基于Bernstein多项式的自适应混沌时间序列预测算法

提出了利用Bernstein多项式对混沌时间序列的动力学方程进行建模的方法,并将该方法与递推最小二乘(RLS)算法相结合,从而可以自适应地逼近混沌时间序列的动力学特性,以达到预测的目的.理论分析和仿真实验表明该方法对一些常见的混沌时间序列具有较高的预测精度和较理想的准确预测率.由于RLS算法的收敛速度较快,因此该方法比较适合于对短混沌时间序列进行实时预测. 关键词： 混沌 预测 Bernstein多项式 RLS算法     

基于AGPF的滚动轴承性能衰退趋势预测

针对粒子滤波算法中粒子退化和计算复杂度问题,提出了一种自适应遗传粒子滤波(AGPF)算法。该算法采用遗传算法代替传统粒子滤波中的重采样方法,并根据粒子数与滤波误差方差之间的关系,自适应调节滤波过程中的粒子数。通过预测滚动轴承的性能衰退趋势,对该方法进行验证,结果表明,AGPF算法能够在保证预测精度的条件下,减少滤波粒子数,更加适用于滚动轴承的性能衰退趋势预测。     

图像跟踪系统中机动目标预测的实现

针对装甲车上的图像跟踪系统，提出一种机动目标预测方法。将目标的运动分解为2部分，即全局运动和局部运动，并根据各自的动态特性分别进行预测。文章以局部运动预测为重点，通过对机动目标跟踪技术的研究，建立起性能优良的跟踪滤波器，并将其扩展到预测滤波器中对目标的未来运动状态进行预测，从而提出“交互式多模型预测算法”，并对该算法进行仿真，给出速度均方根误差的仿真结果。仿真结果表明:该算法预测精度高、自适应能力强。最后还给出了预测门的计算方法。     

基于FLS-SVM背景预测的红外弱小目标检测

提出了一种基于模糊最小二乘支持向量机(FLS-SVM)进行背景预测、利用模糊Tsallis-Havrda-Charvat熵实现阈值分割的红外弱小目标检测方法。首先采用FLS-SVM对训练样本进行学习得到回归函数,并以此预测红外图像中的背景;然后将原始图像与预测图像相减得到残差图像,并提出基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法分割残差图像,将小目标和噪声从残差背景中分割出来;最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标。给出了实验结果及分析,并与基于最小二乘支持向量机(LS-SVM)以及基于最小二乘的背景预测方法的检测结果进行了比较。结果表明,该方法具有更高的检测概率和信噪比增益,优于上述基于背景预测的红外小目标检测方法。     

分散式农村污水基于三维荧光光谱和紫外-可见全波段吸收光谱的“聚类-回归”COD预测模型

基于三维荧光光谱与有机物特征荧光峰之间的关系,提出利用三维荧光光谱进行聚类,再针对不同类的水样利用紫外-可见全波段吸收光谱数据建立COD预测模型的技术路线。比较分析了平行因子分析(PARAFAC)算法和荧光体积积分(FRI)算法两种不同的光谱分析方法,再使用模糊c-均值(FCM)算法进行聚类,并完成了不同类水样的COD预测模型的建立。研究的水样采集于江苏省常熟市周边的农村区域,样品均来自不同的分散式农村生活污水处理装置出水,共100个实验水样;将测得的水样三维荧光光谱数据经过去散射预处理后利用PARAFAC算法和FRI算法分别提取荧光特征数据;之后,利用FCM聚类算法进行相似性聚类;最后,利用偏最小二乘(PLS)算法建立水样的紫外-可见全波段吸收光谱和COD之间的回归和预测模型,并使用决定系数和均方根误差对模型的预测精度进行评价。研究结果表明：未分类、使用FRI、使用PARAFAC算法提取荧光特征信息后再预测的模型的平均决定系数R²分别为0.632, 0.819和0.906;平均均方根误差RMSE分别为27.857, 23.621和13.071。聚类后的回归和预测...     

基于改进QPSO优化SVR的某电源组合故障预测研究

针对电源组合的故障特点,提出了一种基于改进QPSO优化SVR的故障预测方法;文中首先对QPSO算法进行了介绍;然后对支持向量回归机(Support Vect or Regression,SVR)性能影响因素进行了分析,并给出了基于改进QPSO优化SVR参数的算法步骤;最后以制导雷达波束系统中的某电源组合为例进行了仿真分析,预测结果表明,同QPSO算法相比该预测方法误差更小,达到了预期效果。     

多模跟踪技术在轮式侦察车图像处理器的应用

为解决目标旋转形变、遮挡、光照变化等目标跟踪的难题,对粒子滤波和尺度不变特征变换(SIFT)算法进行了改进,结合两种算法提出了决策主导模式的多模跟踪技术。该技术采用粒子滤波预测目标位置进行粗定位,SIFT特征匹配进行精定位的方法,在解决上述难题上有很好的鲁棒性。将该技术应用于轮式侦察车图像处理器,并进行了各种实验验证,结果证明了提出算法的有效性。     

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.     

