一种对二次指数平滑预测中参数和初值的研究

针对指数平滑法在实际应用主要靠经验选取平滑参数和初值的不足,通过对传统预测模型的分析,提出了递推分割法来优选平滑参数以及初值选取模型化的思路,得到了比较优秀的平滑参数,获取了以预测的实际值n为划分依据的简便方法处理后的初值.然后将该优化方法应用于股票"三连商社"的预测,取得了明显优于传统模型的结果.     

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.     

基于GA-Transformer模型的多因子股票预测

股票市场中拥有大量用于描述股票价格变化的财务指标,这些指标为股票价格预测提供了良好的数据基础.但由于股票数据存在高维相关性和时序性等特点,导致精确预测股票价格存在困难.为提高股票价格预测精度,文章提出了基于GA-Transformer模型的多因子股票预测方法,该方法使用遗传算法(GA)进行特征选择,并结合Transformer模型进行股票预测,提升了模型特征抽取能力.实验结果表明,GA-Transformer模型在包括建设银行和贵州茅台等六支股票数据集上的预测表现均优于股票预测主流模型.     

基于实际波动率的VaR模型实证研究

以实际波动率预测方法替代传统的波动率预测方法，应用到VaR模型中去，并随机选择了五只股票数据进行实证研究，比较基于GARCH模型和实际波动率模型的两种VaR预测结果，得到基于实际波动率的VaR预测效果显著地优于基于GARCH模型的VaR预测效果.     

基于行业背景差异下的金融时间序列预测方法

股票市场预测可为投资决策提供重要依据,但在当前的量化投资领域,研究者大多基于单一行业对股票的金融时间序列进行预测研究,忽略了行业背景差异下的股票特征信息;同时,还存在难以有效提取股票时序数据特征、股票情感指标以及股票趋势预测不准确等问题.为解决上述问题,提出利用一种新的WBED(Word2vec-BiLSTM and EncoderDecoder)混合模型对不同行业背景下的股票信息进行时间序列预测研究.该方法采用WB模型进行情感分类,计算情感值,获取情感指标;然后引入双注意力机制,在Encoder模型中利用特征注意力机制给股票时序数据特征赋予不同权重以区别不同特征的重要程度,在Decoder模型中利用时间注意力机制给Encoder模型中LSTM的隐状态赋予不同权重以区别不同时间维度信息的重要程度;最后,利用股票时序数据和情感指标进行股票预测.另外,考虑到不同行业背景下的股票对象对模型超参数的敏感度可能不同,所以为不同行业的股票对象选择合适的超参数使模型的预测性能更好.参考"2019中国上市公司500强",选取三个行业中的九家上市公司股票作为研究对象,采用四种对比模型和四个模型评价指标进行实验分析.实验结果表明,提出的新的混合模型在行业背景差异下的金融时间序列预测研究中有一定的优越性.     

基于多视角股票特征的股票预测研究

股票价格预测是金融行业中的一个重要研究内容,能够更准确地分析股票价格走势对于投资机构至关重要.目前,关于自动化预测股票价格发展的研究工作相对较少,还有许多问题需要解决.针对传统股票预测方法中视角单一、无法充分考虑数据的各特征重要度的问题,提出一种基于多视角股票特征的股票预测方法,通过计算股票数据的Ma,Macd,Kdj,Boll特征指标,训练每个指标下的弱学习器,并进行多个弱学习器的集成学习,最终用于预测股票价格走势.使用美国股票新闻数据集进行验证.结果表明,基于多视角股票特征的股票预测方法预测得到的股票价格与实际价格之间的平均误差与均方误差分别为1.9321和0.0581,优于传统的基于单一指标的股票预测结果 .     

