基于神经网络-混合进化算法的桥式起重机的防摇摆控制

使用径向基函数(Radial Basis Function,RBF)神经网络为桥式起重机设计一种防摇摆控制器,并采用遗传算法(Genetic Algorithm,GA)与粒子群优化算法(Particle Swarm Optimization,PSO)相结合的混合进化算法(Hybrid Evolutionary Algorithm,HEA)作为神经网络的学习算法.RBF神经网络用于生成台车运动的光滑轨迹,而混合进化算法以台车遵循所生成轨迹到达目标位置时起重机系统的机械能为优化目标,对神经网络的参数进行优化调整,从而达到抑制负载残余摆动的目的.最后通过仿真验证了所提出的混合进化算法相对于遗传算法和粒子群优化算法的优越性以及所设计的防摇摆控制器的正确性和有效性.     

混合地理加权空间自回归模型的Profile GMM估计

为了更好地同时考虑空间自相关性和空间异质性,本文研究一类空间自回归混合地理加权回归模型.基于Profile方法和广义矩(GMM)方法,构造了模型中未知空间自回归参数,常数回归系数和系数函数的两类Profile GMM估计.数值模拟结果表明所提出的估计在有限样本中表现良好.     

灰色GM(1,1)模型研究综述

GM(1,1)是灰色预测理论的核心模型和基础模型.从累加生成方法、初值优化、背景值优化、参数估计方法、模型性质和模型拓展的视角,梳理了GM(1,1)模型的研究进展.明确了有待进一步研究的问题,对GM(1,1)模型的未来研究方向提出了建议.     

组合几何(三) 运动问题

几何的本质就是运动.通常所说的所谓几何性质,其实质就是某个运动群的不变量.所以,利用运动——平移、旋转、反射等来解决几何问题,应该是本质的常用的方法.组合几何中的问题当然也不例外点的运动,生成点的轨迹(或者说是具有某种性质的点的集合),这是运动的结果.利用点运动做结果——点的轨迹(几何曲线、曲面)——作为工具解几何问题,也是我们处理组合几何问题的常用方法.运动事实上就是一个映射,例如平面上的运动就     

动态变系数回归模型的识别与非参数GMM估计

主要研究关于面板数据的有限阶固定效应的动态变系数回归模型(简称FDVCM)的统计推断问题.基于B-样条函数和广义矩估计(简称GMM)方法,首先建立了未知系数函数的非参数GMM估计,并证明大样本情形下该估计达到最优非参数收敛速度且具有渐近正态性质.然而实际问题中模型的动态阶数完全未知,也可能存在其它冗余的回归变量,文中借助文[Fan J,Li R.Variable selection via penalized likelihood and its oracle properties.Journal of the American Statistical Association,2001,96(456):1348-1360]中的smoothly clipped absolute deviation(简称SCAD)惩罚函数同时识别真实的动态阶数和显著的外生回归变量.同时建立了压缩估计的Oracle性质,即所识别的模型与真实模型中的参数估计具有相同的渐近分布.最后,无论是数值试验还是实例数据分析都验证了本文方法的合理性和可行性.     

R~n 空间一类广义 MAXMIN 问题的最优性条件

本文拟应用凸锥分离定理给出 R~n 空间一类广义maxmin问题的最优性条件.第2节首先给出了有关的预备性定义及引理.第3节研究了3种GMM(D,f)模型,给出了相应的最优性条件.第4节讨论了 GMM(D,f)最优解与 R~(?) 空间广义向量极值问题GVP(D,f)(见定义2.1)的弱有效解的一个关系.     

