基于覆盖算法的大气质量预测

提出了一种应用人工神经网络进行大气质量预测的方法,即采用多层前向网络的覆盖算法和时间序列进行短期的空气质量预测。针对空气污染的特点,选取了对空气质量有重要影响的气象因子的相关数据,并对其进行测试。实验结果表明：将该方法应用于空气质量预测,效果良好,学习速度快,识别率高,具有较强的实用价值,为实现大气质量预测提供了一种准确高效的方法。     

基于Tri-training算法的构造性学习方法

构造性机器学习(CML)算法在训练分类器时需要大量有标记样本,而获取这些有标记样本十分困难。为此,提出一种基于Tri-　training算法的构造性学习方法。根据已标记的样本,采用不同策略构造3个差异较大的初始覆盖分类网络,用于对未标记数据进行标记,再将已标记数据加入到训练样本中,调整各分类网络参数,反复进行上述过程,直至获得稳定的分类器。实验结果证明,与CML算法和基于NB分类器的半监督学习算法相比,该方法的分类准确率更高。     

构造性核覆盖算法在图像识别中的应用

构造性神经网络的主要特点是：在对给定的具体数据的处理过程中,能同时给出网络的结构和参数;支持向量机就是先通过引入核函数的非线性变换,然后在这个核空间中求取最优线性分类面,其所求得的分类函数,形式上类似于一个神经网络,而构造性核覆盖算法(简称为CKCA)则是一种将神经网络中的构造性学习方法(如覆盖算法)与支持向量机(SVM)中的核函数法相结合的方法。CKCA方法具有运算量小、构造性强、直观等特点,适于处理大规模分类问题和图像识别问题。为验证CKCA算法的应用效果,利用图像质量不高的车牌字符进行了识别实验,并取得了较好的结果。     

基于交叉覆盖算法的股票预测

针对股票预测的特点,选择了对上市公司股票走势有重要影响的相关数据并对其进行测试,为了避免传统的神经网络分类方法(如BP算法)的学习过程收敛速度慢、网络性能差、可能存在局部极小值等弊端,文中使用可以避免这些弊端并且具有良好分类功能的交叉覆盖算法对上市公司股票走势进行预测,结果表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,且速度快,结果的可解释性强,预测达到了让人满意的效果。     

基于交叉覆盖算法的股票预测

针对股票预测的特点,选择了对上市公司股票走势有重要影响的相关数据并对其进行测试,为了避免传统的神经网络分类方法(如BP算法)的学习过程收敛速度慢、网络性能差、可能存在局部极小值等弊端,文中使用可以避免这些弊端并且具有良好分类功能的交叉覆盖算法对上市公司股票走势进行预测,结果表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,且速度快,结果的可解释性强,预测达到了让人满意的效果.     

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题,传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机（SVM）股票预测方法。利用沙河股份的股票数据,建立股票收盘价回归预测模型,该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明,该方法比神经网络方法以及时间序列方法的预测精度更高,可以很好的应用某些非线性时间序列的预测中。     

基于构造性学习方法的车牌定位

汽车牌照的定位是智能交通系统中的重要组成部分之一，其定位效果直接关系到后期的识别工作，应用前景广阔。为了有效实现车牌的准确定位，文中首先在灰度图像中基于提取部分怀疑区域，然后使用基于构造性学习的交叉覆盖算法，对区域样本进行学习后构造出对应的神经网络，然后使用该网络对新进样本进行定位，从怀疑区域中确定出牌照的位置。对不同背景和光照条件下的大量实验结果表明定位准确率较高，从而该方法可行有效，有较强的实用价值。     