基于环绕数约束模型的轮廓识别算法研究

为了解决当前图像轮廓识别算法中由于区域标记和轮廓标记性质不同,导致难以将多标记融合识别技术应用于图像轮廓识别中的问题,本文提出了一种基于环绕数约束的能量最小化模型,用以精确识别目标轮廓.在这种模型中,区域标记(如颜色和纹理均匀性)和轮廓标记(如局部对比度和连续性)通过一个目标函数进行描述,实现多标记融合识别.首先,将环绕数作为约束,将其引入到能量最小化模型中,得到区域标记与轮廓标记的线性约束;然后,对区域标记、轮廓标记以及曲率标记进行融合,实现对图像中目标轮廓的识别;最后,将能量最小化模型与标记相结合,通过比率能量函数对算法进行实例应用分析,验证算法的有效性.实验结果表明:与传统轮廓识别算法相比,所提算法具有更高的轮廓识别精度.     

基于PaddlePaddle的股票预测深度学习模型

利用上证指数股票历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅等数据,通过对股票数据进行归一化等预处理操作后,使用Python语言和PaddlePaddle库编写算法程序,构建股票预测的LSTM神经网络模型,对上证指数的股票下一日的最高价股票价格进行分析预测,预测结果显示本文所构建的基于PaddlePaddle的LSTM神经网络模型能够取得较好的预测效果,可见基于PaddlePaddle的股票预测深度学习模型有很好的应用前景.     

Fea2Lab:基于多标记学习的特征到标签生成模型

传统多标记学习方法通常只考虑和示例相关联的单个特征向量以及无差别地预测全体标签，从而忽视了与示例相似的其他示例及隐含的标签属性，造成输入空间特征信息较少、标签属性被忽略和对大标记空间预测效果差等问题.为解决以上问题，文章转化传统多标记学习任务为多标记学习的序列到序列任务，并由此提出新的多标记学习标签生成神经网络模型(Fea2Lab模型):通过交错的顺序排列示例和相似示例形成链式特征向量序列，来增加输入空间特征信息；通过挖掘标签属性来有差别地预测标签；通过在解码流程中使用全局标签信息，来缓解预测过程中出现的错误标签级联问题.在多个数据集上的实验结果和消融实验表明转化任务和Fea2Lab模型的合理性、可行性及有效性.     

基于协同微粒群的股票数据关联规则挖掘

传统的股票关联预测主要是通过数据分析与简单的回归预测的方法来进行,这种技术无法全面的对多只股票之间的变化关联进行分析预测,造成了股票走势的预测准确率不高,时效性不强的缺点.本文提出协同微粒群的股票关联规则挖掘方法,对股票属性数据进行特殊的预处理.将PSO粒子群优化的高度智能搜索技术与关联挖掘优点结合进行股票的关联预测,将粒子群划分为不同功能的粒子群进行关联分析.实验仿真结果证明,本文的算法较传统的关联规则挖据算法和PSO粒子群优化算法在准确率与挖掘速率上有很大的提高,能有效反应股票的实时变化,对实际的股票预测有很强的指导意义.     

顾及区域信息的卷积神经网络在影像语义分割中的应用

高分辨率遥感影像在实际应用中得到广泛使用。高分影像语义分割方法的研究具有重要实际应用价值。近来基于深度卷积网络的遥感影像标注方法表现出了比传统方法更为优越的性能;然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致同一地物内部语义标注结果不一致。基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束,以改善现有深度卷积神经网络描述上下文信息的能力。在现有全卷积网络模型基础上,利用卷积神经网络最后一层特征,引入一个表示区域内部像素特征一致性的损失函数;将该损失函数与softmax损失函数进行联合训练,得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen 2D语义标注数据集上,对提出的方法进行了实验验证,实验结果表明所提方法在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。     

一种二值图像连通区域标记快速算法

由于处理时间和存储空间的限制，常规的区域标记算法往往无法满足实时图像处理的需要。针对这些不足，提出了一种新的二值图像区域标记快速算法。该算法通过结合轮廓跟踪技术，经过一次图像扫描即可完成所有连通区域的标记，避免了大多数改进算法都必须处理的标记冲突问题，此外，本算法不受所标记的区域的形状和面积的影响，能够准确标记任意形状的连通区域，表现出良好的鲁棒性。最后与现存的多种算法进行了比较，实验结果表明该算法是快速和高效的。     

求解非线性方程组问题的自适应信赖域方法

提出一种新的求解非线性方程组问题的自适应信赖域方法.这个新的方法与同类算法相比,信赖域半径更容易计算,节省了计算工作量.此文还给出了算法在一定的条件下具有全局收敛性和Q-二阶收敛速度.给出的自适应信赖域方法与传统的信赖域方法相比信赖域半径可根据当前迭代点的信息自动调节产生,在实际应用中更容易实现.     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.     