基于优化核极限学习机的风电功率时间序列预测

针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine,O-KELM)方法.与极限学习机(extreme learning machine,ELM)方法相比,核极限学习机(kernel extreme learning machine,KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine,O-ELM)方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.     

基于因果检验的非线性系统的预测试验

非线性、非平稳系统的预测是一个具有重要科学意义的研究课题.最近一些工作已将收敛交叉映射算法(convergent cross mapping, CCM)用于检验变量之间的因果关系,由于在CCM算法中,相空间中相互靠近的点在时间上具有相似的发展趋势和运动轨迹,因此该方法可以尝试应用于非线性、非平稳系统的预测试验研究中.鉴于此,本文将CCM算法分别应用于Lorenz系统和实际气候时间序列的预测中,并检测不同相空间重构方法对预测效果的影响.主要结果如下:1)不论是理想Lorenz模型还是实际气候序列,对于单变量、多变量和多视角嵌入法3种重构相空间方法而言,多视角嵌入法对变量的预测效果最好,表明对于给定长度的时间序列,重构相空间中包含的信息越多,其预测能力越强; 2)将NAM (northern hemisphere annular mode)加入SAT (surface air temperature)的重构相空间中可以改善SAT的预测效果.在使用单变量、多变量和多视角嵌入法进行预测时,利用复杂系统中变量中共有信息的特性,在时间序列长度一定的情况下,可以利用动力系统的复杂性来增加系统内的信息...     

储备池状态空间重构与混沌时间序列预测

分析了现有的基于回声状态网络(ESN)的迭代预测方法，指出了该方法在理论上存在的问题以及应用中存在的障碍.提出了一种基于储备池的直接预测方法，该方法利用预测原点和预测时域之间的关系直接构建预测器，因此可以预先对预测器的稳定性施加约束，从而避免了在迭代预测方法中由于网络回路闭合而产生的稳定性问题.在仿真中，首先以Lorenz时间序列为例分析了迭代预测方法在闭合回路前后储备池的变化情况，然后通过Mackey-Glass标杆问题的测试验证了直接预测方法的可行性.     

基于EEMD-近似熵和储备池的风电功率混沌时间序列预测模型

针对风电功率时间序列的混沌特性,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-近似熵和回声状态网络(echo state network, ESN) 的风电功率混沌时间序列组合预测模型.首先为降低对风电功率局部分析的计算规模以及提高预测的准确性, 利用EEMD-近似熵将风电功率时间序列分解为一系列复杂度差异明显的风电子序列; 然后对各子序列分别建立ESN、经过高频分量正则化改进的EEMD-ESN模型和最小二乘支持向量机预测模型; 最后以某一风电场实际采集的数据为算例,仿真结果表明EEMD-ESN模型在训练速度和预测精度上优于最小二乘支持向量机模型,为实现风电功率短期预测的在线工程应用提供了新的有益参考. 关键词： 混沌时间序列 风电预测 集成经验模态分解 近似熵     

2-D electron spin transient nutation spectroscopy of Lanthanoid ion Eu2+(8S7/2) in a CaF2 single crystal on the basis of FT-pulsed electron spin resonance spectroscopy: Transition moment spectroscopy

This work demonstrates the usefulness of pulsed electron spin resonance (ESR)-based two-dimensional electron spin transient nutation (2-D ESN) spectroscopy for complete assignments of complicated fine-structure hyperfine ESR spectra including hyperfine forbidden transitions from electronic and nuclear high-spin systems. The 2-D ESN spectroscopy is termed transition moment spectroscopy as spectra are acquired as a function of transition moment instead of transition energy used in conventional spectroscopy. We have applied the novel spectroscopic technique to Eu²⁺ ion (S=7/2,I=5/2), which has two isotopes (¹⁵¹Eu [47.9%] and¹⁵³Eu [52.1%]), in a CaF₂ single crystal as a model system. We have completely identified the complicated fine-structure hyperfine ESR spectra by invoking the spectral simulation of the 2-D ESN spectra on the basis of transition moment analyses. The analyses are based on exact numerical calculations of the transition moments as well as a perturbation-based analytical approach combined with reduced rotation matrices for the nuclear part of the transition moment. This is the first example of the spectral simulation for 2-D ESN spectra including the hyperfine allowed and forbidden transitions in high-spin systems. In addition, we have made simulation of the fine-structure forbidden transitions, which reproduces the angular variations of the observed spectra at liquid helium temperatures.     

