基于多尺度层级LSTM网络的时间序列预测分析

现有的深度学习研究都依赖于网络的自发学习能力,在训练过程中力求避免或尽量减少人为先验知识的设定,导致网络训练过程完全“黑盒”,研究人员很难从语义上进行阐述。针对这种情况,文中提出了一种基于原始LSTM网络的改进——多尺度层级LSTM(Multi-Scale Hierarchical Long Short-Term Memory,MSH-LSTM)网络。该网络保留了神经网络的常规实现流程,在网络学习过程中将层级网络结构与人的经验知识有机结合,使网络在人为指引下有目的地训练,不再是完全的“黑盒”,同时对时间序列更好地进行分析预测。为说明MSH-LSTM网络结构的有效性,实验选取了两种时间序列数据(气温、股票),结果表明,相较于ANN网络、LSTM网络及GRU网络,MSH-LSTM网络在保证网络适用性的同时更具分析预测优势。在气温实验中,由于MSH-LSTM与常规LSTM,GRU网络都利用了序列数据的时间因素,因此,它们的效果明显优于ANN;在股票实验中,MSH-LSTM的MAPE误差相对于常规LSTM,GRU,ANN网络分别平均提升了约19.65%,24.35%,46.30%。

基于离散型隐马尔可夫模型的股票价格预测

通过对股票收益率的统计分析,建立离散型隐马尔可夫模型(HMM),从而实现了对股票价格的预测。首先,计算某支股票一段时间内当天收盘价相对于前一天收盘价的收益率,再将其收益率按照等距离离散化,作为HMM的输入;其次,通过Baum-Welch算法训练HMM的参数,然后利用Viterbi算法得出观察序列对应的最优隐状态序列;最后,根据状态转移矩阵和输出概率矩阵求出后一天收益率的概率分布,并通过加权计算得出后一天的收益率,再通过收益率计算出对应的股票价格。实验结果表明:基于离散型的隐马尔可夫模型可以更好地预测未来的股价。

分布式控制系统并行通信的可靠性设计与差错检测纠正

本文研究了分布式控制系统并行通信的可靠性设计与差错检测、纠正技术，分析了干扰信号的来源与抑制方法，叙述了传输协议的差错检测与纠正原理，给出了抗干扰的接口信号传瑞原理困及基本通信流程图。