遗传算法与修正的自适应矩估计优化循环神经网络的心音分类方法

针对传统的循环神经网络(RNN)在识别分类心音信号方面具有梯度爆炸、梯度消失和短期记忆的问题,该文提出了无需心音分段的结合遗传算法(GA)与修正的自适应矩估计(RAdam)优化RNN的心音分类模型。该模型的优势是将GA和RAdam优化器以串联的方式融合到RNN中,以达到改进RNN的作用。首先,利用GA的选择、变异和遗传操作,优化RNN的输入层节点数,获取心音特征向量的最优个体的初始解。其次,根据最优个体中的权重、偏置矩阵,赋予模型初始权值和阈值,获得初始权重最优解,整个模型共享参数。最后,联合改进的学习率自适应优化算法,优化RNN模型。结果表明,结合经典的梅尔(Mel)倒频谱系数方法提取心音信号的特征向量,心音信号分类准确率达到90.29%,相比于未优化的RNN模型,准确率提高了17.79%。

应用自适应矩估计的快速最小二乘逆时偏移

最小二乘逆时偏移(LSRTM)是一种高分辨率和振幅相对保真的地震成像方法,但是该方法往往需要迭代近十次,而每次迭代大约需要两次所有炮逆时偏移(RTM)的计算成本,因此计算量非常大。文中应用深度学习领域中的自适应矩估计方法提高LSRTM的计算效率:每次迭代只采用部分共炮点道集计算梯度,利用动量法对梯度进行修正;考虑梯度的非稳态性,通过均方根传播算法消除照明不足带来的影响。自适应矩估计方法结合了这两种方法的优点,不仅降低了每次迭代的计算量,而且提高了迭代收敛的速度。该方法易于实现、计算效率高、占用内存小,是一种快速有效的梯度预条件方法。自适应矩估计方法不仅可以直接用于LSRTM,也可应用于炮编码的LSRTM。SEG/EAGE盐丘模型数值试验表明,自适应矩估计方法仅需两倍的RTM计算成本就能够获得高精度、高分辨率的成像结果。计算效率的大幅度提升有助于将LSRTM方法推广应用于实际地震数据处理。

自适应矩估计最大相关熵算法的混沌序列预测

为了提高非高斯噪声环境下混沌时间序列的预测精度,提出了一种基于自适应矩估计的最大相关熵算法(AdamMCC).在AdamMCC中,采用最大相关熵准则作为代价函数有效地抑制了异常噪声值对预测性能的影响,利用代价函数梯度的一阶矩和二阶矩估计自适应调整算法的权重参数,在不同阶段为算法提供了更好的最优权重搜索方向,从而提高了AdamMCC的预测性能.采用Mackey-Glass和Lorenz两类混沌时间序列进行仿真实验,验证文中提出的AdamMCC的收敛性能和稳态性能.实验结果表明,在非高斯环境下的预测过程中,相比于最小均方算法、最大相关熵算法和分数阶最大相关熵算法,文中提出的基于自适应矩估计的最大相关熵算法在保持鲁棒性的同时,还能以合理的计算复杂度获得更高的预测精度.

基于自适应矩估计的在线投资组合梯度下降策略

对于在线投资组合选择问题,充分利用历史数据能有效地减少市场噪声对投资策略的影响,但这往往会导致策略计算效率降低。与其相对应的是,高频交易的日益发展与数据量的爆发式增长愈发要求投资策略具备高效的计算能力。为此,借助于自适应矩估计,以增量的方式利用历史数据,提出了一个基于自适应矩估计的在线投资组合梯度下降策略。理论分析表明,该策略具有泛证券性,即其与离线的最优定常再调整策略具有相同的渐近平均对数增长率;同时,该策略在充分利用历史数据的情况下依然保持线性时间复杂度。实证分析表明,该策略在收益以及计算时间等指标上表现出较好的性能,同时能承受合理的交易费用,故而具有良好的实际应用前景。

