《长江信息通信》是什么级别的期刊?是正规期刊吗?能评职称吗?

面向组合惯性导航系统的x2故障检测与诊断基于联合卡尔曼滤波的异构网络数据信息融合方法基于改进K-means算法的分布式小水利发电集群划分方法基于卷积神经网络的输电现场作业风险告警方法浅谈“5G+MEC无人驾驶矿车”工业互联网应用案例基于太赫兹的通信感知—体化技术探讨—种用于星间相干激光通信的频偏估计算法面向TBO...

使用卡尔曼滤波平滑时间序列,提高时序预测的准确率

我们取目标时间序列(发电量),并用一种奇妙的工具使其平滑:卡尔曼滤波器,这是每个数据科学家都必须知道的。一般来说,在时间序列任务中,使用卡尔曼滤波的最大优点是可以使用状态空间形式来表示未观察到的组件模型。以状态空间形式表示时间序列模型的范围是可用性的一套通用算法(包括卡尔曼滤波),用于计算高斯似然,可以...

金融时间序列预测方法合集:CNN、LSTM、数学建模科研适用

金融时间序列预测方法合集：CNN、LSTM、随机森林、ARMA预测股票价格（适用于时序问题）、相似度计算、各类评判指标绘图（数学建模科研适用）1.使用CNN模型预测未来一天的股价涨跌-CNN（卷积神经网络）使用CNN模型预测未来一天的股价涨跌数据介绍open开盘价；close收盘价；high最高价low最低价；volume交易量；lab...

Social LSTM:一个预测未来路径轨迹的深度学习模型

从时间T??????????到T????????,他们使用之前的Social-LSTM单元的预测位置(x'????,y'????)来代替真正的坐标(x????,y????)。模型对比线性模型(Lin):作者使用现成的卡尔曼滤波器来推断线性加速度的轨迹。Collisionavoidance(LTA):作者报告了只使用避碰能量的社会力模型的简化版...

未来导航技术之一:地磁定位方法综述

典型的以卡尔曼滤波为核心的地磁匹配定位系统是桑迪亚惯性地磁辅助导航(SandiaInertialMagneticAidedNavigation,SIMAN),它借鉴了20世纪70年代中期由美国Sandia实验室提出的桑迪亚惯性地形辅助导航系统原理,其系统构成如图3所示[8]。图3SIMAN系统原理图

深度学习零基础进阶第三弹??|干货分享

《ContinuousDeepQ-LearningwithModel-basedAcceleration》采用了AdvantageFunction完成增强学习工作,但主要集中于变量连续行动空间(www.e993.com)2024年11月6日。而就像标题所言,为了加快机器经验获取,研究还用卡尔曼滤波器加局部线性模型。实验结果显示,这种方法比前一篇论文提及的DDPG要好些。

论文推荐| 李明晓:一种基于模糊长短期神经网络的移动对象轨迹预测...

如文献[6,9]提出基于高斯混合模型的轨迹预测方法,通过将轨迹划分为不同高斯过程分量实现位置预测;文献[10]利用卡尔曼滤波对移动轨迹进行平滑和拟合实现位置预测等。频繁模式挖掘轨迹预测主要通过挖掘移动对象历史轨迹,构建模式树和判别函数,通过寻找相似的频繁模式实现轨迹预测,如文献[12]综合考虑移动对象移动时空信息...