- A+
信号实训总结范文第1篇
关键词：变电站综合自动化；装置；硬件结构；插件；培训
中图分类号：TM411+.4 文献标识码：A 文章编号：
在变电站综合自动化培训教学中，学员要熟悉变压器、线路、电容器等设备的保护装置、测控装置、保护测控装置及各种自动控制装置。若在每个具体装置中都全面介绍装置的结构和工作原理，不但重复太多，浪费时间，而且也不容易全面深人地介绍清楚，且不利于学员理解掌握。因此在培训中，都要对各种装置的共性部分进行统一介绍，即介绍装置的基本结构、原理与接线。下面就装置部分教学培训工作进行总结，与大家分享。
一、装置的典型硬件结构 装置部分教学培训中，首先要把装置的典型硬件结构弄清楚。成套的综合自动化系统中微机保护系统、监控系统、自动控制系统等装置都是由若干模块组成的，它们的硬件结构都是大同小异，所不同的是软件及硬件模块化的组合与数量不同。一个变电站综合自动化系统中各种子系统的典型硬件结构主要包括模拟量输人/输出回路、开关量输人/输出回路、微机系统、人机对话接口回路、通信回路和电源。
装置采用统一硬件平台，变电站综合自动化装置硬件采用整体面板、国际标准机箱。装置强弱电彻底分离，CPU板采用印刷板、表面装贴技术，提高了装置的可靠性。装置采用统一数据库处理，在设计装置功能模块时提炼不同功能应用信息的共性，建立一个统一的应用功能数据机构模块，包含每种功能所需的一切信息，形成功能程序的统一的开发平台，降低了功能模块程序开发的难度，提高了功能模块程序的可靠性。
二、模拟量的输入/输出回路 1.模拟量的输入电路。变电站综合自动化系统采集的一次设备的电流、电压、有功功率、无功功率、温度等都是属于模拟量，由于微机只能识别数字量，故模拟信号必须转换成数字信号才能输人到微机中进行处理。
2模拟量输出电路。培训中简要说明模拟量输出电路的组成、数/模(D/A)转换器工作原理。
三、开关量输入及输出电路
开关量输人、输出电路是非常重要的教学内容。学员只有明白了断路器、变压器分接头的位置状态是如何被采集和输出后才能更好地工作。
1.开关量输入电路
开关量输入电路的基本功能就是将变电站内需要的状态信号引人微机系统，如断路器状态、继电保护信号等。开关量输人电路由消抖滤波电路、信号调节电路、控制逻辑电路、驱动电路、地址译码电路、隔离电路等组成。
2开关量输出回路
开关量输出电路主要是将CPU送出的数字信号或数据进行显示、控制或调节，如断路器跳闸命令和屏幕显示、报警信号等。开关量输出电路与输人电路基本一样。简单的开关量输出主要包括保护的跳闸出口以及本地和中央信号等，一般都采用并行接口的输出来控制有触点继电器(干簧或密封小中间继电器)的方法，但为提高抗干扰能力，最好也经过一级光电隔离。
四、微型机系统和变电站综合自动化算法
微型机系统的CPU是由一片大规模集成电路芯片制成，不仅能进行算法逻辑运算，还能执行各种控制功能。配备一定容量的存储器、输人/输出设备的接口电路及系统总线。计算机监控系统都应具有数据采集和输出控制部分，这两个部分构成了基本测控单元的主要内容。数字信号处理器(DSP)是一种经过优化后用于处理实时信号的微控制器。
在变电站综合自动化系统中，计算机对采样值进行分析、计算得到所需的电流、电压的有效值和相位以及有功功率、无功功率等量，或者算出它们的序分量，或者线路和元件的视在阻抗，或者某次谐波的大小和相位等，并根据这些参数的计算结果以及定值，通过比较判断决定装置的动作行为，而完成上述分析计算和比较判断以实现各种预期功能的方法就称为变电站综合自动化系统算法。其主要任务是如何从包含有噪声分量的输入信号中快速、准确地计算出所需的各种电气量参数。培训中要说明研究算法的目的主要是提高运算的精确度和提高运算的速度。算法的运算速度将影响自动化装置检测量的检测和自动化装置的动作速度。变电站综合自动化系统中保护和监控对算法有不同要求。
五、人机对话、通信和电源插件
1.人机对话
主要介绍人机对话微型机系统的硬件原理、键盘响应电路、屏幕(液晶)显示电路、打印机的接口电路、多机通信和巡检开关、人机对话插件等。重点讲清人机界面操作和命令菜单使用说明。
2.通信插件
通信插件承担着装置的管理和通信任务，是承接装置与夕卜界通信及交换信息的管理插件，如与面板、PC调试软件、监控后台、工程师站、远动、打印机等的联系，根据保护的配置组织上送遥测、遥信、SOE、事件报文和录波信息等。
3.电源插件
每个装置均有一个独立的开关电源，向其他插件供电，此开关电源与插件面板构成电源插件(又叫电源模件)。培训中要重点说明输出电压的作用。输出电压十SV为CPU及其芯片提供工作电源;15V为模拟输人回路运放提供工作电源;+24V为开出、开人回路提供电源。 六、操作回路 培训中分两个方面介绍操作回路。一是介绍断路器操作回路的原理框图，让学员明白操作回路的基本原理;二是让学员看懂实际的操作回路。 1断路器操作回路的原理
首先介绍断路器操作回路总体上分为合闸回路和跳闸回路两大部分，介绍合闸回路和跳闸回路的工作过程。手动操作时可选择遥控操作或就地操作。当就地/遥控选择开关打至遥控”位置时在后台机上手动遥控操作;当就地/遥控选择开关打至“就地”位置时工作人员在装置上就地操作断路器。然后介绍自动操作时保护接点通过连接压板直接接人控制电源进行断路器操作，并介绍防跳回路的作用和原理。最后介绍位置信号、控制回路断线和事故信号。
