公路交通运输量GM-Markov综合预测模型研究

为了提高公路交通运输量的预测精度,在介绍一般模型的基础上,建立了GM-Markov预测模型,它是将灰色预测方法与Markov预测模型优化组合,用灰色预测模型GM(1,1)预测随机时间序列数据的总体发展趋势,而用Markov模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列数据趋势预测模型的解。通过公路货运量的实际数据进行了验证,结果表明:GM-Markov预测模型既能预测参数随机数据序列的总体趋势,又能适应波动性较大的随机序列变化,其预测精度高于GM(1,1)模型的预测精度。     

基于深度学习的期权价格预测研究

期权作为一种高杠杆的金融衍生品,拥有出色的套利和对冲性能。传统的无套利期权定价方法,包括Black-Scholes期权定价模型、Merton模型和Heston模型,他们的诞生均具有严格的假设条件,同时使用随机过程拟合期权价格走势。然而,由于实际期权市场与上述严格的假设条件具有较大差异,因此传统的无套利期权定价方法无法还原实际市场中的期权定价过程。由此,本文着眼于数据驱动方法,采取深度学习算法来模拟期权定价过程。本文选取上证50ETF期权的数据,在传统无套利的Black-Scholes期权定价理论基础上,利用深度学习中的BP神经网络及LSTM神经网络模型对欧式期权定价进行可行性研究。本文建立两个期权价格预测模型,并利用这两个模型分别对期权价格进行预测,用MSE、MAE和R-squared这三个模型评价指标来描述不同模型的预测精度。实证结果表明,LSTM模型的预测精度在预测上证50ETF期权价格时具有显著优势。     

基于GRA-BiLSTM模型对北京市游客流量的预测方法研究

本文旨在探讨北京市游客流量的预测方法,通过分析相关数据和使用GRA-BiLSTM预测模型进行研究。首先,我们收集了包括经济、社会、人口影响指标关联度进行筛选,同时对比其他预测模型,预测结果表明,该模型具有更高的预测精度。使用该模型对未来的游客流量进行了预测,并评估了预测结果的准确性和可靠性,并且可为相关部门提供有效的决策依据。此研究对于优化旅游资源配置、提升游客体验以及改善城市管理具有重要意义。     

自组织FPNN在宏观经济预测中的应用

论文针对经济预测通常表现为复杂的非线性这种特性,提出了一种基于自组织过程神经元网络(FPNN)和改进的BP神经网络建立的经济预测模型方法。自组织过程神经元网络(FPNN)由输入层、竞争层和输出层组成。FPNN筛选出对因变量(网络输出)最有影响作用的变量(自变量)之后作为改进的BP算法网络的输入节点,再用进行学习。该模型不仅克服了时间序列预测模型只能进行线性预测的不足,而且还避免了传统神经网络的固有缺陷。以2001年到2004年国内生产总值作为预测分析样本,并对预测结果和实际值进行了比较分析,结果验证了该方法的有效性。     

基于Stacking集成学习的Lasso-GBDT组合房价预测模型研究

房地产行业是我国国民经济的重要组成部分，关乎国计民生。房价预测的准确性与稳定性，对政府、开发商和广大市民均具有重要的现实意义。本文利用网络爬虫方法获取银川市2015年4月至2021年3月安居客房产信息服务平台样本住宅价格数据，分别利用Lasso模型和梯度提升决策树（GBDT）模型对银川市房价进行预测；综合两种预测方法的优点，建构基于Stacking集成学习的Lasso-GBDT组合回归预测模型。通过实例预测结果比较，组合预测模型预测精度均在0.98以上，能有效避免病态数据对拟合程度的影响，较单项预测模型有更高的准确性和稳定性。     

用神经网络组合预测算卫生总费

利用BP神经网络组合能够较好地模拟在各种不确定因素影响下因果变量之间的内在关系。建立了基于人工神经网络的卫生总费用预测模型,该模型的网络结构由输入层(1个节点)、隐层(7个节点)和输出层(1个节点)组成。采用改进的BP算法对7组学习样本进行训练,得到各节点间的连接权和阈值,然后用优化好的网络进行卫生总费用预测。预测结果表明,利用该方法建立的模型预测误差在1%以内,十分精确。     

用神经网络组合预测算卫生总费用

利用BP神经网络组合能够较好地模拟在各种不确定因素影响下因果变量之间的内在关系.建立了基于人工神经网络的卫生总费用预测模型,该模型的网络结构由输入层(1个节点)、隐层(7个节点)和输出层(1个节点)组成.采用改进的BP算法对7组学习样本进行训练,得到各节点间的连接权和阈值,然后用优化好的网络进行卫生总费用预测.预测结果表明,利用该方法建立的模型预测误差在1%以内,十分精确.     

