖量无损测定研究

实验给出了果肉电阻率与果肉含糖量之间的对应关系,然后从理论上研究了甜瓜两极间电阻值与果肉电阻率、瓜瓤电阻率、瓜体大小、果肉厚度、瓜瓤厚度之间的函数关系,最后检验了通过测定甜瓜电阻值和瓜体长短半轴的方法估计甜瓜果肉含糖量的准确度.结果表明,这种方法无损测定甜瓜果肉含糖量是可行的.     

径向基神经网络模型在滇东南金矿潜力预测中的应用

采用人工网络神经法（Artificial Neural Network,ANN）有助于理解成矿系统的非线性动力学行为和对矿产资源进行预测.其中的径向基神经网络（Radial Basis Function Neural Network,RBFNN）具有优秀的逼近特性,优化过程简单,训练速度快,适合于需要大量数据综合的矿产预测.采用RBFNN方法对成矿地质条件复杂的中国滇东南地区开展金矿成矿预测.研究结果表明,该模型能快速获取成矿潜力信息.通过采用受试者工作特征（Re-ceiver Operating Characteristic,ROC）曲线进行精度验证,表明该模型具有优越的预测能力.     

东准噶尔卡拉麦里地区断裂系统分形特征及成矿意义

准噶尔盆地东北缘卡拉麦里地区是我国重要的金矿分布区,区内断裂系统错综复杂,控矿作用显著,需对不同方位、不同规模断裂系统的空间分布规律、发育复杂程度及对金矿床的控制规律进行深入研究,目前尚未见对该区域断裂系统的分形特征与金矿分布关系研究。对准噶尔盆地东北缘卡拉麦里地区断裂构造进行了不同尺度、不同方位的分形维数计算,得到全部断裂构造的分形维数为1.421,各方向断裂构造的分形维数：NW向为1.382,NWW向为1.223,近EW向为0.976,NE向为0.960;全部断裂构造和NW向断裂构造的分形维数均大于能反映地质体连通性的分形维数临界值（1.22~1.38）。结果表明,东准噶尔卡拉麦里地区的地质体具有较高的连通性,为金成矿热液提供了有利的运移通道和汇聚场所,NW向断裂构造发育最复杂,为研究区主导性导矿构造,对金矿的形成具有控制作用;这与研究区绝大部分金矿床（点）主要沿卡拉麦里深大断裂和清水—苏吉泉深大断裂派生的NW至NWW向断裂展布的特征相吻合。     

矿产预测中的成矿因子选择方法：以滇东南金矿预测为例

由于矿产地质信息的复杂性和不确定性,难以建立精确的数学模型来确定矿产资源的分布状况.非线性分析建模技术,如人工神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machine,SVM）等,给矿产预测工作提供了新的途径.这类方法在处理数据时可以避免数据分析和建模的困难,即不须理解各种成矿因子与矿床（点）之间的相互关系,只须选择已知的矿床（点）和非矿产（点）,进行＂黑箱＂学习.虽然经过合理的训练,这类方法能够得到较高的预测精度,但由于其分类过程的非线性特性,难以获得容易理解的分类规则,提供成矿因子的知识.本文采用基于SVM的迭代特征消去（Recursive Feature Elimination,RFE）技术（SVM-RFE）,即在SVM模型的训练过程中,采用RFE特征选择方法,从所有输入的成矿因子中选择出对矿床（点）能正确预测的重要因子,以提供对输入模型的成矿因子的客观评价.通过对滇东南地区金矿预测的实践表明,采用SVM-RFE技术从原始10类成矿因子中自动选择6类进行预测的精度从68.42%提高到94.74%,并且得到该区域进行矿产预测的成矿因子重要性依次是：Au异常、As异常、侵入岩、下三叠统与中三叠统之间的平行不整合面、上二叠统与三叠系的平行不整合面、断裂交汇点密度、石炭系和下二叠统间的平行不整合面、中上泥盆统和石炭系间的平行不整合面、Sb异常和Hg异常,从中选取前6类成矿因子进行SVM训练得到的预测精度最高.这一结论可为在该区域进行矿产预测的资料选取,以及对成矿因子的理解提供支持.     

灰铸铁石墨形态的神经网络识别研究

在分析分形维、纹理粗细度及二维回归系数共同组成的纹理特征基础上,本文运用人工神经网络方法实现了对灰铸铁石墨形态的识别．相对于传统方法,该方法识别速度快、重现性强、数据更为客观准确,避免了由于主观判断所引起的人为误差．在识别过程中,本文使用了一种确定隐层节点数的新方法,结果显示良好,对于人工神经网络中隐层节点数确定难的问题具有很好的实用参考价值．     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于距离场的二维偏移曲线快速生成方法

提出了一种快速生成二维偏移曲线的方法.对于无自相交的二维多边形曲线,该方法能构造无自相交、保留准确尖锐特征的二维等距偏移曲线.算法的基本思想:先在一个均匀网格上根据给定的曲线采样一个局部有向距离场,然后使用等值线抽取方法从有向距离场中获取偏移曲线.在构造局部距离场时引入3个过滤器,在远离偏移曲线的区域消除大量冗余计算.采用经典MS(marching square)方法抽取初始多边形偏移曲线,通过一个混合解析解和二分搜索方法,快速计算得到偏移曲线与网格边的准确交点.根据最近点位置信息对初始多边形偏移曲线进行简化和特征重构(如尖角和圆弧),构造无自相交、顶点数少、具有尖锐特征、含混合直线和圆弧段的准确偏移曲线.大量数据实例说明该方法性能良好.     

基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.