基于深度学习模型的区间值股价预测

在股票市场中,区间值数据比点值数据更能描述股票的内在结构特征。鉴于深度学习模型在许多研究中的优势,提出基于小波激活函数的BEMD-LSTM-Wavelet模型来预测区间值股票价格。具体来说,首先利用双变量经验模态分解(BEMD)算法将原始股票价格的最高和最低价分解为若干本征模态函数(IMFs)和1个残差序列,然后使用该模型预测多个IMFs和残差序列,最后通过对比实验评价所提出的模型。实验结果表明,采用小波激活函数优化后的模型优于传统方法。

构建生本课堂 促进深度学习——以“三角形中的最值与范围问题”为例

解三角形问题一直是高中数学的重要问题,求解与边长、角度、周长、面积等相关的取值范围和最值问题时,需要充分利用正余弦定理与面积公式,借助函数思想、基本不等式、平面向量、平面几何、轨迹思想等方法途径来实现破解.构建高中数学生本课堂,注重让学生理解本质,经历完整探究过程,对解题思路进行深度总结和反思,提高学生综合运用知识分析和解决问题的能力.

基于值学习与策略梯度的深度强化学习在核工程领域的适配性分析

深度强化学习能够实现端到端处理,将高维度的原始输入数据直接转化为输出动作。深度强化学习按照间接和直接的策略优化方式,主要可分为基于值学习和基于策略梯度的两类方法。二者因原理不同,在解决问题的能力和适用场景上存在差异。核领域中的决策问题状态参数维度高,同时决策参数与状态参数之间存在强非线性关系,是深度强化学习的潜在应用场景。本文从强化学习的基本原理出发,归纳了基于值学习和基于策略梯度的强化学习方法的机理差异,并结合目前研究现状对两类方法在核工程领域可能的应用场景进行了深入分析。最后,总结了深度强化学习在后续应用中所面临的挑战及应用趋势。

基于Z_buffer值的碰撞检测算法研究

碰撞检测算法是增强虚拟环境的逼真感和沉浸感的一个重要手段。原有的碰撞检测算法计算复杂,在复杂大范围三维场景绘制时会占用系统大量计算资源。针对传统碰撞检测算法的缺点,提出了一种基于缓冲区Z_buffer值的快速碰撞检测算法。该算法充分利用场景绘制时的变换矩阵和深度信息,实现了用户以第一人称在虚拟场景中漫游时进行快速碰撞检测与响应。实验证明该算法计算简单、速度快且与场景复杂度无关。

基于用户偏好评分值修正的深度神经网络推荐模型

针对工业产业链上下游产品选购中用户对产品评分习惯差异较大的问题,结合用户评分习惯提出修正算法,构建一种基于用户偏好评分值修正的深度神经网络推荐模型(UPDNN)。该方法首先通过历史数据对各用户评分偏好进行学习,设计特有的满意度投影函数将用户评分投影至满意度空间进行修正,然后在满意度空间中通过深度神经网络进行推荐模型训练和待测产品满意度预测,最终给出用户的Top-k推荐产品表,实现产品推荐。实验结果表明,UPDNN较经典推荐算法在Movielens数据集上的推荐结果更贴合用户喜好,验证了所提方法的有效性。

基于深度神经网络的地表地震动幅值预测研究

地震动预测模型是灾害分析和结构设计的重要组成部分,近年来神经网络技术愈发成熟地被应用在该预测模型的开发上,但多为使用地表以下30 m范围内土层等效剪切波速(VS30)作为场地输入参数的单层全连接神经网络模型,忽略了完整土层厚度及剪切波速信息对地震动幅值的影响。本文采用卷积神经网络及全连接神经网络混合模型,选用日本KiK-net台网记录到的3174次地震共计39192条地震动记录,构建了一种基于深度神经网络框架的地表地震动幅值预测模型。该模型的输入参数为震级、震源深度、震中距、场地各土层厚度、剪切波速信息和井下地震动幅值,输出为相应的地表地震动幅值(PGA或PGV或PGD)。对模型进行训练并计算其各项评价指标予以评估,结果表明:(1)该混合神经网络模型的决定系数超过了0.85,模型残差服从正态分布,均值残差接近于0,模型表现出无偏的特性。(2)与现有经验公式相比,混合网络模型的PGA、PGV和PGD预测精度分别提升约26.9%、16.5%和11.6%。与使用VS30作为场地参数的全连接神经网络模型相比,该框架下模型预测值与真实值的Person相关系数及各项评价指标均有所提升,模型残差的均值和标准差更小,PGA、PGV和PGD模型预测精度提升约6.3%、3.9%和3.4%,能更好地对地震动幅值进行预测。

