检索结果-内蒙古大学图书馆

作者：李雪珂中南财经政法大学

学位级别：硕士

由于股票市场受多种不确定性因素的综合影响,股指序列通常具有高度的非平稳性、非线性,准确地对其进行预测是一项具有挑战性的难题。早些年,研究者大多使用单一的金融时间序列模型如ARIMA模型、GARCH模型或单一的机器学习模型如神经网... 详细信息

由于股票市场受多种不确定性因素的综合影响,股指序列通常具有高度的非平稳性、非线性,准确地对其进行预测是一项具有挑战性的难题。早些年,研究者大多使用单一的金融时间序列模型如ARIMA模型、GARCH模型或单一的机器学习模型如神经网络模型、支持向量机模型对股指序列进行预测研究,虽在一定程度上能有效地把握其变动情况,但预测精度仍有待提高。近些年,部分研究者尝试在股指预测研究中扩充相关特征或利用各模型的优劣构建组合模型,以期望能更好地把握其变动趋势。为提高股指序列的预测精度,本文从构建更多有效特征和组合模型两个方向进行了努力。首先,本文以上证指数和深证成指为样本,从技术面分析的角度出发,对两支指数的历史交易数据进行了收集与整理;其次,基于历史交易数据构建了日交易数据指标和常见技术指标,并借助小波分析的多分辨率分析能力,以db4小波为小波基函数对日交易数据指标进行了3层极大重叠离散小波变换,以获得小波分解序列;而后,以日交易数据指标、技术指标、小波分解序列三类变量为候选特征变量,以下一日收盘价序列为目标变量,构建了本文所需的时序数据集,并对其进行了预处理;最后,分别将Lasso、SCAD、MCP三种正则化稀疏模型与Xgboost算法组合对两支指数进行预测,并根据模型在测试集上的预测表现确定最优预测模型,其中,Xgboost算法的参数优化采用网格搜索法,最优预测模型为Lasso-Xgboost模型。实证分析部分的结果表明:第一,三种正则化稀疏模型筛选出的变量均包含了日交易数据指标、常见技术指标、小波分解序列三类变量,说明我们构建的三类变量均包含了大量与股指变动有关的信息;第二,基于Lasso-Xgboost模型的变量重要性排序在前十的变量包含技术指标和小波分解序列,而不含日交易数据指标,说明对日交易数据指标所包含的信息进行提取所获得的技术指标和小波分解序列更能有效地反映股指序列的变动;第三,组合模型Lasso-Xgboost在上证指数和深证成指上有良好的预测表现,且其预测精度优于SCAD-Xgboost模型、MCP-Xgboost模型、BP神经网络模型、SVR模型、Xgboost模型、Lasso-BP模型和Lasso-SVR模型。

关键词：技术指标小波分析正则化稀疏模型 Xgboost算法

来源：评论

学校读者我要写书评

暂无评论

基于正则化稀疏模型和深度神经网络的fMRI数据特征选择方法研究

基于正则化稀疏模型和深度神经网络的fMRI数据特征选择方法研究

引用

作者：屈永康北京工业大学

学位级别：硕士

功能磁共振成像(functional magnetic resonance imaging,f MRI)是神经影像学中一种重要的脑成像方法,由于它的无创性、可重复测量和较高的空间分辨率,现在已被广泛用于脑科学和脑疾病的研究中。近年来,利用机器学习方法从f MRI数据中... 详细信息

功能磁共振成像(functional magnetic resonance imaging,f MRI)是神经影像学中一种重要的脑成像方法,由于它的无创性、可重复测量和较高的空间分辨率,现在已被广泛用于脑科学和脑疾病的研究中。近年来,利用机器学习方法从f MRI数据中解码大脑认知状态是生物信息学中一项重要的研究课题。通过对f MRI数据进行分类,可以有效地解码被试的大脑刺激、心理状态和行为,这对人类理解大脑的工作机制具有非常重要的意义。然而,f MRI数据的高维小样本特性给这一研究带来了巨大挑战。这是因为训练样本太少容易使分类模型产生过拟合问题,而特征空间维度太高可导致高的计算复杂度,同时也会降低分类结果的可解释性。本文分别针对f MRI数据的高维特性和小样本特性,利用机器学习中的正则化稀疏模型和深度神经网络进行特征选择,开展了以下两个方面的研究工作:(1)针对f MRI数据的高维特性,提出了一种基于正则化Softmax回归的全脑f MRI数据特征选择框架。首先,从大脑认知的特点入手,将全脑分成感兴趣区域和非感兴趣区域。然后,用可以缩小权值系数的L2正则对感兴趣区域建模以选出感兴趣区域的全部体素,用能够产生稀疏效应的L1正则对非感兴趣区域建模以选出非感兴趣区域中的激活体素。最后,将感兴趣区域和非感兴趣区域的体素结合起来构成全脑f MRI数据的正则化Softmax回归模型。在Haxby数据集上的实验结果表明L2与L1的正则化策略可有效提升全脑分类的准确率。(2)针对f MRI数据的小样本特性,将无标签f MRI数据加入到无监督特征学习中,提出了一种基于栈式自编码深度神经网络的f MRI数据特征选择方法。首先,用栈式自编码神经网络对所有无标签数据和有标签的训练数据进行训练,得到栈式自编码神经网络的网络参数,同时还可以获得不同隐含层学到的特征。然后,用最后一个隐含层学到的特征和训练数据标签有监督的训练Softmax分类器,得到Softmax分类器的网络参数。最后,将上述预训练阶段学习到的网络参数值作为微调阶段的参数初始化值,并利用反向传播算法对模型进行微调。本文利用Haxby数据集来进行f MRI数据的分类实验,实验结果表明利用休息状态的无标签数据可以获得更高的分类性能。

