高斯骨架差分进化算法与回声状态网络的结合应用

针对回声状态网络(ESN)对于不同时间序列的学习上无法有效地确定储备池参数的问题,提出一种新型预测模型。利用改进的高斯骨架差分进化算法(DE)来优化回声状态网络。在DE算法中引入了变异策略选择因子,并将选择因子随个体共同参与进化,使每个个体执行当前最适合的变异策略。改善了原始DE算法进化过程中的盲目性,同时选择因子的动态自适应特性保持了骨架算法近似无参数的优点,最后为避免算法早熟加入停滞扰动策略改善算法的寻优性能。为验证模型的有效性,对Mackey-Glass时间序列、赣州月平均气温数据集进行仿真实验。由实验结果可知,该模型可以提高时间序列的预测精度,且具有良好的泛化能力及实际应用价值。     

基于改进NARX神经网络算法的光伏发电功率短期预测

为准确地预测光伏发电功率,节约资源,提出一种基于改进非线性自回归(nonlinear autoregressive with external input,NARX)神经网络算法的光伏发电功率短期预测模型。通过皮尔森相关分析选择影响发电功率的环境因素,利用遗传算法(GA)优化受限玻耳兹曼机(RBM)模型参数,避免陷入局部最优;利用优化后的RBM模型初始化NARX神经网络的参数。实例预测表明,改进NARX神经网络算法对光伏发电功率短期预测精度更高,收敛速度更快。     

基于随机权重粒子群优化极限学习机的土壤湿度预测

土壤湿度的预测对农业生产和科学研究都有着重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,本文将随机权重的粒子群优化算法(RandWPSO)应用于ELM回归模型中,提出了一种基于随机惯性权重的粒子群优化极限学习机的土壤湿度预测方法.该方法是利用传感器测出的土壤温度和光照强度数据进行数据预处理,构建出训练样本集,并且建立ELM回归模型,利用随机权重的粒子群算法优化ELM中的输入权值和阈值,避免陷入局部最优,从而建立起基于RandWPSO-ELM土壤湿度预测模型.利用MATLAB仿真软件,构建随机权重的粒子群优化ELM的预测模型,并对呼兰地区大棚甜菜的土壤湿度进行实验.结果表明:该方法的精度高且稳定性好,能够为大棚甜菜的生长提供有效的参考依据.     

基于注意力机制的复杂背景连续手语识别

提出一种基于注意力机制的连续手语识别算法ACN(attention-based 3D convolutional neural network),能够识别复杂背景下的连续手语。该算法首先利用背景去除模块,对包含复杂背景的手语视频进行预处理;然后,通过基于空间注意力机制的3D-ResNet(3D residual convolutional neural network)提取时空融合信息;最后,采用结合时间注意力机制的长短期记忆（long short-term memory,LSTM）网络进行序列学习,得到最终的识别结果。算法在大规模中国连续手语数据集CSL100上表现优异;在面向不同复杂背景的情况下,算法表现出良好的泛化性能,模型引入的时空注意力机制是切实有效的。     

基于相关向量机的网络舆情情感趋势预测

对网络舆情事件中网民评论的情感发展趋势进行准确预测具有非常重要的意义和价值.本文提出将网民评论的情感值作为预测指标,通过对评论的句式分析,利用短语模式计算单句及复句的情感值,构建情感值时间序列,建立基于相关向量机的网络舆情情感趋势预测模型,对网络舆情事件中网民评论情感趋势进行预测.选择新浪微博中关注度较高的头条新闻中微博评论的舆情事件作为实验对象,运用本文模型与基于BP神经网络、Elman神经网络等预测模型进行对比.实验结果表明,本文模型具有较高的预测精度,平均绝对百分误差(MAPE)和均方根误差(RMSE)均优于基于BP神经网络和Elman神经网络的预测模型,能较好地预测出网络舆情事件中网民评论情感趋势.     

基于K-L分解的斜拉索-磁流变系统建模及减振控制研究

针对斜拉索-磁流变阻尼器系统, 提出一种数据驱动的分布参数系统建模方法. 利用K-L时空分解方法得到表征系统空间结构的空间基函数, 将其与系统输出作内积求出表征系统状态幅值的时间序列, 根据时间序列和外载荷等数据信息, 利用递推最小二乘算法辨识时域ARMAX模型, 将空间基函数与时域ARMAX模型进行空间重构得到空间ARMAX模型, 最后对该时域ARMAX模型进行预测控制. 实验结果表明 建立的分布参数系统模型计算量小、精度高, 可以满足实际工程要求; 采用的预测控制方法能够对斜拉索-磁流变阻尼器分布参数系统模型进行有效的减振控制.     

常微分方程组的演化建模新算法

提出了常微分方程组的演化建模的一种新算法 ,新算法在 3个方面改进了作者原有的算法 :(1)采用新的适应值评估方式 ;(2 )采用一种基于子空间搜索的遗传算法来优化模型的参数 ;(3)将传统的遗传程序设计方法与局部搜索技术相结合来优化模型的结构 .将新算法分别应用于人口增长与化学反应模型的自动建模 ,并比较两种算法的实验结果 ,表明新算法发现的模型更稳定、精确度更高 .     