基于值函数分解的多智能体深度强化学习方法研究综述

多智能体深度强化学习方法是深度强化学习方法在多智能体问题上的扩展,其中基于值函数分解的多智能体深度强化学习方法取得了较好的表现效果,是目前研究和应用的热点。文中介绍了基于值函数分解的多智能体深度强化学习方法的主要原理和框架;根据近期相关研究,总结出了提高混合网络拟合能力问题、提高收敛效果问题和提高算法可扩展性问题3个研究热点,从算法约束、环境复杂度、神经网络限制等方面分析了3个热点问题产生的原因;根据拟解决的问题和使用的方法对现有研究进行了分类梳理,总结了同类方法的共同点,分析了不同方法的优缺点;对基于值函数分解的多智能体深度强化学习方法在网络节点控制、无人编队控制两个热点领域的应用进行了阐述。

基于长短期记忆-深度Q值网络的异构机器人煤矸协同分选方法

【目的】提高传统的单一类别煤矸分选机器人在面对形状、尺寸差异较大的矸石时的适应性,分析异构机器人工作特性,实现异构机器人协同分选。【方法】基于深度Q值网络(deep Q network,DQN)提出异构机器人协同分选模型;分析协同工作分选流程制定决策框架,根据强化学习所需,设计交互环境,构建智能体连续的状态空间奖惩函数,长短期记忆网络(long short term memory,LTSM)和全连接网络相结合,构建DQN价值和目标网络,实现强化学习模型在工作过程中的任务分配。【结果】协同分选模型与传统顺序分配模型相比,在不同含矸率工作负载下,可提高分选效益0.49%~17.74%;在样本含矸率为21.61%,传送带速度为0.4~0.6 m/s的条件下,可提高分选效率2.41%~8.98%。【结论】异构机器人协同分选方法可以在不同的工作负载下获得稳定的分拣效益,避免单一分配方案无法适应动态变化的矸石流缺陷。

基于深度学习的土壤重金属浓度预测与缺值补全方法研究

针对土壤重金属污染问题,以往的区域土壤重金属污染评价措施局限性日益凸显,其效率低下且泛化能力不足,加之人力物力等资源受限,全面获取各区域重金属的检测结果面临阻碍。由于人工智能技术的蓬勃发展,深度学习模型在土壤重金属含量预测方面展现出很大潜力,有效弥补了传统措施的短板。对此,文章聚焦于土壤重金属As、Cd、Cr、Cu、Hg、Ni、Pb、Zn的浓度分析,根据整合土壤重金属浓度数据与环境协变量数据,构建了深度学习框架下的土壤重金属浓度预测模型及数据缺值补全策略。旨在提供更为精准、高效的土壤重金属污染评估手段。

基于三值估算法的深度双确定性策略梯度算法

深度强化学习算法在机器人控制领域应用越来越广泛,但用于连续动作空间的算法,如DDPG,一直存在估值高估的问题,在机器人控制领域应用尚不成熟。本文为了提高深度强化学习算法中目标值估值的准确性,得到更适用于机器人控制的深度强化学习算法,提出了一种基于三值估算法的深度双确定性策略梯度算法,该算法采用三值估算法来估计目标评论家网络的估值,去计算目标值作为当前网络的评估标准,采用双确定性策略网络在当前时间步数下生成最优策略,采用更适用于机械臂深度强化学习控制的OU噪声加到动作策略中。实验证明,该算法在复杂模型和环境中能够表现更好的性能。

基于值函数和策略梯度的深度强化学习综述

作为人工智能领域的热门研究问题,深度强化学习自提出以来,就受到人们越来越多的关注.目前,深度强化学习能够解决很多以前难以解决的问题,比如直接从原始像素中学习如何玩视频游戏和针对机器人问题学习控制策略,深度强化学习通过不断优化控制策略,建立一个对视觉世界有更高层次理解的自治系统.其中,基于值函数和策略梯度的深度强化学习是核心的基础方法和研究重点.该文对这两类深度强化学习方法进行了系统的阐述和总结,包括用到的求解算法和网络结构.首先,本文概述了基于值函数的深度强化学习方法,包括开山鼻祖深度Q网络和基于深度Q网络的各种改进方法.然后介绍了策略梯度的概念和常见算法,并概述了深度确定性策略梯度、信赖域策略优化和异步优势行动者-评论家这三种基于策略梯度的深度强化学习方法及相应的一些改进方法.接着概述了深度强化学习前沿成果阿尔法狗和阿尔法元,并分析了后者和该文概述的两种深度强化学习方法的联系.最后对深度强化学习的未来研究方向进行了展望.