基于自适应点估计和最大熵原理的结构体系多构件可靠度分析

准确而高效地求解结构体系中多个构件的可靠度水准对结构维护和优化具有重要意义,目前已有学者将蒙特卡洛法和响应面法用于此类可靠度分析。然而,蒙特卡洛法所需结构分析次数取决于失效概率的量级,通常计算成本较高。而响应面法的所需结构分析次数取决于杆件数量,当其数量较多时同样有较高的成本。鉴于此,该文提出了一种基于自适应点估计和最大熵原理的结构体系多构件可靠度分析方法,其所需的结构重分析次数上限与杆件数量无关,计算过程简便无需迭代。首先,通过引入自适应交叉项判定和双变量降维近似模型求解各杆件的前四阶矩;然后,根据各杆件的前四阶矩,采用最大熵原理求解各杆件的可靠度指标;最后,通过多个算例对比了蒙特卡洛法、响应面法和建议方法的精度和效率。结果表明建议方法所需的结构重分析次数远少于蒙特卡洛法和响应面法,实现过程简便,且精度能够满足工程要求。

基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法

为了提高故障诊断模型在数据不平衡场景下的诊断性能和模型泛化能力,提出了一种基于Nadam-TimeGAN和XGBoost的时序信号故障诊断方法。首先对比基于LSTM和GRU的TimeGAN模型,选取性能更优的GRU网络作为TimeGAN模型的组成单元,然后采用Nadam优化算法对TimeGAN模型的各组件进行优化,即构建Nadam-TimeGAN模型用以数据扩充,最后构建一个平衡的数据集输入XGBoost集成学习模型进行分类训练。实验选取转辙机动作电流数据集进行验证性实验,选取MFPT轴承数据集和CWRU轴承数据集进行泛化性实验,并与8种方法进行对比,结果表明,所提方法在准确率、召回率以及F1-score这3种评价指标上均高于其他方法,从而验证了所提方法在不平衡数据故障诊断方面的有效性和泛化性。

基于加权Hu矩和HOG特征的自适应融合人体行为识别新方法

针对HOG在强噪条件下以及加权Hu矩在弱噪条件下识别性能较差的情况,通过最小二乘拟合估计加权系数与噪声参数之间的映射关系,自适应调整融合参数达到将加权Hu矩和HOG特征融合的目的。实验证明,基于加权Hu矩和HOG的特征识别对噪声的容忍度更好,适用范围更广,识别率更稳定。

中国证券市场投资者异质信念性的实证研究——基于异质信念定价模型的有效矩估计法

基于异质信念定价模型分析,找到一个能准确反映投资者的异质信念性的新指标:投资者适应性选择的敏感度。运用有效矩估计法对其进行实证分析,发现这一新指标比常用的换手率更能准确反映出投资者的异质信念性,并且深市投资者的异质信念性比沪市更强,小盘股投资者的异质信念性比大盘股更强。

基于LSTM-Adam的矿井提升机故障预警模型

针对不同作业环境下提升机特征参数的独特性难以充分贴合和故障预警难度大等问题,提出了一种基于长短期记忆神经网络(LSTM)和适应性矩估计算法(Adam)的矿井提升机故障预警模型。首先,对矿井提升机的工作原理和常见故障表现形式进行了分析,以LSTM神经网络为基础,建立了提升机特征参数预测模型,并结合Adam优化算法,对预测模型进行了训练和优化;然后,采用某矿提升机实际运行数据对所搭建的预测模型性能进行了验证;采用滑动加权均值法对预测残差进行了分析,得到了多个关键特征参数的合理预警阈值,并建立了提升机故障预警模型;最后,以提升机的制动系统故障为例,采用故障模拟实验对提升机故障预警模型的有效性进行了验证。研究结果表明:当预测模型的学习率为0.015时,其训练效果最优,预测模型的损失率可达到0.12%,且参数变化趋势能够得到更好的拟合;采用基于LSTM-Adam的矿井提升机预警模型可以对参数变化趋势进行准确预测,利用预测残差分析结果可以对提升机故障进行精确预警。

