基于多尺度细节增强的脑瘤图像分割研究

针对脑瘤图像分割网络的跳跃连接引起的语义特征传递不平衡,以及多尺度特征关联不足,导致细节特征丢失,从而造成对细小目标肿瘤的分割精度不佳的问题,提出一种改进的Res-Unet框架的分割模型。该模型引入多尺度注意力融合模块,通过混合多尺度特征使模型更好地适应不同尺寸的肿瘤;该模型在跳跃连接中引入空间注意力模块,增强特征表达同时避免无用信息的干扰,保留特征图空间细节特征;最后通过辅助分类器模块,在解码器部分对不同尺度特征图进行特征预测。使用BraTS2020数据集进行实验和评估,使用Dice系数来评估模型分割效果。结果显示,改进的网络在全肿瘤区域、肿瘤核心区域和增强肿瘤区域的Dice系数分别为0.8877、0.8229、0.8027,相比于通道注意力模型增强肿瘤区域和肿瘤核心区域的系数分别提升2.6%和0.14%,证明改进模型在脑瘤核磁共振图像分割的有效性和精确性。

基于相关向量机的电力负荷中期预测

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了一种基于相关向量机的中期预测方法.结合EUNITE网络提供的实际数据,研究了日最大负荷前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,并建立了相应的电力负荷中期预测模型.该模型是将与某天相关的n个前期信息作为该天的日最大负荷的输入量,而日最大负荷与节假日、当日(星期数)的关系信息用两个二元值表示.在模型训练前,将输入量的前7个属性值和预测目标值进行归一化处理 采用不同训练样本集的仿真实验结果表明,相关向量机方法比支持向量机方法具有更多的优点,当高斯核函数的宽度值取为2 0时,相关向量机方法具有较为理想的预测效果.

最小二乘支持向量机的短期负荷多尺度预测模型

提出了一种改进的电力负荷短期预测小波网络模型,该模型采用最小二乘支持向量机(LS-SVM)实现了小波分解系数的多尺度组合预测.首先使用多孔算法对短期负荷序列进行小波分解,得到指定尺度下的近似系数和相关尺度下的小波系数,然后利用LSSVM对预测点的系数进行多尺度组合预测,通过小波重构可以求得相应的预测值.结合某地区短期负荷需求数据进行了仿真试验,研究了预测点与历史记录数据的相关关系.预测结果表明,使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精度,同时LS-SVM的引入大大提高了模型的可计算性.

基于SVG的电力图形系统的实现

首先简要介绍了电力图形系统的发展历史和现状,接着阐述了SVG(Scalab le Vector G raph ics)的优点及其应用在电力图形系统中的可行性和优越性,指出结合Java/XML和SVG技术可以较好地实现电力图形系统。文中结合ASF(Apache Software Foundation)的开放源码项目Batik,在Java平台上对电力图形系统结构、SVG文件的绘制、图形同步刷新以及事件处理的实现等方面进行了分析和设计,实现了基于SVG的电力图形系统。

基于内点法的稀疏逻辑回归财务预警模型

逻辑回归已广泛应用于财务危机建模,但是一定程度存在过拟合问题。为了避免建模出现上述问题,提出了基于L1正则化逻辑回归的财务预警模型。该模型是一种稀疏模型,能同时实现变量选择和参数估计,具有较强的鲁棒性。同时,针对L1正则化逻辑回归问题的求解,提出了一种高效的基于内点法的求解算法。结合沪深股市A股制造业上市公司进行实证分析,分析结果表明,L1正则化逻辑回归模型在预报精度、经济解释性等方面明显优于其他逻辑回归模型,并且提出的内点法与其它求解算法相比具有一定的优越性。

