基于神经网络和电化学阻抗谱的锂电池重要频率分析及电池健康状态预测

电化学阻抗图谱是电池的一种非侵入性的信息，与电池的状态、剩余寿命以及健康度之间存在内在联系。本文将EIS所有频率对应的实部和虚部数据依次排列作为频率特征，基于神经网络模型，将EIS的频率特征作为输入特征，构建了电化学阻抗谱（electrochemical impedance spectroscopy，EIS）与电池健康状态（state of health, SOH）之间的拟合关系，结果表明均方根误差可以达到0.7789。通过对EIS中各个频率特征的重要性进行计算，得到重要频率的赫兹取值范围，研究发现EIS高频和低频频率比较重要。通过对重要频率特征进行相关性分析，进一步得到重要频率特征为f61、f65和f91，对应的频率分别是20004.453HZ、7835.48HZ和17.79613HZ。模型拟合结果表明，在预测电池SOH的模型中，基于EIS的16个最重要频率特征的模型拟合效果与全部120个频率特征的模型拟合效果相当甚至有所提升，均方根误差为0.624，为预测电池SOH时缩小EIS检测范围提供了参考。     

基于SSA优化BP神经网络的污染物浓度二次预测模型

为解决一次预报模型模拟结果不理想的情况，使用主成分分析（PCA）对14项气象影响因素进行降维处理并提取4项综合评价指标，使用麻雀搜索算法（SSA）优化BP神经网络的二次预测模型和将一次预报的结果与真实数据的差值作为输出，对预测模型进行训练并做出预测的方法。将模型应用于国内某个地区，用相应的数据对模型进行验证。结果表明，基于SSA优化BP神经网络的预测模型和将误差引入的新模型均较BP神经网络模型有更高的精确度和更强的泛化能力。     

基于支持向量机回归的中国CPI预测研究

本文针对中国CPI指数的预测问题．首先用主成分分析方法对影响CPI指数的八个指标进行降维处理．然后利用支持向量机技术建立起中国CPI指数的预测模型并对我国实际的CPI指数进行了预测。实证分析结果表明,PCA—SVM模型能够有效地对CPI指数进行短期预测。最后．与单纯的支持向量机模型的预测结果做了对比．对比结果表明．支持向量机和主成分分析相结合的模型应用于CPI预测具有较高的精确度。     

基于GS-LGBM的乘用车使用寿命预测研究

为准确预测乘用车使用寿命,提出基于网格搜索优化LightGBM（GS-LGBM）模型的乘用车使用寿命预测方法。通过对2014—2019年乘用车报废数据进行大量实验,并与9种流行的机器学习算法进行对比,结果表明,LightGBM在平均绝对误差（MAE）、中位绝对误差（MEAE）、均方误差（MSE）和拟合优度判定系数（R2）4项指标上均明显优于其他算法。为进一步提升模型预测精度,采用网格搜索算法对LightGBM进行参数优化构建GS-LGBM模型,效果显著提升（MAE降低11.02%）,说明该方法能够更准确高效地预测乘用车使用寿命。     

基于频谱分解和注意力机制的雷达回波外推算法

针对雷达回波数据，首次提出使用频谱分解的方式预先提取多尺度回波信息作为深度学习网络的输入数据，以丰富输入数据的特征信息。模型主框架采用UNet神经网络，并且针对模型退化问题，加入了残差连接结构。基于以上设计，提出SpAt-ResUNet预测模型。试验结果表明，相比于传统雷达回波外推算法SPROG与深度学习网络ResUNet模型，该模型对于未来1 h的雷达回波预测长时间外推图像模糊的问题以及强回波留存能力分别得到改善和增强。     

EIS理论体系及其发展关键

勘探信息数据库（EIS）对油气藏深度勘探、勘探开发辅助决策支持系统和石油企业的信息化建设起着基础性的支撑作用。本文从理论上分析了EIS的内涵和技术体系,简要总结了EIS的发展现状及经验教训,指出EIS构建中的关键是数据库数据的高可靠性、高完备性和EIS系统界面的易交互性。     

基于EIS的质子交换膜燃料电池输出性能优化

质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)输出性能的影响是多方面的，极化曲线仅能反映燃料电池稳态外输出特性，不能充分反映具体影响因素及规律，因此需研究其内部物理参数的动态变化。通过建立电堆内阻和交流阻抗特性模型，利用电化学交流阻抗谱(electrochemical impedance spectroscopy, EIS)分析不同温度和湿度下燃料电池的内阻动态特性。结果表明，在333~353 K温度范围内，随着温度的增加，燃料电池的内阻减小；当温度不变时，相对湿度的增加能减小电堆内阻，燃料电池输出性能增强。最后，基于15kW燃料电池测试平台进行性能试验，验证了燃料电池动态特性分析的正确性，为进一步优化PEMFC输出性能提供理论支持。     

基于1DCNN-Resnet-LSTM模型的LEAP发动机可调静子叶片角度预测

可调静子叶片（VSV）是航空发动机压气机气流控制的重要机构,能够扩大压气机稳定工作范围，提高其气动性能。依托飞机快速存取记录器 (QAR)中储存的海量LEAP发动机数据，建立一种基于1DCNN-Resnet-LSTM模型对LEAP发动机的VSV角度进行预测的方法。模型的评价结果显示，模拟输出对比实际输出误差小，模拟趋势变化能够很好贴合实际数据，表明使用深度学习算法对VSV角度进行预测进而探索其控制规律具有可行性和显著的优势。     