Sequential reconstruction of driving-forces from nonlinear nonstationary dynamics

This paper describes a functional analysis-based method for the estimation of driving-forces from nonlinear dynamic systems. The driving-forces account for the perturbation inputs induced by the external environment or the secular variations in the internal variables of the system. The proposed algorithm is applicable to the problems for which there is too little or no prior knowledge to build a rigorous mathematical model of the unknown dynamics. We derive the estimator conditioned on the differentiability of the unknown system’s mapping, and smoothness of the driving-force. The proposed algorithm is an adaptive sequential realization of the blind prediction error method, where the basic idea is to predict the observables, and retrieve the driving-force from the prediction error. Our realization of this idea is embodied by predicting the observables one-step into the future using a bank of echo state networks (ESN) in an online fashion, and then extracting the raw estimates from the prediction error and smoothing these estimates in two adaptive filtering stages. The adaptive nature of the algorithm enables to retrieve both slowly and rapidly varying driving-forces accurately, which are illustrated by simulations. Logistic and Moran-Ricker maps are studied in controlled experiments, exemplifying chaotic state and stochastic measurement models. The algorithm is also applied to the estimation of a driving-force from another nonlinear dynamic system that is stochastic in both state and measurement equations. The results are judged by the posterior Cramer-Rao lower bounds. The method is finally put into test on a real-world application; extracting sun’s magnetic flux from the sunspot time series.     

ESN: One-dimensional Sn transport module for electrons

ESN is a time-dependent, one-dimensional Lagrangian transport code that solves the electron multigroup, discrete ordinates transport equations with electromagnetic fields. An exponential spatial differencing scheme based upon inversion of the homogeneous transport equation is employed with the diamond approximation in angle. Energy transfers are allowed between adjacent groups (continuous approximation). Sources of any functional form are permissible. Scattering and slowing down are treated in the Fokker-Planck representation. Electromagnetic fields enter the equations through E, v×B Lorentz terms and are treated as effective collisional sources. Transport cross sections are also generated by the module. We describe the methods and modifications used to track electrons in the S_n representation and present results and comparisons using ESN.     

Homozygous mutation of focal adhesion kinase in embryonic stem cell derived neurons: normal electrophysiological and morphological properties in vitro

Background  

Genetically manipulated embryonic stem (ES) cell derived neurons (ESNs) provide a powerful system with which to study the consequences of gene manipulation in mature, synaptically connected neurons in vitro. Here we report a study of focal adhesion kinase (FAK), which has been implicated in synapse formation and regulation of ion channels, using the ESN system to circumvent the embryonic lethality of homozygous FAK mutant mice.     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

基于特征投影图的小麦近红外光谱变量选择方法研究

为了简化模型,提高模型预测精度,利用特征投影图(LPG)进行变量选择。对原始光谱进行连续小波变换(CWT),利用主成分分析(PCA)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数特征光谱变量建立预测模型,所得模型预测均方根误差(RMSEP)为0.345 4,优于其他建模方法,研究结果表明,LPG变量选择可有效简化近红外光谱模型,提高模型预测精度。     

西瓜检测部位差异对近红外光谱可溶性固形物预测模型的影响

西瓜可溶性固形物含量的无损检测对提升其内部品质十分重要。为实现近红外光谱对小型西瓜表面各部位可溶性固形物含量的准确预测,减小检测部位差异对预测模型的影响,以“京秀”西瓜为研究对象,分别采集赤道、瓜脐和瓜梗三部位的漫透射光谱信息,利用偏最小二乘算法(PLS)建立并比较单一检测部位和混合所有检测部位的西瓜可溶性固形物近红外光谱预测模型,并分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对西瓜可溶性固形物近红外光谱变量进行特征波长筛选。结果显示,相比于单一检测部位的模型,混合所有检测部位的校正集样本建立的模型取得了较优的预测结果。同时,利用CARS算法筛选的42个特征波长变量建模,对三种检测部位预测集样本的预测结果分别为赤道R_P=0.892和RMSEP= 0.684 °Brix,瓜脐R_P=0.905和RMSEP= 0.629 °Brix,瓜梗R_P=0.899和RMSEP= 0.721 °Brix。模型得到了很大的简化,且预测精度较高。比较发现,利用SPA算法筛选的19个特征波长变量所建模型的预测精度较低。利用三种检测部位的西瓜样本建立的PLS混合预测模型,结合CARS算法进行有效特征波长变量筛选,可提高西瓜可溶性固形物预测模型的精度,实现西瓜表面各部位可溶性固形物含量的准确预测,减小检测部位差异对近红外光谱预测模型的影响。结果为今后开发便携式设备检测西瓜表面各部位可溶性固形含量提供参考依据。     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测. 关键词： 神经网络 极端学习机 混沌时间序列 时间序列预测