关键词： fMRI数据高维小样本正则化稀疏模型深度神经网络特征选择

来源：评论

学校读者我要写书评

暂无评论

太赫兹融合光谱结合改进Fused Lasso模型在转基因菜籽油鉴别中的应用

引用

光学精密工程 2024年第20期32卷 3006-3016页

作者：陈涛谢光翀张绍荣桂林电子科技大学电子工程与自动化学院广西桂林541004 桂林航天工业学院电子信息与自动化学院广西桂林541004

现有基于单一光谱的转基因菜籽油分类鉴别模型,存在包含信息少、数据维度高等问题,导致模型运行效率较低、检测结果不够准确。针对此问题,本研究提出一种太赫兹融合光谱结合改进Fused Lasso模型的转基因菜籽油分类鉴别方法。以两种转基... 详细信息

现有基于单一光谱的转基因菜籽油分类鉴别模型,存在包含信息少、数据维度高等问题,导致模型运行效率较低、检测结果不够准确。针对此问题,本研究提出一种太赫兹融合光谱结合改进Fused Lasso模型的转基因菜籽油分类鉴别方法。以两种转基因菜籽油和两种非转基因菜籽油为研究对象,应用太赫兹时域光谱(THz-TDS)系统获取4种菜籽油样品在0.2~1.6 THz频率范围内的太赫兹吸收光谱,采用连续投影(SPA)算法对样品的太赫兹吸收光谱和导数光谱进行特征提取后再融合,引入特征选择和分类为一体的正则化稀疏模型Fused Lasso,通过采用一对一(OVO)方法将其改进为多分类模型并采用贝叶斯优化(BO)算法对其正则化参数寻优。结果表明,相比传统基于单一吸收光谱的Fused Lasso模型,基于融合光谱的BO-Fused Lasso模型对4种菜籽油分类效果更好,其训练集准确率为96.88%,测试集准确率为95.00%。因此,本研究为转基因菜籽油和非转基因菜籽油的鉴别提供了一种新方法,也为其他转基因物质鉴别提供了有价值的参考。

关键词：太赫兹转基因菜籽油融合光谱正则化稀疏模型贝叶斯优化

来源：评论

学校读者我要写书评

暂无评论

基于压缩感知理论的移动荷载识别

基于压缩感知理论的移动荷载识别

引用

作者：刘焕林暨南大学

学位级别：硕士

移动荷载识别作为结构健康监测（SHM）的主要研究方向之一，是土木工程领域的热点研究问题。近几十年来，虽然研究者提出了多种移动荷载识别方法，但是这些方法仍存在许多不足，其中最主要的一个原因是移动荷载识别问题是一个反问题，... 详细信息

移动荷载识别作为结构健康监测（SHM）的主要研究方向之一，是土木工程领域的热点研究问题。近几十年来，虽然研究者提出了多种移动荷载识别方法，但是这些方法仍存在许多不足，其中最主要的一个原因是移动荷载识别问题是一个反问题，在噪声的影响下，无法较为准确地识别出移动荷载的大小。本文考虑正则化方法在移动荷载识别问题中的应用，并进一步结合压缩感知理论，进行移动荷载识别研究，着重开展了以下几个方面的研究工作：\n (1)综述了近年来的移动荷载识别方法，根据是否需要对桥梁结构的空间特性进行离散化，将移动荷载识别方法分为解析模型方法和有限元模型方法，介绍了各种方法的大致思路以及各自的优缺点；简要介绍了正则化技术在移动荷载识别中的应用以及正则化稀疏模型、压缩感知等概念。\n (2)提出了基于多参数正则化的移动荷载识别方法。经典的Tikhonov正则化方法对系统矩阵的各阶奇异值均采用相同正则化参数，所提出的新方法进一步考虑了响应与噪声对各阶奇异值的贡献比，对经典的Tikhonov正则化方法的滤波因子进行了修改。以每个奇异值给定不同正则化参数的方式作为多参数正则化方法的一个特例，进行移动荷载识别问题的求解。通过简支梁数值算例将该方法与经典的Tikhonov正则化方法进行比较研究，并研究了该方法的鲁棒性。\n (3)提出了基于压缩感知理论的移动荷载识别方法。首先构建了归一化后的移动荷载正交域，同时将正则化稀疏模型与移动荷载识别相结合，提出基于l1范数正则化的移动荷载识别方法，该方法在上述正交域稀疏求解并重构时域移动荷载。在此基础上，将压缩感知理论引入移动荷载识别领域，以压缩感知理论“采集”结构响应信号，构建低维空间移动荷载识别方程，并提出基于压缩感知理论的移动荷载识别方法。通过同样的求解过程，得到时域内的移动荷载。最后应用简支梁数值算例研究了两种方法的适用性以及各自的优缺点。\n (4)在实验室进行了空心方管梁的车桥耦合实验，验证了基于l1范数正则化和基于压缩感知理论的两种移动荷载识别方法的正确性和有效性。实验时，在不同的车速条件下，同时采集管梁应变响应和加速度响应，得到车致管梁弯矩和加速度响应数据。通过多工况响应数据组合，采用上述两种方法识别管梁移动车载，分别得到小车前后轴和整车荷载的时程曲线，同时与小车前后轴的质量和总重进行比较，并重构各测点弯矩和加速度响应，与原始响应数据进行比较研究，以期验证两种新识别方法。

关键词：桥梁结构移动荷载识别压缩感知正则化稀疏模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：