基于灰色神经网络的股票收益率预测

股市是一个巨大的非线性动力系统,所以单一的预测模型很难全面地反映股市发展规律。通过构建多变量的灰色GM(1,N)和BP神经网络的组合模型实现了对上证股票收益率的预测,并取得了较好的预测效果。实验结果可以为股票投资者把握股市未来走势和规避投资风险提供参考。

uC/OS-II多任务切换方法研究

嵌入式操作系统应用广泛,其中的uC/OS-II嵌入式实时操作系统以高可靠性、稳定性和实时性占有着一定的嵌入式系统市场。本文首先介绍了uC/OS-II的五种任务状态,及其相互切换的简单方法;其次介绍了uC/OS-II的任务同步和通信的机制;最后介绍了uC/OS-II的多任务的管理与控制方式。

“机器学习+大数据”技术支持下的电气设备故障预警研究

随着科学技术的不断发展,机器学习、大数据、智能化等技术逐渐成熟,并开始在各行各业发挥出重要作用。在电气工程领域,电气设备故障十分常见,一旦出现此类故障,将会对企业的正常运行与发展造成严重影响。基于此,开展“机器学习+大数据”技术支持下的电气设备故障预警研究。结合相关科学理论知识,从尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法、特征提取两方面对“机器学习+大数据”技术支持下的电气设备故障预警策略进行了深入研究与分析,希望能够为现代电气设备故障预警工作提供一定理论支持。

基于改进CNN的红外与可见光图像融合方法

针对现有融合方法在融合红外和可见光图像时,存在融合后图像清晰度不足、无法为图像检测提供有利条件的问题,引入改进卷积神经网络(Convolutional Neural Networks,CNN),开展红外与可见光图像融合方法设计研究。首先,构建并行多特征提取网络,完成全局结构特征匹配与映射。其次,提取红外与可见光图像特征,并完成归一化处理。最后,利用改进CNN合理分配融合权重,生成融合图像。实验结果表明,新的融合方法可以实现对红外与可见光图像的高精度融合,融合后图像的清晰度能够充分满足图像检索要求。