过滤窗最小二乘支持向量机的混沌时间序列预测

传统的滑动窗策略只是简单且机械地将最远的数据移出窗口, 而将最近的数据移进窗口. 针对这种遗忘策略存在的缺陷, 提出了过滤窗策略. 过滤窗采用"优胜劣汰"的选择机制, 将对模型贡献比较大的数据留在窗口当中. 将过滤窗和最小二乘支持向量回归机相结合, 提出了过滤窗最小二乘支持向量回归机. 与滑动窗最小二乘支持向量回归机相比较, 过滤窗最小二乘支持向量回归机具有较小的计算量, 需要较短的窗口长度就能达到和滑动窗最小二乘支持向量回归机几乎相同的预测精度, 而较短的窗口长度又预示着较少的计算量和较好的实时性. 混沌时间序列在线建模和预测的实例表明了过滤窗最小二乘支持向量回归机的有效性和可行性. 关键词： 混沌时间序列 支持向量机 滑动窗 过滤窗     

具有增加删除机制的正则化极端学习机的混沌时间序列预测

针对正则化极端学习机的隐层具有随机选择的特性,提出了一种增加删除机制来自适应地确定正则化极端学习机的隐层节点数. 这种机制以对优化目标函数影响的大小作为评价隐层节点优劣的标准,从而淘汰那些比较“差”的节点,将那些比较“优”的节点保留下来,起到一个优化正则化极端学习机隐层节点数的目的. 与已有的只具有增加隐层节点数的机制相比较,本文提出的增加删除机制在减少正则化极端学习机隐层节点数、增强其泛化性能、提高其实时性等方面具有一定的优势. 典型混沌时间序列的实例证明了具有增加删除机制的正则化极端学习机的有效性和可行性. 关键词： 混沌时间序列 人工神经网络 极端学习机     

金属离子(Na~+、K~+、Ca~(2+)、Mg~(2+)、Zn~(2+))与鸟嘌呤异构体配合物的稳定性

在B3LYP/6-311++G**水平上用极化连续介质模型(PCM)系统研究了金属离子(M+/2+=Na+,K+,Ca2+,Mg2+,Zn2+)和十三种鸟嘌呤异构体形成的配合物GnxM+/2+(n为鸟嘌呤异构体的编号,x表示M+/2+与鸟嘌呤异构体的结合位点)在气(g)液(a)两相中的稳定性顺序.着重探讨了液相中配合物的稳定性差异,并且从溶质-溶剂效应、结合能、形变能及异构体的相对能量等几个方面分析了造成稳定顺序发生变化的原因.报道了溶液中这五种金属离子与鸟嘌呤异构体结合形成的六种基态配合物:aG1N2,N3Na+,aG1N2,N3K+,aG1O6,N7Ca2+,aG1N2,N3Mg2+(aG1O6,N7Mg2+),aG2N3,N9Zn2+.可以看出,除了在Zn2+配合物中鸟嘌呤异构体为G2外,构成其余四种金属离子配合物的鸟嘌呤异构体都是G1,但结合位点不同.同时对气相中各类配合物稳定性也进行了系统的排序,并报道了几种较稳定的配合物,如:gG3N1,O6K+,gG5N1,O6K+,gG3N1,O6Ca2+/Mg2+,gG4O6,N7Ca2+/Mg2+.