基于网格搜索和随机森林的汽车信贷违约预测研究

基于某金融机构的汽车信贷违约数据构建随机森林风险预测模型，用主成分分析法对数据进行降维，利用上采样的方法解决样本不平衡的问题，同时通过综合五折交叉验证法和网格搜索对随机森林模型调参。此外，还与其他机器学习算法的预测结果进行比较。研究表明，相对于其他两种预测模型，随机森林的性能都是最优的，性能较佳。同时，采用随机森林计算特征重要性时发现，个人抵押资产的价值对汽车信贷违约有显著的影响。     

基于岭回归的动态死亡率预测方法及其改进

建立适当的人口死亡率模型对人口预测、人力资本具有重要意义。对随机死亡率年龄-时期-队列（APC）模型的估计方式进行改进,在广义线性模型的基础上,引入岭回归估计。基于日本1980—2020年0～95岁人口死亡率分别使用广义线性泊松回归模型与改进的岭回归模型进行死亡率的拟合与预测,使用均方根误差、似然函数、贝叶斯信息准则模型评价准则进行比较。实证分析结果表明,在拟合效果与预测结果上,改进的岭回归模型均优于使用最大似然估计的广义线性模型（GLM）。     

基于XGBoost和LSTM模型的金融时间序列预测

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题.数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果.用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5％.以相同因子为LSTM模型特征值预测准确率提升6.5％,达到80％.以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost.     

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

Rank Transformations and the Prediction of Corporate Failure*

Rank transformation of observations has been shown to be useful in linear modeling because the models so constructed are less sensitive to outliers and/or non-normal distributions than are models constructed using standard methods. In the present study, we apply rank transformations to financial ratios to improve the predictive usefulness of standard failure prediction models. Kane, Richardson, and Graybeal (1996) have shown that failure prediction can be improved by conditioning accounting-based statistical models on the occurrence of recession. Our results suggest that rank- transformed data models show additional improvement in prediction without the added cost of having to predict recession for the companies undergoing testing for potential failure.     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。     

基于可解释机器学习的信用债违约研究

为解决传统信用风险预测模型的非均衡样本识别不足问题,利用过采样方法和机器学习算法,提升信用债违约预测模型的准确率及稳定性。引入盈利能力、现金流量、营运能力、资本结构、偿债能力5类财务指标和非财务指标,运用SMOTE、Borderline SMOTE、ADASYN方法解决样本不均衡问题,通过逻辑回归、支持向量机、随机森林、XGBoost进行风险识别。结论：对于非均衡信用债违约样本,1000次有放回bootstrap重复抽样下ADASYN-RF模型的AUC、Recall优于LR、SVM和RF模型;ADASYN-SVM模型违约样本实际Recall较不使用过采样法提升36.86个百分点。引入可解释性机器学习方法,发现带息债务/全部投入资本、地方财政收入/债务存量、资产负债率等是信用债违约的重要影响因素。     

基于多模型融合Stacking集成学习的油田产量预测

基于机器学习前沿理论，提出一种基于多模型融合Stacking集成学习方式的组合预测方法，以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本，预测其动态产油量。依据不同算法的训练原理，选取极限梯度提升树算法、长短记忆网络（LSTM）、时域卷积网络（TCN）等作为模型的基学习器，采用多元线性回归作为模型的元学习器。结果表明：融合后的Stacking模型充分发挥了各基学习器的优势，相比单一模型，融合后的Stacking模型预测平均误差较小，预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。     

多种深度学习算法联合提高地震相分析及油气储层预测效果

联合使用多种深度学习算法，更好地挖掘地震数据中的隐蔽和有用信息，实现相互补充和优化，对于减少地震相分析结果的不确定性，具有重要意义。为此，提出了一种从标签训练到数据挖掘再到优化的全过程深度学习地震相分析的方法和流程。首先，通过自组织映射网络图SOM进行波形分类，为监督学习提供具有代表性的训练数据；然后，利用卷积神经网路CNN和循环神经网路RNN进行地震相分析，将预测得到的地震相分析结果输入到生成对抗神经网络GAN进行算法优化及运算结果的不确定性分析；最后，结合实际资料分析给出最优结果。本文提出和实现了SOM+CNN/RNN+GAN的监督和非监督联合的深度学习地震相分析的方法及实用流程，通过在研究区河道砂体储层油气预测的实际应用，证明该方法提高了地震相分析及油气储层预测结果的可靠性及效果。     

基于ANN模糊协同方法半导体产业成本预测研究

针对半导体成本会随学习过程下降具有极大不确定性的特点，借用模糊协同思想，提出了一种ANN模糊协同智能的方法，对半导体单位成本进行预测。由代理应用单层感知机(ANN)拟合单位成本曲线；利用模糊交联法对代理的预测结果进行聚合，以缩小预测范围提高预测准确性；采用BPN算法对聚合结果去模糊化得到单位成本精确值。实验结果表明，MAE、MAPE、RMSE等各项指标都有显著提高。