基于相空间重构理论与递归神经网络相结合的股票短期预测方法

根据股票指数时间序列复杂的非线性特性,提出以相空间重构理论与递归神经网络相结合的股票短期预测新方法。以相空间重构理论确定最佳延迟时间和最小嵌入维数,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进递归的生成训练数据进行短期预测,提高了预测精度和稳定性。该方法应用于沪市股票综合指数预测,其结果与传统的单纯用BP网络模型预测的结果相比较,精度大大提高,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。

一种串行/并行两用的区域标记算法

通过设计一种游程与目标体间接关联的数据结构实现游程标记冲突的实时解决,提出一种基于游程的顺序扫描式区域标记算法,只需一次扫描分析即可获取游程区域表达,复杂度低,编码实现方便,易于扩展应用于并行计算系统中进行并行标记。实验结果表明,该算法与已有算法相比,拥有更高效的串行标记性能,在进行并行标记时具有近似线性的加速比。

聚类分析在电信消费模式中的应用

电信业正面临经营环境和市场格局的一系列变化.在新形势下,电信运营商必须注重培育企业核心竞争力.以“客户为中心”的CRM管理非常适用于电信业,只有通过客户关系管理,了解顾客的消费模式,向其提供满意的产品和服务,企业才能生存和发展.通过比较常用的几种聚类的算法,提出了改进的算法并应用于客户的消费模式分析.

求解矩形packing问题的贪心算法

在货物装载、木材下料、超大规模集成电路设计等工作中提出了矩形packing问题。对这一问题,国内外学者提出了诸如模拟退火算法、遗传算法及其它一些启发式算法等求解算法。该文利用人类的智慧及历史上形成的经验,提出了一种求解矩形packing问题的贪心算法。并对21个公开测试实例进行了实算测试,所得结果的平均面积未利用率为0.28%,平均计算时间为17.86s,并且还得到了其中8个实例的最优解。测试结果表明,该算法对求解矩形packing问题相当有效。

自适应变步长菌群优化算法

针对菌群优化算法由于步长固定导致探索能力不强等缺陷,应用聚类思想自适应计算并调整细菌的趋化步长,体现了菌群之间的协同性和智能性行为,有效地提高算法的性能,比如探索能力和开发能力,特别是局部搜索和求精能力。在使用10个复杂的Benchmark函数所进行的对比实验中,所提出的算法在搜索能力和效率等方面优于其他典型算法的比率达到60%～90%,验证了改进算法是一种具有竞争力的优化算法。

MMOG中的一种动态负载共享算法

针对MMOG中的服务器超载问题,提出一种动态负载共享算法,使得一个超载的服务器能够方便地将它的一部分负载迁移到没有超载的服务器上。同时在基于预订区域概念的基础上,通过扩大邻居服务器的范围,提出一种客户端迁移方案来减少该算法的开销,从而提高系统的响应速度和性能。

网络最大流问题典型组合算法研究

简述了网络最大流问题的现状,详细分析了几种具有广泛代表性的网络最大流问题组合算法,同时,阐述了几种在特殊网络结构上的网络最大流问题.对网络最大流问题的深入研究具有重要意义和实用价值.

利用扩展概念格进行关联分类的算法

针对关联分类规则产生的候选规则过多导致效率不高的问题,提出一种基于频繁闭项集组成的扩展概念格的分类规则获取方法.利用频繁闭项集提出一种新的概念格模型,通过性质和定理对概念格结点进行剪枝,以抽取分类尽量少且最有效的关联分类规则.研究结果表明:该算法能挖掘出高质量且包含重要信息的关联分类规则,并大大减少关联分类规则的数量,在分类准确率上比现有的关联分类典型算法更高.

一类新型差分进化算法范式

提出了一类新差分进化算法范式,其核心内容是提出了一种基于动态邻居搜索的进化模式,平衡局部和全局搜索之间的矛盾,同时探讨了种群拓扑结构对其通讯和信息继承和扩散的影响,用基于该范式的一种具体算法对8经典测试函数进行了实验。仿真结果表明,与传统的差分进化算法相比较,该算法的求解质量、稳定性及其速度等方面均具有明显的优势。

一种利用差集的加权频繁项集挖掘算法

挖掘加权频繁项集是多种数据挖掘应用中的关键问题,为提高传统加权频繁项集挖掘算法的性能,在研究概念格模型和差集Diffsets理论的基础上,构建一种利用差集的加权频繁项集格结构,该格结构通过差集性质快速计算加权支持度,满足向下封闭特性,更有利于高效生成加权频繁项集.最后给出了相应的FWIL-Diffsets构造算法,该算法仅对数据库进行一次扫描,通过性质定理有效减少项集生成中的计算量.研究结果表明:该方法能显著提高生成加权频繁项集的效率.