基于深度支撑值学习网络的遥感图像融合

该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.

低值鱼的深度酶解及海鲜复合调味料的生产

以低值鱼(海产小杂鱼、罗非鱼下脚料及小鲫鱼的混合物)为原料,综合氨基氮、挥发性盐基氮及感官评分等指标,筛选出适宜的蛋白酶及酶解工艺,制备出风味鲜美、安全卫生的酶解液,并以此为基料开发出海鲜复合调味料。结果表明:适宜的酶解方式为双酶两步水解法(Alcalase单酶水解2h后加入Flavourzyme),酶解时间为8h,振荡酶解与静止酶解对低值鱼的酶解效率影响不大;低值鱼经双酶酶解后,酶解液中氨基氮含量可达0.43g/dL,挥发性盐基氮为12.33 mg/dL,细菌总数为5.4×104 cfu/mL;以酶解液为基料开发复合调味料口感自然,滋味宜人,具有广阔的市场前景。

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法。首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征;其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面;最后,用训练好的深度信念网络对人脸样本进行识别。在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果。

激发深度和检波器耦合对近地表Q值估算的影响分析

激发深度和检波器耦合效应会影响地震信号的频谱特征。基于实际微测井资料研究地震波主频变化特征可知,不同深度激发获取的地震子波主频相差近55Hz,检波器耦合效应使地震子波严重缺失低频信息,且高频部分出现类似"陷波"现象。基于地表一致性理论,定量地模拟了不同激发深度以及不同检波器耦合条件对近地表Q值估算结果的影响,结果表明,激发深度差异与检波器耦合差异会大幅度降低近地表Q值估算的精度。在大港ZY地区实际双井微测井数据采集过程中,通过选取合适的井下检波器接收深度以及制作井下助插器等方法保障井下检波器耦合效果,并采用共激发点资料消除激发条件差异带来的影响,提高了近地表Q值的估算精度。

基于改进广义极值分布的核管道最大腐蚀深度预测

针对核管道腐蚀的环境复杂性和过程随机性问题以及极值分布模型选择不当所引起的拟合误差问题,采用广义极值分布模型预测核管道腐蚀深度的发展规律,并提出基于免疫遗传算法参数优化的核管道最大腐蚀深度预测及评估方法:对核管道取样管段上腐蚀深度进行统计分析,计算相应的累计概率;利用免疫遗传算法优化广义极值分布函数的统计参数,得到核管道最大腐蚀深度的概率分布函数;由小样本腐蚀深度预测整条管道的最大腐蚀深度ydi,并评估超过最大腐蚀深度ydi的概率。利用不同核管道腐蚀深度进行计算机预测仿真。研究结果表明:改进后的广义极值分布模型不会受限于样本极值数据的具体分布,具有较好的通用性,且模型参数寻优过程收敛速度快,拟合效果较理想。

钻具深度与测井深度误差异常值探讨

针对单井资料出现测井深度与钻井深度误差较大,从而影响资料的正确处理和解释评价这一现状,通过对钻具深度与测井深度误差异常值的探讨,分析了误差异常值产生的原因,从而消除了误差异常值产生后的认识误区,全面提高了资料质量,为准确判别油气层奠定了坚实基础。

生物快滤池深度处理城市污水的性能及pH值变化规律

采用生物快滤池对城市污水厂二级出水进行深度处理的试验表明,生物快滤池对进水水质变化有很大的适应性,除卫生学指标外,其它指标出水绝大部分时间可满足生活杂用水水质标准(CJ25.1-89)中的洗车标准。随着进水水质的不同,生物快滤池中生化反应类型也随之变化,相应地滤池出水pH值也有不同的变化规律。可以通过生物快滤池进出水pH值的变化情况来判断滤池内生化反应类型和COD或氨氮指标的去除效果。

利用重/磁场梯度比值函数计算地质体深度

本文定义了一种函数,即重力场或磁力场的一阶水平导数与原始异常的比值,利用该函数值可直接推导地质体的位置。对于不同类型地质体,其梯度比值函数均表现出极值点间水平距离等于地质体深度2倍的特征,从而无须任何先验信息即可计算异常体深度。为了降低倾斜磁化对磁数据处理结果的影响,磁异常解释采用解析信号水平导数与解析信号的比值。梯度比值函数仅计算异常的一阶水平导数,因此不会明显地增大噪声。此外,对梯度比值函数计算多个上延高度、求取其平均值,并对上半空间极值成像,可获得更加准确的地质体深度。理论模型试验和实测剖面磁数据的解释结果都证明梯度比值函数能快速、准确地获得地质体深度,且具有较强的抗噪性。