基于Adam-LSTM的车用汽油价格预测

汽油价格预测的国内外以往研究主要采用传统统计模型和简单神经网络模型,无法处理长期依赖性问题,而深度学习的长短期记忆(LSTM)神经网络模型能够有效处理成品油价格数据中的长期依赖问题,因此建立基于Adam(自适应矩估计)-LSTM人工神经网络模型,对四川地区89号、92号、95号汽油价格数据进行预测。首先对数据进行滑动平均处理,然后通过均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标评价模型的预测效果,同时通过DM(Diebold-Mariano)检验比较LSTM模型与另外4种模型的预测效果,最终发现LSTM对于该数据的预测效果最优。

AIM结合渐近波形估计技术快速分析目标宽带电磁散射特性

该文将自适应积分方法(AIM)与渐近波形估计(AWE)技术结合快速计算了目标宽带雷达截面(RCS)。通过渐近波形技术实现快速扫频,利用自适应积分(AIM)稀疏存储稠密阻抗矩阵及阻抗矩阵的频率导数,并加速求解泰勒展开系数中的矩阵与矢量相乘计算,提高了计算速度并降低了内存需求。通过结合自动微分技术,计算了该方法所需的格林函数关于频率的高阶导数。数值结果表明,与传统AIM逐点计算相比,该方法在不失精度条件下大大地降低了计算时间。

市场预期对跨境资金流动的影响研究——基于适应性预期理论

本文基于适应性预期理论,建立联立方程模型,通过广义矩估计得出市场预期的具体数值,并运用动态回归模型实证研究了利率、汇率、房地产价格等市场预期对安徽省跨境资金流动的影响。结果发现汇率预期对跨境资金流动长期影响最大,而利率预期对跨境资金短期双向波动产生显著影响,并得出了各预期因素的具体长短期影响程度。最后基于市场预期提出了完善跨境资金流动管理的政策建议。

湿式双离合器的摩擦参数估计

湿式双离合器扭矩的精准传递对其换挡品质具有重要影响,但离合器的摩擦特性受材料间的相互作用及油液的热降解等因素影响而变化,进而影响传递扭矩的精度,本文提出了一种在线估计离合器摩擦参数的方法。首先设计了自适应扭矩观测器,该观测器可通过车辆已有的传感器估计出离合器换挡时的传递扭矩;其次将离合器结合阶段分为流体动力润滑阶段、部分润滑阶段和机械接触阶段,并基于Stribeck摩擦模型建立了湿式离合器摩擦因数模型,利用递推最小二乘方法估计出了相应的系数;最后利用Stribeck摩擦模型对所估计出的参数进行计算得到了离合器接合时的实时动态摩擦因数模型,为湿式双离合器在线故障诊断及传递扭矩的精准控制提供了基础。

市场预期对跨境资金流动的影响研究——基于适应性预期理论

本文基于适应性预期理论,建立联立方程模型,通过广义矩估计得出市场预期的具体数值,并运用动态回归模型实证研究了利率、汇率、房地产价格等市场预期对安徽省跨境资金流动的影响。结果发现汇率预期对跨境资金流动长期影响最大,而利率预期对跨境资金短期双向波动产生显著影响,并得出了各预期因素的具体长短期影响程度。最后就基于市场预期完善跨境资金流动管理提出了政策建议。

