广义次对角占优矩阵和次M-矩阵的判定

次对角占优矩阵在计算数学和控制理论中有着相当广泛的应用.本文介绍了广义次对角占优矩阵并运用类比法给出了判定广义次对角占优矩阵和次M-矩阵的新方法.

广义次对角占优矩阵的判定

介绍了广义次对角占优矩阵并给出了判定广义次对角占优矩阵和次M-矩阵的新方法.

基于子动作特征矩阵与DTW算法的手臂动作识别方法

为了建立助残手控制与手臂运动之间的联系,结合惯性测量单元,提出了一种基于子动作特征矩阵和动态时间规整(DTW)算法的手臂动作识别方法.首先建立手臂连杆运动模型,使用正向运动学理论解算出手臂末端的空间位置;接着分析了手臂末端角速度、空间位置变化,发现连续的手臂动作可根据动作的活跃程度拆解为若干子动作,并构造子动作特征矩阵;最后采用基于子动作特征矩阵的DTW算法,对6种生活中常见的手臂动作进行分类识别.实验结果表明,与传统基于时间序列的DTW动作识别方法相比,基于子动作特征矩阵的方法识别准确率由96.9%提高至99.4%,识别耗时减少到0.1s之内,更具实用价值.

面向多价值链的汽车配件需求预测模型

基于第三方零部件多产业链业务协同云服务平台中汽车配件的销售现状,配件代理商没有充分考虑跨链销售、跨链调拨、多链销售等配件需求。为提高配件需求预测的准确率,首先提出一种优势矩阵(AM)结合轻梯度提升机(LightGBM)、门控循环神经网络(GRU)的组合预测模型(LightGBM_GRU_AM),该模型通过引入优势矩阵获取单个模型的最优权重系数,通过加权后的组合模型进行需求预测。考虑到组合模型中某时刻子模型的预测效果优于组合模型,为进一步提高预测的准确率,设计了一种基于LightGBM、GRU和LightGBM_GRU_AM的半组合预测模型,该模型采用子模型优选策略,在训练过程中利用最小绝对误差建立子模型分类标签,以特征提取和分类回归树建立子模型选取规则,根据数据特征采用不同的子模型进行预测,集成不同时刻的预测值形成最终的需求预测。最后集成第三方云平台中多链配件销售和配件相关售后服务数据进行算例分析,相比其他7种预测模型,提出的2种预测模型不但能有效降低预测误差,而且半组合预测模型更有优势,同时也为配件代理商提供采购决策支持。