基于K线与均线的CAE和GRU模型的股价预测方法

设计快速精确的股票预测方法以实现投资收益最大化是学界的研究热点。然而,现有的股票预测方法忽略了不同K线和均线之间的关联对股价的影响,从而导致预测效果不佳。为了解决该问题,基于CAE和GRU模型提出了一种利用K线和均线特征的关联性预测股价的方法。与选取的现有股票预测方法相比,本模型在上证指数数据集上具有更好的拟合和泛化性能,能够有效地减小预测误差。

多源数据约束性融合的传感器网络安全预测模型

针对单一传感器数据存在信息不全面而无法真实反映网络安全态势的问题,提出一种多源数据约束性融合的传感器网络安全预测方法。首先,该方法采用卷积自编码网络对不同模态的异构数据进行统一维度的特征表示,能够解决传感器之间的异构性问题。其次,采用无监督交叉模态哈希检索方法对卷积自编码网络(Convolutional Auto-Encode,CAE)的参数进行校正,提取多种传感器数据的全局特征和局部特征,解决编码-解码过程的前后特征损失问题。最后,将回归二进制码与多模态数据特征进行加权融合,实现安全类别预测。实验表明,与融合了卷积神经网络(Convolutional Neural Networks,CNN)的格拉姆角场(Gramian Angular Field,GAF)算法相比,所提方法具有较好的健壮性。

基于卷积自编码与密集时间卷积网络的回转支承退化趋势预测

为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network,TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network,DTCN)。该模型借鉴Dense-Net网络中的Dense-block模块对网络结构进行改进,以解决时间卷积网络在训练中损失函数下降缓慢,以及网络不易收敛、收敛效果差的问题;使用回转支承全寿命试验数据,借助卷积自编码网络(convolutional auto-encoders,CAE)与隐马尔可夫模型(hidden Markov model,HMM)建立健康指标,验证该改进算法的有效性;将DTCN与其他序列预测模型如长短时记忆网络(long short-term memory,LSTM)、门控循环单元网络(gated recurrent unit,GRU)等对比。结果表明,该模型在预测效果上具有优越性,能够更准确地预测健康指标的变化情况,可用于回转支承的退化趋势预测任务。

模具CAD/CAM/CAE教学系统的设置

阐述了模具CAD/CAM/CAE教学网络环境的组成,分析了模具CAD/CAM/CAE软件对计算机硬件的要求,并介绍了多种目前流行的模具CAD/CAM/CAE软件。

基于互联网的分布式有限元分析

引进面向对象的方法,利用Java语言实现了基于互联网的分布式有限元分析(WebFEA: eb basedFiniteElementAnalysis)。对WebFEA的核心类库进行了系统分析,包括二维及三维有限元 分析的类层次结构,进而给出分析算例,系统还可通过网络数据通信,结合后台的高性能计算集群,对 有限元分析问题进行高效处理。分析算例表明,基于互联网进行面向对象的高性能分布式有限元分 析可以有效提高计算效率,为进一步的网络化CAD/CAE研究奠定良好基础。