基于Lasso和构造性覆盖算法的不均衡数据分类方法

针对机器学习分类算法在不均衡数据分类问题中对少数类样本识别能力不足的问题,以电信客户流失场景为例,提出一种不均衡数据分类方法 L-CCSmote(Lasso Constructive Covering Smote)。首先,通过套索回归（Lasso）提取流失用户特征以优化模型输入;然后,通过构造性覆盖算法（CCA）建立神经网络生成符合样本整体分布的覆盖;最后,进一步提出单样本覆盖策略、样本多样性策略和样本密度峰值策略,通过以上策略混合采样以平衡数据。选用了KEEL数据库中的13个不均衡数据集和2个脱敏电信客户数据集,分别在逻辑回归（LR）和支持向量机（SVM）分类算法上对该方法进行验证。在LR分类算法上,与SMOTE-Enn(Synthetic Minority Oversampling TEchnique Edited nearest neighbor)相比,所提方法的平均几何平均值（G-MEAN）提升了2.32%;在SVM分类算法上,与Borderline-SMOTE(Borderline Synthetic Minority Oversampling Technique Edite...     

基于强化学习的股票预测系统的研究与设计

股票市场是金融分析领域中重要而困难的问题。股票数据的分析和预测具有重大的理论意义和诱人的应用价值。BP神经网络在目前的股票预测系统中应用广泛,但是作为有导师的学习系统,BP神经网络必须要求提供相关的经验数据才能正常运行。对此本文提出了一种基于强化学习BP算法应用于股票预测系统,通过强化学习体系来实现体统的自学习,通过网络集成来达到初始数据的预处理,提高系统的泛化能力,在实际应用中取的较好的效果。     

一种基于自演化预训练的多变量时间序列预测算法

时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用.近年来,时间序列预测算法一直是机器学习的热门研究领域,其中多变量时间序列预测是一个具有挑战性的任务.本文研究多变量时间序列预测的局部变量预测精度问题,即多变量预测需要在提升整体预...     

基于模糊核超球的快速分类算法在股票预测中的应用

基于SVM（支持向量机）的SVDD（支持向量数据描述）分类算法存在计算复杂、分类准确率较低的缺陷, 针对股票数据非线性、高噪声的特点, 在传统的SVDD分类算法基础上, 模糊核超球快速分类算法（FCABFKH）通过合并法寻找超球集, 并依据最大隶属度原则构建分类器, 排除了离群点和超球集的重叠问题, 同时避免了复杂的二次规划, 具有分类速度快, 分类结果准确率高的特点。采用中国沪市上市公司数据验证该方法的有效性, 实验结果表明, 运用FCABFKH算法得到的组合回报率超过了市场基准。     

机器学习中的核覆盖算法

基于统计学习理论的支持向量机（SVM）方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高．构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点．该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法．新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点．其次．文中给出风险误差上界与覆盖个数的关系．最后给出实验模     

基于周期性建模的时间序列预测方法及电价预测研究

时间序列数据广泛存在于人类的生产生活中, 通常具有复杂的非线性动态和一定的周期性. 与传统的时间序列分析方法相比, 基于深度学习的方法更能捕捉数据的深层特性, 对具有复杂非线性的时间序列有较好的建模效果. 为了在神经网络中显式地建模时间序列数据的周期性和趋势性, 本文在循环神经网络的基础上引入了周期损失和趋势损失, 建立了基于周期性建模和多任务学习的时间序列预测模型. 将模型应用到欧洲能源交易所法国市场的能源市场价格预测中, 结果表明周期损失和趋势损失能够提高神经网络的泛化能力, 并提高预测时间序列趋势的精度.     

基于遗传算法的GMDH网络模型及其应用

传统的数据处理群方法(Group method of data handling,GMDH)在结构上具有自组织和全局选优的特性,非常适合进行非线性数据的拟合.但由于在传统GMDH网络建模是用最小二乘法来辨识参数,常常使得模型预测效果不理想.遗传算法是一种有效的搜索和优化方法.它具有自适应搜索、渐进式寻优、并行式搜索、通用性强等特点,论文将遗传算法引入GMDH网络,用遗传算法辨识部分描述式的系数,建立了基于遗传算法的GMDH网络模型.并将该模型应用于一组实测时间序列的预测研究.计算机仿真结果表明,模型预测效果令人满意.     

多输出支持向量回归及其在股指预测中的应用

为了解决多输出回归问题,提出了一种新的多输出支持向量回归算法。给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度。建立了该算法应用于股指预测的模型,对上证综合指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对证券市场进行分析和预测的一种可行而有效的方法。