提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性

第一节 灰色系统的概念与基本原理 一、灰色系统理论产生和发展动态 二、几种不确定方法的比较 三、灰色系统理论的基本概念 四、灰色系统理论的基本原理 五、灰色系统理论的主要内容及特点 六、灰数 第二节 序列算子与灰色序列生成 一、冲击扰动系统与序列算子 二、缓冲算子公理 三、实用缓冲算子的构造 四、均值生成算子 五、序列的光滑性 六、级比生成算子 七、累计生成算子与累减生成算子 八、灰指数律 第三节 灰色关联分析 一、灰色关联因素和关联算子集 二、灰色关联公理与灰色关联度 三、灰色关联分析的应用举例 四、广义灰色关联度 五、灰色相对关联度 六、灰色综合关联度 第四节 灰色系统模型 一、GM(1,1)模型 二、残差 GM(1,1)模型 三、灰色系统模型的检验 四、应用举例 第五节 灰色系统预测 一、灰色预测概述 二、数列预测 三、古树屋边坡变形预测

在Petri网理论基础上,对ECA规则进行了建模研究,建立了基本Petri网模型.对如何用Petri网表示具有复合事件ECA规则进行了专门分析.提出了扩展的Petri网系统,并综合考虑ECA规则自身特性,建立了ECA规则系统Petri网模型,比较全面地反映了ECA规则系统特性.通过构建可达树和变迁序列,可以较为清楚地了解ECA规则系统及其行为特性,便于对规则系统进行合理性验证,以帮助系统管理员对其进行分析和管理

随着人类基因组计划的实施,通过基因组测序,蛋白质序列测定结构解析等实 验,分子生物学家提供了大量的有关生物分子的原始数据,需要利用现代计算技 术对这些原始数据进行收集、整理、管理以便于检索使用。而为了解释和理解这 些数据,还需要对数据进行比对、分析,建立计算模型,进行仿真、预测与验 证,因而出现生物信息学,它的出现,极大的促进了分子生物学的发展

连续信号x()=6c0S丌t,以采样间隔T=025对 其采样,求采样周期序列的频谱,并与原始信号 x(t)的频谱进行比较

连续信号x(t)=2cos6t+4sin10元t周期为1s, 以不同采样频率对其采样,①f1=16点/周期,② f2=8点/周期,分别求采样后周期序列的频谱,并 与原始信号x(t)的频谱进行比较

研究了一种基于特征变量的复杂生产过程预测模型.与传统的建模方法相比,该方法不需要经过机理分析,而从信息科学的角度出发,在对反映生产过程工况原始动态数据进行特征选择的基础上,运用时间序列分析法建立其预测模型.同时讨论了它的神经网络实现方法.仿真结果表明了该方法的可行性

针对经典人工蜂群算法收敛速率较慢,后期易陷入局部最优解的不足,本文将粒子群算法中\全局最优\的思想引入到人工蜂群算法的改进过程,从而形成了一种新的人工蜂群改进算法——粒子蜂群算法.首先,提出了趋优度的概念,用来衡量引领蜂在有限次迭代过程中向全局最优解靠近或远离的程度,趋优度值可以评价个体的\发展潜力\,趋优度值越低的个体,越需要增大变异的程度,以便找到质量更优的解.其次,专门设计了一种新的蜜蜂群体——粒子蜂,在引领蜂变异阶段根据趋优度的大小将引领蜂变异为侦查蜂和粒子蜂,粒子蜂的出现在很大程度上增加了种群的多样性,拓展了算法的搜索范围.然后,通过粒子蜂群算法种群序列是一个有限齐次马尔科夫链和种群进化单调性的分析,验证了本文所提算法的种群序列依概率1收敛于全局最优解集.最后,将本文所提算法应用于多个常见测试函数,并与经典蜂群算法、近年其他文献改进蜂群算法进行了仿真对比研究,仿真结果表明本文所提算法确实加大了种群的分散度、扩宽了搜索范围,从而具有更快的收敛速度和更高的寻优精度

天目山区域毛竹林优势取代阔叶林所致生物多样性降低的研究 乌蔹莓花序结构及其与生长繁育方式关系 天目山南大门草丛植物群落演替初期格局与机制探究 天目山灯下蛾类群落多度与体长的相关性探究 天目山低山地区两条路线7月常见鸟类比较和多样性估计 天目山灯诱昆虫多样性调查 不同成分糖醋液诱捕天目山昆虫的有效性探究 基于ITS序列对⻄天目⼭地区⼤型真菌的分类鉴定 探究喜旱莲子草的入侵程度对群落草食作用的影响 天目山倒木生物多样性研究 一年蓬及小飞蓬入侵程度对昆虫群落多样性的影响 蕺菜苞片在吸引昆虫访花过程中的作用

随着无人工厂、智能安监等技术在制造业领域的深入应用，以视觉识别预警系统为代表的复杂环境下动态识别技术成为智能工业领域的重要研究内容之一。在本文所述的工业级视觉识别预警系统中，操作人员头发区域由于其具有移动形态非规则性、运动无规律性的特点，在动态图像中的实时分割较为困难。针对此问题，提出一种基于SiamMask模型的时空预测移动目标跟踪算法。该算法将基于PyTorch深度学习框架的SiamMask单目标跟踪算法与ROI检测及STC时空上下文预测算法相融合，根据目标时空关系的在线学习，预测新的目标位置并对SiamMask模型进行算法校正，实现视频序列中的目标快速识别。实验结果表明，所提出的算法能够克服环境干扰、目标遮挡对跟踪效果的影响，将目标跟踪误识别率降低至0.156%。该算法计算时间成本为每秒30帧，比改进前的SiamMask模型帧率每秒提高3.2帧，算法效率提高11.94%。该算法达到视觉识别预警系统准确性、实时性的要求，对移动目标识别算法模型的复杂环境应用具有借鉴意义