检索结果-内蒙古大学图书馆

暨南学报（哲学社会科学版） 2023年第3期45卷 123-132页

作者：张琳北京工业大学经济与管理学院北京大学数量经济与数理金融教育部重点实验室

本文构建一个基于人工智能的中国股票价格预测模型,并探究预测效果异质性的原因。根据理论及现实,股票价格主要受利率、市场行为、技术指标以及公司价值因素等影响。对沪深两市具有代表性的个股价格进行预测的实证研究发现:股价预测值... 详细信息

本文构建一个基于人工智能的中国股票价格预测模型,并探究预测效果异质性的原因。根据理论及现实,股票价格主要受利率、市场行为、技术指标以及公司价值因素等影响。对沪深两市具有代表性的个股价格进行预测的实证研究发现:股价预测值与真实值多数时间吻合,日度数据模型与月度数据模型预测精度偏差平均值分别落在1.7%和8%的水平内,且引入控制变量利率的稳健性检验并没有明显的变化产生。进一步的异质性研究给出,模型变量——自身股价、成交量、估值,是股票价格预测效果差异化的理论及现实影响因素。从而为我国政策当局、市场投资指数以及金融机构提供参考、建议和依据,共同维护股票市场的健康稳定乃至金融稳定。

关键词：人工智能长短期记忆网络lstm 股票价格预测异质性

来源：评论

学校读者我要写书评

暂无评论

经验模态分解的单通道呼吸信号自动睡眠分期

引用

应用数学进展 2023年第6期12卷 2788-2801页

作者：白雨欣令狐荣乾北方工业大学理学院北京

睡眠是人体基本的生理需求,可以保证机体的生长发育、为机体储蓄能量、维持机体免疫等。对睡眠质量的准确评估是认识睡眠障碍并采取有效干预措施的关键。如果用经验丰富的睡眠专家进行人工睡眠分期是比较耗时并且主观的。目前,研究人员... 详细信息

睡眠是人体基本的生理需求,可以保证机体的生长发育、为机体储蓄能量、维持机体免疫等。对睡眠质量的准确评估是认识睡眠障碍并采取有效干预措施的关键。如果用经验丰富的睡眠专家进行人工睡眠分期是比较耗时并且主观的。目前,研究人员提出了许多准确、有效、有针对性的睡眠分期方法。比如,基于深度学习以及经验模态分解算法的单通道电脑信号自动睡眠分期方法,它被成功地用于呼吸信号(RESP)的睡眠分期,该方法为呼吸信号分解和睡眠阶段自动识别提供了新途径。本文采用的呼吸信号数据集来自SHHS,它是一个中心队列研究,用来确定睡眠与呼吸障碍的心血管和其他病症的数据库。首先,我们对SHHS数据库中的单通道呼吸信号进行了分析,以便更好地了解人类睡眠情况。其次,利用经验模态分解算法(EMD)对预处理后的呼吸信号进行分解,从原始呼吸信号和分解出的6个简单信号中提取时域、非线性动力学、统计学等方面的9个特征。最后,使用长短期记忆网络(lstm)构建分类模型,将提取的呼吸信号特征进行分类识别,实现自动睡眠分期。实验结果表明,在4类和5类睡眠分期任务中,SHHS数据库的呼吸信号自动睡眠分期准确率分别为89.22%和88.43%。实验结果表明,本文提出的自动睡眠分期模型具有较高的分类精度和效率,具有较强的适用性和稳定性。

关键词：经验模态分解算法长短期记忆网络lstm 呼吸信号特征提取睡眠阶段分类

来源：评论

学校读者我要写书评

暂无评论

基于AFS-lstm模型的电力负荷预测研究

基于AFS-LSTM模型的电力负荷预测研究

引用

吉林省电机工程学会2022年学术年会

作者：张阔杨红柳王万鑫马超张智飞官明帅张玉婷国网通化供电公司

电力负荷预测是保障电网安全稳定的关键因素。针对于现有的电力负荷预测算法精确度不足的问题,本文提出了AFS-lstm的电力负荷预测算法。在lstm模型的基础之上使用人工鱼群算法来解决lstm模型在采用反向传播算法容易陷入局部最优的缺点,... 详细信息

电力负荷预测是保障电网安全稳定的关键因素。针对于现有的电力负荷预测算法精确度不足的问题,本文提出了AFS-lstm的电力负荷预测算法。在lstm模型的基础之上使用人工鱼群算法来解决lstm模型在采用反向传播算法容易陷入局部最优的缺点,进而提高电力负荷预测的准确度。实验结果表明,采用本文提出的模型进行负荷预测,其精准度较传统的RNN、GRU、lstm算法准确性更高,验证了本算法对提升负荷预测准确度的有效性。

关键词：短期电力负荷预测长短期记忆网络lstm 人工鱼群(AFS)优化算法

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：