倒数累加生成灰色GRM(1,1)模型及应用

相对传统的累加生成提出倒数累加生成的定义 ,并给出其灰色 GRM( 1,1)模型及其在药物动力学中的应用 .为建立灰色模型提供了新的生成方法     

融合神经网络与数值计算的人体逆向运动学求解

人体逆向运动学问题是人体运动合成、人体运动捕获和理解的基本问题.由于人体关节链式系统的复杂性,人体逆向运动学方程往往存在多解或无解的情形.传统的方法通常采用解析或数值迭代方法求解逆向运动学问题,在给定足够多约束的情形下能够得到比较好的解,但无法处理少量约束下生成自然的人体姿态问题.近年来,从大规模数据集中学习统计模型参数的思想被广泛运用,求解人体逆向运动学的机器学习方法中经典工作|混合Gauss逆向运动求解模型(Gaussian mixture model-inverse kinematics,GMM-IK)就提出利用混合Gauss模型建模人体姿态数据分布,并采用期望最大化方法求解参数.随着深度学习技术的发展,本文提出一种自编码神经网络与数值迭代融合的方法,在给定少量约束的情形下依然能够得到自然的人体姿态,相较于GMM-IK方法,本文所提出的方法通过神经网络自动学习姿态分布,省去了模型的假设和特征的设计,且量化实验显示本文方法的关节坐标和角度重建误差相较于GMM-IK模型平均减少了25%和39%.在应用方面,本文方法可处理光学运动捕获数据,也可用于图像视频的人体姿态估计等领域.     

基于时空图注意力网络的跳高轨迹预测

跳高运动由助跑、单脚起跳、越过横杆落地等一系列动作组成,跳高运动轨迹是一个复杂的因果系统.在每一个时间节点,运动员的身体姿态符合一定的规律约束.研究建立了跳高运动过程中关键身体关节节点坐标依时间变化的离散过程模型,每个时刻的各关节点位置向量由给定的之前若干个时刻的运动员关节点位置决定.跳高运动员肢体的摆动、关节点位置的变化都对运动员位移有重要作用.运动员重要关节点之间的相互作用,使得跳高运动轨迹难以刻画和预测.随着深度学习的发展,图神经网络在时空特征刻画和预测上具有优势.基于时空图注意力网络结合长短时记忆网络、门控循环单元(STGAT-LSTM、STGAT-GRU)建立了具有空间位置约束的跳高运动员关节点位置随时间变化的模型,用于推算跳高运动员重心和关节点位置轨迹.实验结果表明该模型能够很好地刻画跳高运动的过程,对于关节点位置的预测能够达到较好的效果.研究所提出模型的预测效果比基线模型准确性提高了0.02-0.03米.研究给出了基于神经网络模型进行跳高运动轨迹预测的可行解决方案,可作为跳高运动仿真和技术优化研究的重要参考.     

成交量与价格限制对中国股市影响的实证分析

以我国股票市场的12支个股资料为例,研究了日收益相关性、成交量和价格限制的关系.研究发现,增加成交量会减弱自相关性的假设对近一半的股票成立.我们首先采用一般方法来估计模型,但这种方法用于研究这三者的关系存在一定的偏差,所以接下来又采用了广义矩估计(GMM)来观察估计结果的灵敏性.发现用GMM方法得出的结果表明成交量和价格限制的影响要强于一般方法得出的结果,价格限制影响表现出了对自回归系数更强烈的影响.     

同时优化背景值和灰导数的新非等间距GM(1,1)模型

结合GM(1,1)的建模过程,提出了以原始序列的一次累加生成序列为背景值的非等间距序列GM(1,1)模型的最原始形式;并基于灰模型的非齐次指数特性和求导的定义,从灰导数在离散点的生成出发,同时优化最原始的非等间距灰微分方程的灰导数和背景值,并建立新非等间距灰模型;新模型不仅提高了灰模型的拟合精度和预测精度,且拓宽了GM(1,1)的适用范围.     

具有时滞和周期特征的短时交通流灰建模及其应用

针对短时交通流的延迟性、随机性和周期性特征,采用灰关联分析和分数阶累加生成方法建立了带时滞和周期特征的分数阶累加灰色新模型.针对短时交通流的延迟性,将短时交通流数据拆分成参考时间序列和对应的比较时间序列,进行关联度分析,得到计算时滞值的方法.针对短时交通流的随机性和周期性,利用分数阶累加生成方法,并引入tan(kp)为发展系数,sin(kp)为输入变量,建立了短时交通流的分数阶GM(1,1|tan(kp),sin(kp))模型,给出了模型参数的最小二乘估计和周期性参数与分数阶阶数的优化求解算法.最后将模型应用于长沙市芙蓉区某交叉路口的交通流建模及预测中,并与常规的五种模型进行了对比分析,结果表明,模型能较为准确地反映交通流的实际情况,且有较高的预测精度和较为稳定的结果.     