平滑削边绝对偏离惩罚截断Hinge损失支持向量机的财务危机预报

针对传统支持向量机(SVM)分类存在对离群点敏感、支持向量(SV)个数多和分类面参数非稀疏的问题,提出了平滑削边绝对偏离(SCAD)惩罚截断Hinge损失SVM(SCAD-TSVM)算法,并将其用于构建财务预警模型,同时就该模型的求解设计了一个迭代更新算法。结合沪深股市A股制造业上市公司的财务数据进行实证分析,同时对比L1范数惩罚SVM、SCAD惩罚SVM和截断Hinge损失SVM(TSVM)构建的T-2和T-3模型,结果发现SCAD-TSVM构建的T-2和T-3模型都具有最好的稀疏性和最高的预报精度,而且其在不同训练样本数上的平均预测准确率都要比L1范数SVM(L1-SVM)、SCAD-SVM和TSVM算法的高。

SCAD惩罚逻辑回归的财务预警模型

作为一种有监督学习算法,逻辑回归(Logistic Regression,LR)已广泛应用于财务危机建模分析,但其潜在地存在过拟合问题。鉴此,提出一种基于平滑削边绝对偏离(Smoothly Clipped Absolute Deviation,SCAD)惩罚逻辑回归的财务预警模型。该模型不仅能很好地解决模型过拟合问题,而且还可以同时实现变量选择和模型系数估计,并提高了模型的解释性。结合沪深股市A股制造业上市公司的财务数据进行实证研究,同时对比一般的L1正则化和L2正则化逻辑回归模型的预警效果进行实证分析,实验结果表明:SCAD惩罚逻辑回归模型具有较好的分类效果和较强的经济解释能力。

核主成分回归方法在电力负荷中期预测中的应用

在分析核主成分回归原理及其与最小二乘方法关系的基础上,针对电力负荷中期预测的影响变量间存在着的非线性关系信息,提出使用主成分回归方法进行电力负荷中期预测,一定程度上解决了误差传播的问题,系统的预测精度得到了提高。使用核主成分回归进行了模型实验,探讨了模型训练样本选取、数据处理、参数选择和训练方法等方面的问题,并对实验结果进行了分析讨论。实验表明,在模型不很复杂的情况下,可以使用直接搜索的方法有效地设置应提取的非线性主成分个数p的值。

多跳连接残差注意网络的图像超分辨率重建

随着卷积神经网络深度的不断增加,深度卷积神经网络的训练会变得更加困难。此外,在图像超分辨率中,低分辨率图像的通道特征和输入通常在不同的通道中被平等对待,这就导致了卷积神经网络的表征能力被弱化。为了解决这些问题,提出了一种多跳连接残差注意网络,该网络利用多跳连接中的残差(Residual in Multi-skip Connection,RIMC),构造了具有多个残差组的深度网络。每个残差组包含了一定数量的短跳连接和多跳连接。在RIMC的基础上,主网络被允许穿过多跳连接来绕过丰富的低频信息,同时高频信息也可以被主网络集中地学习。另外,考虑到通道和空间维度的相互依赖关系,提出了注意机制块(Attention Mechanism Block,AMBlock)来关注信息的位置,并自适应地调整通道特征尺度,其中通道注意机制和空间注意机制被应用在这种方式中。实验结果表明,该网络可以更好地恢复图像细节,获得更高的图像质量和网络性能。

L1正则化Logistic回归在财务预警中的应用

线性模型和广义线性模型已广泛地用于社会经济、生产实践和科学研究中的数据分析和数据挖掘等领域,如公司财务预警,引入L1范数惩罚技术的模型在估计模型系数的同时能实现变量选择的功能.本文将L1范数正则化Logistic回归模型用于上市公司财务危机预报,结合沪深股市制造业ST公司和正常公司的T-2年财务数据开展实证研究,对比Logistic回归和L2正则化Logistic回归模型进行对比分析.实验结果表明L1正则化Logistic回归模型的有效性,其在保证模型预测精度的同时提高模型的解释性.

基于一阶逻辑FOL的知识交换格式KIF

计算机应用已与我们须臾不可分 ,计算机处理问题离不开相应语言的支持。本文介绍了用于机器的知识交换格式KIF及其作用 。

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.

