具有不充分信息的高维时间序列因果关系网络研究

具有不充分信息的高维时间序列因果关系网络学习重要且困难,信息不充分会导致许多因果关系丢失,从而造成传递信息的不完整.本文首先提出了汇聚递减变量排序方法,并基于局部贪婪搜索-打分进行因果关系网络学习,来降低对数据量的需求和提高学习效率与可靠性;再通过建立信息提取变量来获取变量组的压缩信息,以弥补由弱因果关系的缺失所引起的传递信息丢失和实现高维数据的降维;最后基于递归汇聚结构和后验分布抽样识别准确率分别建立时间序列变量之间的影响程度计算、影响的敏感性计算和汇聚与扩散影响计算方法,并使用宏观经济时间序列数据进行相应的实验验证与分析.

梯形图转换为执行代码的一种方法

针对PLC开发应用,本文采用可视化技术编辑并构造电路,组态元件对象自主搜索前趋与后继,通过逆向拓扑实现电路串并联识别,并用二叉树来表达电路元件的串并联关系。利用二叉树的先序遍历完成了梯形图到逻辑表达式文本的转换,经化简转化为执行代码。该方法通用、直观并支持电路的任意扩展,同时也避免了以往梯形图转换为串并联逻辑表达式时查找虚结点的问题,通过逻辑化简很好地解决了电路短路问题。