一种基于抛物线原理的图像纠偏方法

提出一种基于抛物线原理的图像纠偏方法,并借助自编程序实现了偏斜颅骨CT图像的自动纠偏。该方法不仅可以用于偏斜颅骨CT图像的纠偏,也可用于其他带有抛物线特征图像的纠偏校正。

一种改进的基于N-List的频繁项集挖掘算法

针对在海量数据中频繁项集挖掘耗时问题,近年来提出的N-List结构可有效提高挖掘效率。基于N-List提出一种新的频繁项集挖掘算法HNSFI(Hash table and subsume frequent itemsets mining based on N-List)。该算法利用PPC-tree生成N-List,引入哈希表存储N-List表示的项集,加快N-List相交操作运算时间;引入包含因子概念,利用其性质通过组合方法可以直接生成部分频繁项集,进一步提高算法时间性能。在三种不同的数据集上对该算法进行了测试和分析,实验结果表明在稠密数据集中该算法的时间性能是最优的。

基于遗传算法与星比对的多序列比对混合算法

多序列比对(MSA)是一个典型的NP完全问题,星比对是一种有效的多序列比对算法。文章针对MSA问题提出了将遗传算法与星比对算法结合在一起的混合算法,该算法充分发挥了遗传算法和星比对算法的优越性,可提高求解MSA问题的计算精度和计算速度,整个算法模拟了自然界进化的周期性,较好的解决了群体的多样性和收敛深度的矛盾。实验表明,该算法是有效的。

一种基于遗传算法的改进的BP算法

提出一种利用遗传算法对BP算法的改进方案。充分考虑了BP算法的精确性和遗传算法全局寻优的特点,使BP算法摆脱局部极小的困扰,并且所训练的网络能够达到要求的精度。

全变异粒子群优化算法

针对粒子群优化算法容易早熟、收敛精度低等缺点,通过采用全变异策略、最大搜索速度自适应调整等策略得到了一种全变异粒子群优化算法,其中的全变异策略是在陷入早熟的条件下全体粒子参加变异,并且当把粒子看成染色体时,每一个基因等概率地参加变异,可以克服算法的早熟而继续优化,提高了算法的收敛精度。对Shubert函数进行实验的结果表明了算法的有效性。

基于概念格的无冗余关联规则提取算法

针对传统挖掘算法生成的关联规则存在大量冗余、难于理解和应用的问题,提出一种新的频繁闭项集概念格FCIL(Frequent Closed Itemsets Lattices),用于生成无冗余关联规则。首先,对概念格理论进行研究,概念格节点间的泛化和例化关系非常适合规则提取;然后,结合频繁闭项集能有效减少规则数目的特点,构建一种新的FCIL;最后,给出FCIL构造算法和相应的规则提取算法。实验表明,该方法能够高效地产生无冗余规则集。

自适应双向菌群优化算法

提出了自适应双向菌群优化算法,应用聚类思想将趋化步长进行自适应调整,提高算法的局部搜索能力,引入双向游动机制,提高了算法的搜索效率和速度。针对10个复杂Benchmark函数进行了数值优化实验,其结果表明,在所有测试函数中,该算法在搜索能力和稳定性等方面优于其他典型算法的比率达到60%～90%,验证了算法的有效性。

广义菌群优化算法

为提高菌群优化算法的性能,将群体聚集机制和自适应策略集成到趋药性操作中,取消聚集操作,构造出新的趋化操作,在趋化循环中引入自适应扩散机制,提高其克服"早熟"的能力,重新定义健康度,减少计算复杂性,得到了一种新的群体智能优化方法——广义菌群优化算法(GBFO,Generalized Bacterial Foraging Optimization)。通过10个复杂Benchmark函数的计算进行算法性能测试,并与几个典型的算法进行了实验比较,结果表明,GBFO算法在搜索能力和稳定性、求解质量和效率等方面优于其他典型算法的比率分别达到80%～90%,70%～80%,验证了该算法的优越性能。

一种改进的LIPI数据挖掘算法的仿真分析

在传统LIPI数据挖掘算法中,需要反复扫描投影数据库寻找局部频繁项并重复构造大量重复投影,造成数据挖掘耗时,效率低下的不足。为了提高算法的计算速度,提出改进的LIPI数据挖掘算法。算法借助连接2-序列位置信息表(LIPI)找到序列模式的下一项,完成K-1序列位置信息与2-序列位置信息的连接,实现序列模式放缩式增长,得出K-序列与K-序列相应的位置信息数据,避免对投影数据库反复扫描;引入了BIDE算法的前后向剪枝策略,检查相同末项序列位置信息表进行前向剪枝,消除大量重复投影的构建,提高挖掘算法的效率。实验结果表明,改进后的算法能快速的寻找到局部频繁项,有效提高了数据挖掘的效率。

SCTP负荷分担及其关键算法的研究

SCTP的一个特点是支持多穴主机,利用这个特点实现SCTP负荷分担可以提高SCTP关联的吞吐量,而为实现负荷分担,必须改变原有的SCTP拥塞控制机制。分集快速重传算法是实现负荷分担的关键。NS 2仿真证明实现了该算法的SCTP负荷分担是有效的。