Q-高斯核支持向量机的财务危机预报

针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式——Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。

基于奇异谱分析的GRNN模型在金融时间序列中的应用

奇异谱分析(SSA)作为一类无参数、独立于模型的时间序列分析技术,适用于具有非线性、非平稳性、含噪声的金融时间序列数据的分析与研究。目前,基于SSA的预测通常采用线性递归、BP神经网络等模型,但其预测精度、训练速度并不理想。为此,该文提出基于SSA的广义回归神经网络(GRNN)预测模型,它以SSA所获取的主成份重构序列作为GRNN的输入进行预测。以同方股份收盘价格为测试数据,预测日收盘价。结果表明,基于SSA的GRNN模型预测效果不仅略优于GRNN预测方法,而且明显优于常规的SSA算法。

基于q-高斯分布的投资组合实证分析

投资组合是一个复杂系统问题,选择合适的q-分布及其密度表达形式是应用中的一个重要问题。首先从含有噪声的线性随机微分方程中推导出q-高斯分布概率密度函数,其表达形式简单,参数对分布的影响非常直观;接着将q-高斯分布应用于投资组合理论的均值-方差模型和均值-VaR模型;最后结合沪市股票数据进行实证分析,结果表明两种模型在q-高斯分布假设下的实际收益均大于其在高斯分布假设下的实际收益。

一种新的基于L0的变步长IPNLMS算法

研究算法的优化问题,对比于传统的正则化最小均方算法(NLMS),成系数比例自适应算法(PNLMS)拥有较快的初始收敛速度,但是PNLMS并不是一种最优化的算法。改进了采用L0范数的IPNLMS算法以提高对稀疏系统进行辨识的性能。分析了近年来的几种系数比例算法的性能及其局限性,通过建立步长因子μ与误差信号e之间的非线性关系,提出了一种结合Sigmoid函数和L0范数的变步长系数成比例的规则化的LMS滤波算法。并对其与文中提到的算法进行了比较和分析,拥有更好的收敛性和稳态误差。

加权l_p范数LMS算法的稀疏系统辨识

针对经典最小均方(LMS)算法没有考虑冲击响应通常具有稀疏性的特点,一般的稀疏LMS算法当自适应趋于稳态时,对小系数施加过大的吸引力,导致稳态误差增大的缺点,提出对稀疏系统进行辨识的改进的l p(0<p1)范数惩罚约束的自适应算法——加权l p范数惩罚(reweighted l p-norm penalty)LMS算法。该算法的主要思想是在惩罚函数中加入一个更新权值,适当地调节吸引力的大小。计算机仿真实验结果表明了该算法的可取性,并且其在收敛速度和稳态性方面优于现有的稀疏系统辨识方法。

多重假设检验中参数估计问题研究

在多重假设检验中,真正原假设的个数m_0是未知的,但是它有着很重要的影响,因此,它在最近的统计文献中备受关注。文章综述了三种主要的估计方法:最低斜率法、三次样条法、均值估计方法。然后将上述三种方法结合起来,提出了新的估计方法:均值三次样条法,并主要研究了其在微阵列数据上的应用。大量的模拟研究表明,和其他方法相比,新的估计方法具有较小的偏差和标准差。最后利用真实数据来对估计方法进行评估,并找出了差异表达性基因。模拟和实际数据表明此方法具有显著性提高。

基于谱密度的分形高斯噪声数据合成和估计

分形高斯噪声FGN是分形布朗运动的增量过程,广泛应用于自相似过程的建模分析。在众多的合成分形高斯噪声的方法中,研究了基于功率谱的FGN的生成算法,谱模拟方法和Paxson方法的特点以及联系,同时对基于功率谱的Hurst指数的估计方法,周期图法进行了讨论。仿真试验中,使用Paxson方法生成了FGN序列数据,试验结果表明生成的FGN具有很好的自相似性。应用周期图法估计了其Hurst指数,相比方差时间法,周期图法在估计长相关过程的参数方面能够提高精度。

基于HRM的金融时间序列预测

由于金融时间序列具有复杂、非线性、非平稳性、含噪声等特点,许多传统的线性及非线性方法难以对其进行有效的预测。为此,文章提出将HRM(A Hessian Regularized Nonlinear TimeSeries Model)应用于金融时间序列领域。实验结果表明,HRM具有较好的模型构建能力,拥有较快的计算速率,并且得到了较好的预测结果。