Regional adaptive delaminating algorithm for rapid prototyping

With the development of rapid prototyping (RP) technology, the contradiction between fabricating speed and precision becomes more and more acute. In order to solve the contradiction, a regional effective adaptive delaminating algorithm is proposed in this paper. It is different from the traditional method that the regional adaptive delaminating method divides slicing contours into several regions and adaptively delaminates in respective region only according to the contours information. Namely, this method can not only adaptively delaminate at different height of CAD model but also adaptively delaminate different regions in one slicing layer. Furthermore, because the two-dimensional contour data adopted in this method are necessary for rapid prototyping system, this regional effective adaptive delaminating method is suitable for all RP systems. A comparative study is used to analyze the effectiveness of this method, which can demonstrate that this method can increase the fabricating speed and reduce the running cost under the condition of ensuring fabricating precision.     

数字图像区域标定的方法

给出了二值图像区域的标定方法。对于八近邻和四近邻的图像,分别建立了一组最小的完备图。利用图像标定的基本图,为二值图像边界的识别构造了一个自动机,自动机的输出就是顶点链编码,为二值图像区域的标定提供了一个有效算法。     

用木桶原理改进最大流算法

传统求网络最大流算法需要反复将网络图进行标号和增流,存在步骤繁复、计算量大的问题。本文提出了一种寻找最大流的改进标号法。此方法通过寻找网络中可能的最小割进行标号、分配流量,可以简化计算过程,提高运算效率。     

基于Softmax回归模型的骨龄X射线图像手骨分割

针对儿童青少年的骨骼发育情况,临床上常采用手腕骨X射线图像进行骨龄评估。其中手骨区域的分割是预处理中的关键一步,手骨分割的准确率极大地影响最后的评估结果。传统的阈值分割方法在自动化分割过程中鲁棒性较差,利用深度神经网络的自动分割准确率比传统方法高但较为复杂。研究在阈值分割的基础上,提出先通过训练Softmax回归模型预测最佳阈值得到二值图像,再利用区域生长法提取完整手形,最后对手骨图像进行归一化处理的分割方法。在100张临床数据测试集上,将提出的方法与传统的阈值分割方法——Otsu、最大熵阈值和直方图均值分割方法进行对比,采用相似系数DSC（dice similarity coefficient）、欠分割率和过分割率3个客观评价指标对分割结果进行定量分析。实验证明该方法的分割效果最理想,平均DSC值为0.97,欠分割率和过分割率接近于0,对于复杂的手骨图像也表现出良好的分割性能,相比传统的阈值分割方法具有更好的鲁棒性,能够准确的对骨龄X射线图像进行自动化手骨分割处理。     

计算机辅助剪床优化排料算法的研究

研究计算机辅助剪床优化排料算法,根据问题的特点建立了下料方式和下料方案的数学模型,然后依其特殊性提出类似于单纯形法在可行域边界点搜索的穷举法来求解下料方式模型．同时对传统的方法进行改进,提出一个对下料方案数学模型实用、高效的改进型分支定界解法．在系统实现过程中充分考虑了用户需求,充分利用用户原有资源,提供方便友好的用户界面．     

带钢卷取温度高精度预报模型的研究与开发

针对传统卷取温度模型的固有缺陷，为了提高卷取温度的控制精度，提出一种将人工神经网络和数学模型相结合的新方法，用于热轧带钢卷取温度的预报。离线仿真表明，采用本文所述的方法，能够较准确地预报带钢的卷取温度。