2.断路器操作回路实例
断路器操作回路的原理框图与实际操作回路还有一些距离，为了学员更好地工作，还需要讲解断路器实例操作回路，如南瑞继保电气有限公司RSC-941A型装置操作回路和南自IOKV线路保护测控柜断路器操作回路。
七、测控装置
测控装置用于各种电压等级的变电站中，综合考虑变电站对数据采集、处理的要求，以微机技术实现数据采集、控制、信号等功能。采用现场测控网络与安装于控制室的中心设备连接，依靠变电站自动化系统的间隔测控单元实现全变电站的监控。装置完全按照间隔单元实现测量、记录、监视、控制等功能，能够满足各种电压等级的变电站综合自动化系统的要求。
信号实训总结范文第2篇
[关键词] 单个警察综合演练组织实施
单警综合演练，是在完成单个警察基本技、战术训练的基础上，按实际执法需要，将相关训练科目有机地结合起来，在模拟执法现场进行的多情况、高难度的仿真训练，是单警技、战术训练的高级阶段。目的是检验单警对基础训练科目的掌握情况，为下一步警种分队战术学习创造条件。组织和实施单警综合演练，必须在充分准备、周密实施和认真总结三个方面下功夫。
一、科学组织，充分准备
做好单警综合演练准备，是指训练的组织者在完成各项单警训练之后，综合演练实施之前，根据单警综合演练的需要，所进行的单警综合训练的场地、器材以及计划勤务等一系列准备工作。它是保证单警综合演练能否顺利进行的重要前提，与其它训练准备相比，单警综合演练准备工作的难度大，强度高，危险因素也比较多，因此，要求组织者必须高度重视，科学组织，充分准备。
1.选择、设置综合演练场地
综合演练场地，通常由组织者根据大纲、教材和有关规定统一设置。应尽量选择在地形环境比较生疏、复杂和便于设置各种情况，便于多方向演练，安全系数大的场地上，并能满足演练内容的要求。
2.确定综合演练方法，明确人员分工
综合演练一般采取流水作业的方法实施，有条件的也可采取交叉或平行作业的方法进行。调理可全程实施，即一个调理员负责一个组（批次）作业的全过程调理，也可分段实施，即设地段调理员，各负责一个地段的调理，调理的方法以定点调理与跟随调理相结合的方法进行。在此基础上，规定各项准备工作的内容及完成时限。
3.拟制综合演练实施计划，进行演练编组
综合演练实施计划是组织实施演练的基本依据，应根据演练的目的、课目和时间制定。其内容包括：演练内容，情况、地点、情况演示方法、演练步骤、调理员的工作和联络信号以及可能的行动。一般以表格式进行表述。由于综合演练参训人员多、时间紧，而且要进行警械、武器的实际操作。因此，必须制定严格的安全措施，提出明确要求。
4.准备综合演练器材
综合演练器材通常分为两类，一类是非消耗性器材，如各类警械、警戒带、模拟匕首、砍刀、自制手枪等；一类是消耗性器材，如催泪弹、发烟、各类子弹等等。组训者应根据演练实施计划和保障能力，拟制器材使用计划，并及时上报请领或组织自己制作。
5.组织导调小组
单警综合演练的导调小组，通常由任课教官组成。教官组长或教研室主任担任导演，负责演练的组织与指挥。各教官担任调理员，分别负责一个波次或一个地段的调理工作。导调小组成立后，应及时学习演练实施方案，明确分工、职责、相互关系及配合的方法等。
6.培训勤务保障人员
主要是培训情况演示人员、警戒人员、通信保障人员、现场救护人员等。情况演示、警戒人员通常应培训两到三组，以便在演练中适时调换。情况演示和警戒人员应由责任心强、技战术学习比较好的学员或辅助教官担任，视情况力争做到一人多用。培训时，应首先给情况演示和警戒人员明确编组、任务和分工，提出要求，尔后组织学习演练实施计划、情况演示计划以及器材的使用方法。在此基础上，给每个人定位置、定情况、定时机、定信号，并组织专门练习，使其任务清、方法明、情况熟。通信员一般由辅助教官担任；救护人员由校卫生所的医生、护士或经过培训的卫生骨干担任，培训时重点明确任务、方法和措施。
二、周密组织，严格实施
实施单警综合演练，是指在受训干警完成所有技、战术训练的基础上，对干警体能、技能、智能素质的综合考核验收的实施过程。目的是综合检验受训干警对体能、技能和智能的运用能力和小组的协同能力。实施单警综合演练，应在完成单警综合演练准备的基础上，结合演练的场地、参演的人数以及演练的科目内容等，周密组织，严格实施。
1.宣布提要，派出情况演示人员和警戒人员
受训分队到达演练场地后，演练导演应调整队形，清点人数，组织验枪，检查警械，整理着装、装具、器材，宣布课目、目的，提出要求，明确演练编组、顺序和各项规定；尔后命令通信员发出警报；调理员、警戒员、情况演示人员做好一切保障准备；最后指挥第一演练组进入预定位置。
2.检查有关情况，发出演练开始信号
演练导演要认真检查调理、勤务保障人员是否完成各项准备、演练现场是否有无关人员活动等情况。准备就绪后，令通信员发出演练开始信号，有关人员向第一演练组分发标记弹、器材，并督促演练人员按规定做好准备。
3.分组、逐次进行演练
