时间序列分析是人类认识与探索自然规律的一种普遍方式。为了准确预测时间序列 数据，机器学习作为人工智能领域研究的基础，对复杂时间序列分析有着绝对的优势， 因此研究机器学习算法对分析时间序列有着重要的意义。针对传统时间序列分析方法对时间序列预测准确度不高问题，提出一种改进的SAMLSTM融合算法。通过研究目前针对时间序列预测效果较好且基于机器学习的通用算法支持向量机(SVM)与循环神经网络(RNN)的方法，发现SVM主要是对线性可分数据进行分类的方法，RNN虽然对序列有着保存以往信息能力，但容易发生梯度消失现象导致预测效果不佳。长短期记忆神经网络(LSTM)是为了解决RNN无法处理远距离长序列依赖问题，通过加入门结构方式很好地避免了发生梯度消失问题;自注意力机制(SAM)的目的是帮助模型对每个样本数据赋予不同的权重，提取出影响数据分析预测的关键信息。构建SAM-LSTM融合算法，综合两者算法的各自优势，实验选取电力负荷需求量数据和日最高温度气象数据，对比SVM算法、RNN算法、LSTM算法以及SAMLSTM算法对时间序列预测准确度及误差值...... 关键词:时间序列分析;机器学习;SAM

随着科学技术的不断进步，时间序列预测方法得到了很大的发展，目前常用的时 间序列方法有传统的时间序列预测方法和基于机器学习的预测方法。这些方法 使用方便，操作简单，预测精度高，在业界得到了广泛的应用，但是这些方法 用在不同的数据集中结果精度差距较大，不具有通用性。因此，目前很多研究 者采用组合预测方法和混合预测方法来提高这些预测方法的通用性，通过将不 同的传统时间序列预测方法和基于机器学习的预测方法相结合，充分利用各个 模型的优点，尽可能地提高时间序列预测的精度。 本文首先提出一种新的时间序列预测方法BP-SARIMA-ANFIS，该方法组 合了反向传播神经网络(BP)、季节性差分自回归移动平均模型(SARIMA)和自 适应模糊神经网络系统(ANFIS)。该方法首先用BP、SARIMA和ANFIS对原始 时间序列数据进行预测，然后取三种方法得到的预测结果的加权平均值。权值 系数在组合预测模型中有着非常重要的作用，本文采用微分进化算法(DE)优化 BP-SARIMA-ANFIS方法的加权系数。通过对澳大利亚新南威尔士州的电力负 荷数据进行模拟，并将BP-SARIMA-ANFIS方法的预测

当前，机器学习技术已广泛应用于工业、农业、交通、环境等各个领域。特别在农 业生产领域，由于农业信息化和精准农业的推广和实施，农业生产数据不断迅速增长并 大量积累，这大大增加了对信息技术的需求，尤其对机器学习技术的需求更加显著。然 而，由于农业生产问题的复杂性，对决策问题直接采用传统的机器学习方法往往达不到 理想的效果，因此如何构造最优的基于机器学习的农业智能决策方法是当前亟待解决的 问题。 本文重点研究利用群智能优化技术对现有若干机器学习技术进行改进，构建基于机 器学习技术的农业智能决策新方法，进而将这些新方法用于解决实际农业生产问题。我 们首先对随机森林、多目标聚类、支持向量机和核极限学习机等方法在计算精度、适用性 和稳定性方面存在的问题进行了探讨，提出了三维混沌果蝇优化技术、改进粒子群优化 技术、改进灰狼优化技术和多种群灰狼优化技术，然后分别对上述机器学习方法进行改 进，进而提出三维混沌果蝇优化的随机森林预测模型、改进粒子群的动态多目标优化诊 断模型、改进灰狼优化的支持向量机诊断模型、多种群灰狼智能演化核极限学习机预测 模型，分别用于水稻的虫害预测、病害诊断、缺素诊断和产量预测..

近似最近邻搜索算法研究与应用

基于SNMP的管理对于网络的稳定运行及发挥网络利用效率有着非常重要的作用。在介绍网络管理SNMP协议基本结构的基础上,设计了一个实用的网络管理系统。在该系统的设计中,对SNMP网络的设备搜索实行了改进,提出了拓扑搜索中唯一标识路由器的方法,并对作为拓扑搜索底层核心模块Ping命令实现过程进行了详细的阐述,分析了临界区的使用等技术。

音视频-图像处理-视频数字水印技术在版权保护中的研究及应用.pdf

区块链共识算法的研究与应用

人工智能-搜索引擎

人工智能-搜索引擎

人工智能-搜索引擎