基于改进Adam优化算法的中文短文本分类方法

针对BERT模型中编码器提取特征信息时因并行计算而缺少文本的时序信息及模型网络复杂度较高易受偏差影响等问题,本文提出一种基于改进Adam优化算法的模型DTSCF-Net。模型采用BERT模型提取短文本的语义特征表示,将语义特征输入到Bi-GRU中,提取具有上下文时序特征的语义信息,输入Maxpooling层筛选最优特征,分类得到该短文本的类别。针对Adam算法在拟合中产生的动量偏差添加校正算法来缓解性能下降,对比两个连续时间步上的校正动量值,选取两个时间步中的动量最大值代入梯度计算,并对学习率添加自适应调节因子,利用上一次迭代的梯度值,实现学习率的自适应调节,提高分类精度。实验表明,DTSCF-Net的分类准确率为94.86%,相较于同实验环境下的基准模型BERT、BERT-Bi-GRU分别提高2.07%、1.71%。结果证明本文所提方法具有一定的性能提升。

基于Adam的电大目标快速仿真建模技术

针对传统电磁求解器存在计算速度慢、内存消耗大的难题,提出了一种基于自适应矩估计(adaptive moment estimation,Adam)的矩阵方程快速求解方法,用于提升矩量法的仿真效率,并结合相位提取基函数实现对电大目标的快速电磁仿真。数值算例表明:Adam能够实现矩阵方程的准确求解,且计算效率可得到较大提升。

基于实测数据的海杂波K分布参数估计方法研究

针对海杂波K分布模型参数难以估计的特点,提出了一种自适应遗传求解算法。该算法利用相关熵作为适应度函数,按照自适应变异原则进行优化,实现了参数的准确估计。实测数据处理结果表明,该算法性能优于矩估计法和最大似然估计法,具有很高的估计精度和适应性,从而为最优检测算法设计提供依据。

扩散式样条最小四阶矩算法

在一些自适应滤波应用领域,未知系统的期望信号会产生非线性失真,采用样条自适应滤波器比线性自适应滤波器具有更好的性能。将样条自适应滤波器扩展到分布式网络,如扩散式样条最小均方算法,同样能够解决网络节点的非线性失真问题。然而,在有均匀或二元噪声干扰的分布式网络中,扩散式样条最小均方算法稳态失调较大。为了解决这一问题,选用每个节点的误差信号的高阶矩作为代价函数,采用随机梯度法推出一种扩散式样条最小四阶矩算法。仿真结果表明,在相同的收敛速度和采用较大方差的均匀或二元噪声环境中,该算法比扩散式样条最小均方算法有更低的稳态失调。

基于BP神经网络的爆炸用激波管峰值压力预测方法

针对爆炸用激波管缺乏相应的经验公式和数值模拟时效性差的问题,同时为了快速得到激波管内的峰值压力,建立预测爆炸用激波管试验段峰值压力的四层反向传播(back propagation,BP)神经网络。采用数值模拟方法计算激波管试验段峰值压力,计算结果与激波管爆炸试验结果进行对比,平均相对误差为2.69%。证明激波管数值模型的准确性后,将数值模拟得到的195组激波管测得的峰值压力作为输出层,激波管驱动段TNT的药量、药柱的长径比以及爆炸比例距离作为神经网络的输入层。为了加快神经网络迭代速度和提高预测精度,使用自适应矩估计(adaptive moment estimation,ADAM)算法作为神经网络误差梯度下降的优化算法。结果表明,训练好的神经网络得到的预测结果与模拟值基本吻合,预测结果与数值模拟结果的平均相对误差为3.26%。BP神经网络模型能够反映激波管爆炸的峰值压力与影响因素之间的映射关系,采用BP神经网络模型计算时比数值模拟节约了大量运算时间。

LSTM网络在语音转文字应用中的优化方法

为研究基于长短期记忆(Long Short-TermMemory,LSTM)网络的语音转文字系统的优化方法,首先说明LSTM在语音转文字任务中的基本原理和架构,其次分析自适应矩估计(Adaptive Moment Estimation,Adam)优化算法的核心机制及其在LSTM网络中的应用,最后在Mozilla DeepSpeech框架中嵌入基于Adam优化的LSTM模型,并使用THCHS-30数据集进行实验。实验结果表明,基于Adam优化的LSTM模型在词错率和F1分数上均表现出显著的优越性。