智能化网络性能分析与预测支撑系统设计

提出了一种将离线性能分析与在线性能实时预测相结合的网络性能分析与预测支撑系统设计方案.在离线性能分析中完成了特定网络节点的性能分析、节点间性能相关性分析以及长期网络性能历史数据的演化数学建模;在在线性能分析中则主要基于一种混合的实时预测模型来完成在线的网络性能预报,它采用模块化设计,具有良好的智能与很好的可扩展型和自适应性.实验表明,它为网络管理人员提供了强有效的网络性能分析与预测工具,是一个理想的性能分析与预测支撑平台.     

基于变分高斯混合模型的图像分割算法

提出了一种基于变分推断的高斯混合模型的图像分割算法. 该算法首先用贝叶斯混合高斯模型对图像的特征进行建模, 并针对模型的参数学习问题, 利用变分推断算法估计模型的参数及其后验概率; 这种方法比采样法的计算量更少, 而且能够根据图像数据自动优化混合个数, 实现了模型的自动选择. 最后, 该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较, 结果表明此方法得到的图像分割结果精度较高, 具有较好的性能.     

基于灰色预测模型的参数寻优方法及能源预测应用

能源电力是中国实现双碳目标的关键领域，精确预测未来能源供需及碳排放量，有利于制定低碳转型的可行路径。灰色预测模型GM(1,1)是在能源预测领域应用最为广泛的一种动态预测模型，但其对原始数据要求较高，且GM(1,1)发展系数α较大时，模型可能失效，另一方面，GM(1,1)的另一关键参数灰作用量u直接决定模型预测精度，如果能够找到更优的u值代入模型进行预测，则模型的精度将会显著提高，考虑到这些问题，本文将一种在实际优化问题中表现优良的新颖群体智能算法帝王蝶优化算法(Monarch Butterfly Optimization, MBO)引入到灰色预测模型关键参数α和u的寻优过程，提出了一种全新的灰色-帝王蝶优化预测模型，实现对天津能源供需及碳排放的准确预测，并依据预测结果制定天津2030年碳达峰的低碳转型路径，通过与已有经典文献方法与预测数据的对比，证实了本文所提出的灰色-帝王蝶优化预测模型的有效性和优越性。     

基于CPSO-RVM的蒸发过程在线预测模型

针对密闭、长流程的蒸发过程由于待浓缩溶液黏度高或腐蚀性强、设备易结垢、工况变化复杂等原因引起的在线预测模型难以建立的问题,提出了一种基于混沌粒子群优化相关向量机(CPSO-RVM)的预测模型。基于贝叶斯学习框架构建了蒸发过程相关向量机预测模型,克服模型对核函数类型的限制和数据敏感性,在此基础上利用混沌粒子群算法对预测模型的核函数进行优化,获得计算量小、泛化性能优的在线预测模型。某厂实际蒸发过程生产数据的算例表明,在存在新蒸汽和原液干扰、设备结垢的整个清洗周期内,CPSO-RVM模型都能获得很好的预测效果,并且比偏最小二乘回归模型(PLSR)和最小二乘支持向量机模型(LSSVM)精度更高,能为实际蒸发过程的在线控制提供参考。     

MANET中基于二次置换多项式的滑动窗口网络编码算法

针对移动自组网络(mobile Ad hoc network,MANET)的数据传输机制和数据吞吐量问题,提出了一种MANET中基于二次置换多项式的滑动窗口网络编码(quadratic permutation polynomials-based sliding window network coding,QPPSWNC)算法。该算法根据QPP理论优化滑动窗口的大小,对进入滑动窗口中的分组进行网络编码操作,恢复原始数据分组,降低每个滑动窗口的编码/解码复杂性。利用NS-2仿真器进行了仿真实验,分析本文算法性能。仿真实验结果表明,相较于典型的Block-LDPC和ACODI算法,本文算法可以优化MANET中编码开销、解码时延和网络吞吐量等性能。     

基于SVM的固化土无侧限抗压强度模型

为实现较少试验次数下固化土无侧限抗压强度(qu)的准确预测, 提出了基于支持向量机(SVM)的固化土qu的预测模型. 以固化剂各组分掺入比、龄期、初始含水量、固化剂掺量等因素为输入量, 固化土的qu作为输出量, 以径向基为核函数, 采用网格搜索法和交叉验证法进行参数优化, 建立了基于SVM的固化土qu的预测模型. 算例分析表明: 该模型适用于任意条件下固化土qu的精确预测, 且在较小试验成本下实现与响应面法相当的预测精度.     