基于广义回归神经网络的经济预测模型研究

本文利用广义回归神经网络的自学习、自适应和非线性的特点,建立了经济系统的评价指标体系,将经济变量数据归一化处理,然后送入广义回归神经网络(GRNN)中训练,得出相应参数,再对相关经济变量进行预测,经过检验得出了令人满意的结果。     

大规模MIMO系统中基于CNN的延迟CSI反馈改进算法

在大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）系统中,基站根据用户反馈的信道状态信息进行自适应编码调制以提高频谱效率,因此需要将用户侧估计到的信道状态信息反馈到基站。由于反馈过程存在的延迟会降低系统性能,因此在考虑延迟的情况下,对基于深度学习的信道状态信息自编码器CsiNet进行改进,使用下行信道的延迟状态信息作为信道状态信息自编码器的期望输出信号来对自编码器进行训练,减少了反馈延迟误差的影响。仿真结果表明,在延迟为1时隙时,所提方案的归一化均方误差(Normalized Mean Square Error,NMSE)仅为自回归-主成分分析方案、基于压缩感知的方案和基于卷积神经网络的CsiNet方案的1/8~1/7,并且随着时隙增加,NMSE性能提升越明显。     

灰色神经网络在股价预测中的应用

本文在深入了解股价的可预测性和研究各种股价预测的方法的基础上,探讨利用BP神经网络和灰色模型进行股价预测。以二者为基础,将BP神经网络和灰色模型预测模型的优点结合,提出灰色神经网络模型。该模型将灰色模型的预测值作为BP神经网络的输入变量,而以实际值作为输出变量对神经网络进行训练。     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network，FPN）常被用作合成孔径雷达（Synthetic Aperture Radar，SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题，提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测，然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框，并使用SAR船舶数据集测试。实验结果表明，所提算法目标检测精确率达到98.62%，在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比，模型准确率提高，整体性能更好。     

基于手机信令的城市道路交通状态实时预测

为准确、实时预测道路交通状态，通过分析影响交通的因素，利用决策树算法对速度和环境因素等数据进行建模，确定交通拥堵发生的规则，在此基础上结合实时的移动用户和环境因素数据对交通状态进行预测。以中国河北保定城区为例进行实验，验证了该方法的有效性。同时，研究发现，基于决策树算法进行道路交通状态预测的方法具有较好的扩展性。     

一种新的卫星通信网流量预测算法

在通信网络的设计中,使用基于流量预测的网络规划已成为LTE发展的必然趋势。与 地面网络不同,卫星网络由于受资源受限和拓扑时变的不利影响,其流量预测算法必须能兼 顾精度和效率,这令传统的地面网络预测方法已不再适用。为了解决以上问题,提出了一种 新的基于小波回声状态网络的流量预测算法,该算法通过小波多尺度分解的信号处理方法屏 蔽了网络流量的噪声,而后结合了无反馈的回声状态网络联合进行预测。仿真证明,新算法 相比传统算法能大幅提升网络流量的预测精度和运行效率,为卫星网络的流量规划提供了 强有力的决策支持。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测，提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合，构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力，采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品，并且目标检测的平均准确率约94%，检测速度约为6 frame/s，对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题,提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性,提取信号双谱对角切片特征作为深度学习模型的输入数据,采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试,结果表明该算法能识别个体辐射源,在低信噪比条件下也能获得高的辐射源识别率;相比于其他识别算法,双谱对角切片特征有更鲁棒的分辨性。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

A deep hybrid learning model for customer repurchase behavior

Smartphones have become an integral part of our daily lives, which has led to the rapid growth of the smartphone market. As the global smartphone market tends to remain stable, retaining existing customers has become a challenge for smartphone manufacturers. This study investigates whether a deep hybrid learning approach with various customer-oriented types of data can be useful in exploring customer repurchase behavior of same-brand smartphones. Considering data from more than 74,000 customers, the proposed deep learning approach showed a prediction accuracy higher than 90%. Based on the results of deep hybrid learning models, we aim to provide better understanding on customer behavior, such that it could be used as valuable assets for innovating future marketing strategies.     

基于深度学习的远程视频监控异常图像检测

针对复杂场景下远程视频监控图像异常检测困难、传统算法功能单一(仅针对某种特定场景或某种异常图像进行检测)等问题,提出一种基于深度学习的全自动远程视频异常图像检测方法。首先采用Xavier方法对自行设计的卷积神经网络(Convolutional Neural Network,CNN)的参数进行初始化,然后将标准化后的视频差分图送入CNN的输入层,通过特征提取及下采样,最后在CNN的输出层获得远程视频异常图像检测结果。实验结果表明,该方法可以对远程视频监控中突然出现遮挡、模糊和场景切换等多种异常同时进行实时在线检测,准确率可达88.75〖WT《Times New Roman》〗%〖WTBZ〗。     

泛Kriging法在海上短波通信频率预测中的应用

频率预测是保障短波通信的关键技术。针对现有短波频率预测方法中数据处理过程复杂、输入参数条件苛刻、工程实现难度较大等问题,提出了一种基于泛克里格(Universal Kriging)空间重构法的海上短波通信频率预测方法。利用海军频率管理系统中大量的实用通信频率数据,基于球状模型、指数模型、高斯模型三种典型变异函数理论模型,研究了通信频率的空间相关性,建立了反映沿纬度方向通信频率变化剧烈程度的漂移表达式,通过交叉重构法对海上短波通信频率进行预测。实验结果表明,泛克里格法在海上短波通信频率预测中具有良好的适用性和可靠性,对未知海域短波通信频率的预测优选具有重要意义。     

一种适用于16QAM的自适应阈值载波锁定检测算法

为避免传统16阶正交幅度调制（16-Quardrature Amplitude Modulation，16QAM）载波锁定指示锁定阈值受输入信号电平的影响，提出了一种基于归一化信号高阶矩的16QAM载波锁定检测算法。针对传统基于固定阈值的检测算法在数据不满足均匀分布时失效的情况，提出了一种基于输入数据统计特性的自适应阈值载波锁定检测算法。实验结果和工程应用结果表明，所提出的自适应门限能更好地适应不同数据下的载波锁定检测。该方法已经在某卫星对接试验中得到了应用验证，取得了满意的效果。