基于灰作用量优化的分数阶灰色预测模型研究

针对小样本振荡型数据序列的灰建模预测问题,提出基于灰作用量优化的分数阶GM(1,1|sin+cos)预测模型.在已有经典GM(1,1|sin)的基础上,一方面,将一阶累加灰生成拓展为分数阶累加灰生成,使得构建的模型更加符合新信息优先原理.另一方面,将灰作用量b_1 sin pk+b_2改进为b_1 sin pk+b_2 cos qk+b_3,其作用是通过增加余弦函数项cos qk,使得具有两个不同周期的运动项cos qk与b_1 sin pk+b_2叠加复合之后,能够生成更加贴近于振荡原始序列趋势和特征的时间响应序列,从而得到拟合精度较高的灰色模型.其次,对建模过程的时间响应式、模型参数p和q的最优估计问题进行了研究,构造了最优累加阶数r、参数p和q的粒子群优化算法,得到的优化模型实现了某些类型振荡序列较高精度的预测.实际数据例子结果表明,所建立的模型能够较好地模拟常见振荡型数据序列的波动趋势和特征,具有较强的适用性和拟合性能.     

基于Mathcad的动态图示教学法探析

将多媒体动态特性融入高等数学教学,是将抽象的数学理论可视化的一种有益的尝试.本文利用Mathcad软件的多重图示与动画功能来设计情景及实例.结合微积分中相应模型、通过动态变换、轨迹描绘等方式探究动态图示教学模式,从而达到了抽象理论的可视化.另外,对动态图示教学的相关数学认知也进行了探析.     

非线性非均衡蛛网模型的动态分析

描述单商品市场价格波动的蛛网模型是动态经济分析中的经典模型 ,证明了由模型 ( )所生成的价格序列在一定的条件下不会出现 3以上周期运动和混沌现象 ,并对其进行稳定性分析 ,得到模型关于均衡价格稳定的六个判别定理 .     

非齐次GM(1,1)模型的背景值优化及其应用

针对非齐次GM(1,1)模型中传统方法构造的背景值与真实背景值之间存在误差的情况,提出了一种背景值优化方法.首先,分析了背景值误差的来源及其对模型预测精度的影响;然后,通过积分变换重构了背景值,并利用非齐次指数序列及其一次累加、一次累减生成序列的相互关系,得到了重构背景值中参数的表达形式;最后,根据拟合误差最小原理解得了模型参数的估计值,进而得到了预测公式.经过实例应用,优化模型预测结果的平均相对误差为0.54%,表明优化背景值能够明显提高模型的预测精度.     

基于分数阶累加的灰色GM(1,1|sin)模型及其应用

本文研究了灰色模型对振荡序列的预测问题.在已有GM(1,1|sin)模型的基础上,利用分数阶算子对原始序列进行累加生成的方法,获得了分数阶累加GM(1,1|sin)模型的表达式;以平均相对误差最小化为目标,利用粒子群算法求解非线性优化问题,获得了模型的最优参数.最后以城市交通流的模拟预测为例,结果表明本文提出的模型比GM(1,1|sin)模型具有更高的模拟精度,推广了GM(1,1|sin)预测模型的结果.     

Brown�˶���Poisson����̻�������۸�ģ����Ͷ��������ɺ���

研究了由Brown运动和Poisson点过程混合驱动的资产价格模型.以该模型为基础,应用随机分析的方法得到了生成函数生成投资组合与市场资产组合之间的关系.     

Brown运动与Poisson点过程混合驱动价格模型下投资组合生成函数

研究了由Brown运动和Poisson点过程混合驱动的资产价格模型.以该模型为基础,应用随机分析的方法得到了生成函数生成投资组合与市场资产组合之间的关系.     

基于灰关联的GOM((p,q))(1,2)-BP神经网络模型及AQI预测

基于分数阶反向累加生成构建一种新的GM(1,2)模型,为使所构建模型能更好贴近和反映两个累加生成序列指标之间的真实关联关系,提出了基于不同序列采用不同累加阶数的GOM⁽(p,q))(1,2)模型.首先通过灰关联模型识别并筛选与特征序列关联度最大的相关因素序列,然后建立不同累加阶数的灰色模型,通过带压缩因子的粒子群优化算法求解模型最优阶数p和q,最后运用BP神经网络修正GOM⁽(p,q))(1,2)的模型值,构建GOM⁽(p,q))(1,2)-BP神经网络组合模型.模型应用于武汉市空气质量指数的预测,结果表明与单一模型相比,组合模型具有更好的性能和建模精度.