高阶常微分方程的动态演化建模

提出了采用高阶常微分方程模型代替传统时序分析中所用的ARMA模型来实现一维时间序列的建模和预报．设计的将遗传程序设计与遗传算法相嵌套的动态演化建模算法,用遗传程序设计优化模型结构,以遗传算法优化模型参数,边收集数据边建模边预报,首次成功地实现了时间序列实时预报的程序自动化．两个时间序列的应用实例表明采用此算法可获得较好的实时预报效果．     

基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用

电力通信网设备时序故障预测的目标是通过过去设备告警数据,预测设备在下一个时间段是否发生故障,这对设备的管理和维护起着重要作用。为了预测电力设备未来的状态,提出一种Forward-LSTM(F-LSTM)学习模型,对设备故障的时序特征和非时序特征(静态信息)进行并行训练,探索出一种新的对静态-时序数据的训练方法,将其应用在电力通信网故障预测中。F-LSTM结合了两个组件,一个学习时序特征的长短期记忆神经网络(LSTM)与一个处理静态数据的前向全连接神经网络(forward full connection neural networks,FC),数据的静态/时序属性被自动判断并传递给FC或LSTM来并行训练。对于具有同时产生动态数据与静态数据的电力通信网络,Forward-LSTM(F-LSTM)模型能以较高速度与精度预测其故障发生的位置。此外,本文采用一种加权的损失函数,可以更好地捕捉设备故障的时序规律。选取某电力通信网络系统中2016—2017年设备故障数据,对本方法进行测试。实验结果显示,与Xgboost模型相比,F-LSTM模型对故障预测的召回率提高5%,同时F-LSTM模型较LSTM模型缩减了计算量,加快了模型的训练速度。     

一种基于LSTM-Blacklist的动态信任度证明机制

针对区块链网络中共识节点的恶意行为导致的区块链系统安全问题,提出一种基于LSTM(long short-term memory)-Blacklist的动态信任度证明机制(PoDT-LSTMB)。该动态信任度证明机制通过前向注意力机制的两层LSTM神经网络学习并分析参与共识节点的行为数据,预测节点行为倾向。以节点信任度为基础构建黑名单,剔除低于信任度阈值的节点,提高全网节点的总体可信性。以正常区块上链率以及节点信任度的变化为主要评估指标,与信任度证明PoT(Proof of Trust)机制以及不带黑名单的PoDT-LSTM机制进行了对比实验。实验结果表明,基于前向注意力机制的两层LSTM神经网络结构准确率可达0.915 1,本文提出的PoDT-LSTMB机制比PoT机制的正常区块上链率提高30%～33%。     

基于蚁群算法的椭圆曲线密码安全曲线选择

针对椭圆曲线密码(ECC)体制的主要攻击威胁和安全曲线选择困难等问题,提出了一种半自动化的安全曲线选择优化算法,用统计学思想初始化蚁群预测矩阵,然后用蚁群预测矩阵来缩小搜索范围和明确预测方向.引入模拟退火算法对参数的选择进行优化,加入扰动因子(Vola)和传染因子(Infect)避免了算法搜索的早熟.实验结果表示该算法定位ECC安全曲线更加准确.     

固体材料脆性断裂的多尺度时空模型(英文)

通过实例分析了动态断裂过程所固有的典型动态作用,基于断裂孵化时间理论的时空结构方法提出了固体材料断裂的统一解释.此外,还提出了计及尺度效应的广义断裂模型,该模型可以用于预测准脆性非均质材料的多尺度断裂,并证明此模型基于实验室尺度的实验数据可以预测更高尺度(真实尺度)的宏观断裂.     

基于失真传递的时域自适应量化算法

码率控制是视频编码器中的关键模块,其算法直接决定编码器率失真性能.视频编码帧间预测导致的编码失真会在时域产生传递效应,考虑该传递效应是优化码率控制算法性能的关键.宏块树码率控制是一种典型的时域量化控制算法,核心是根据编码单元失真传递量(相对传递代价ρ)自适应地调整量化参数(偏移量δ),合适的δ-ρ映射关系是宏块树量化控制算法的核心.宏块树算法采用基于经验的δ-ρ模型,对不同视频序列的普适性有待改进,模型准确度和精度也需进一步优化.针对上述问题,将竞争决策方法用于探索最优δ-ρ映射关系,提出了一种率失真性能优化的失真时域传递自适应量化δ-ρ模型,以改进时域自适应量化算法.实验结果表明,信噪比BD-PSNR较原模型提升了0.14dB以上,SSIM性能提升了0.29dB.算法能更好地控制码率时域分配,降低失真时域传递恶化.     

基于混沌时间序列的非线性动态系统神经网络建模与预测

在分析神经网络非线性建模原理的基础上，以典型的非线性差分方程为研究对象，提出了一类基于神经网络的非线性动态系统建模方法．针对传统BP算法的局限性，提出了一种非线性动态系统神经网络改善梯度估计精度的新算法．并以上证综合指数时间序列为研究对象，运用本文提出的建模方法和算法，进行了我国资本市场混沌时间序列预测研究的实例分析，得到的单步预测上证综合指数误差很小(-100～100)；多步预测在最初的10步之内预测效果较为理想，而在此之后的预测值则严重偏离真实值．这与混沌时间序列特性相吻合，同时也证明了所用算法的有效性．