单警综合演练的组织形式很多，根据演练课目的不同，其演练的形式方法也各有差异。演练小组按规定完成准备后，调理员向第一演练小组下达“占领推进准备位置”口令，并开始计时，第二小组按计划随后占领预备位置，演练依次进行。演练开始后，调理员应紧随受训对象行动，灵活运用口述情况或指挥情况，演示员通过显示情况的方法，诱导受训对象依演练内容的先后顺序逐次演练。口述情况应简明扼要，演示情况应及时准确。凡是演示的情况，应让受训对象自行观察、处置，以锻炼受训对象观察现场、分析情况和灵活应变的能力。当受训对象出现判断或行动失误时，应以补充情况加以诱导，一般不得中止作业，遇到特殊情况确需中止作业时，应同时停止计时。同时，应认真观察受训对象每一处置环节，及时评定其成绩，控制其行动，及时发现、排除各种故障和险情。模拟射击、爆破时，注意观察每支武器的射击方向，每次射击之后应提醒（下转第44页）受训对象关闭保险，运动中严禁队形交叉和人员重叠。分段调理时，应做好地段之间的交接，不得影响受训对象作业。演练中，组织者要亲自观察，及时掌握情况和演练进度，视情况逐点进行检查，发现问题及时纠正。每组演练完毕后，调理员应终止计时，组织验枪，收缴剩余标记弹；指挥其按指定路线到指定位置集合；组织验靶，登记成绩；记录其完成本地段或全程作业的时间；尔后，组织下一组继续演练。当需要替换勤务保障人员时，应首先通知有关人员替换的时机，然后发出演练暂停信号，令勤务保障人员按规定路线快速撤回和进入位置，待替换完毕后，再发出演练开始信号，指挥其余人员逐次演练，直至所有参演人员演练完毕。
信号实训总结范文第3篇
关键词： 模拟训练器； 遥控武器站； 3DSMAX； Virtools； Qt
中图分类号： TN964?34 文献标识码： A 文章编号： 1004?373X（2014）04?0097?04
Research of simulation shooting trainer for a certain remote control weapon station
YANG Shuo， TIAN Xing?ke， CUI Xiao?ying
（China North Vehicle Research Institute， Beijing 100072， China）
Abstract： The simulation trainer of fire control system is a new training equipment adapted to modern information warfare. A design scheme of shooting trainer is proposed for the fire control system of a certain remote control weapon station. Proceeding from hardware and software， the implementation method of each module is introduced in detail. The signal conditioning box was designed to achieve communication among different signals from the modules. 3DSMAX and Virtools are used to realize and drive three?dimensional virtual battlefield environment and the target. The display and control interface consistent with the real equipment was designed by means of Qt. The simulation results show that the design of shooting trainer can meet the training needs.
Keywords： simulation trainer； remote control weapon station； 3DSMAX； Virtool； Qt
0 引 言
坦克等装甲车辆是现代战争中不可或缺的重要作战装备，但也是对手打击的重点目标。怎样降低装甲车辆的损失一直是各国现在研究的重点，遥控武器站便是在这样一种情况下形成的产物[1]。所谓遥控武器站，又称顶置武器站，是将武器配置在顶置炮塔上，而车辆乘员在车舱内通过遥控实现对武器操纵的一种武器装备。遥控武器站克服了传统炮塔对空间的需求，外形将变得更矮小，易于隐蔽；遥控武器站还可以有效降低因二次效应对成员和装备造成的伤害。
由于遥控武器站自身结构和操纵的复杂性，为在作战中充分发挥其威力，车辆乘员必须经过长期的训练。然而随着现代战争模式的快速转变，传统的经验归纳式训练已远不能满足当前战争模式对装甲车辆乘员训练水平的要求，各国一直在探寻如何使车辆乘员能够在短时间内熟练的操作遥控武器站。近年来虚拟现实技术的出现和发展，使装甲车辆模拟训练成为可能[2?3]。
本文设计了一种基于虚拟现实技术的遥控武器站模拟射击训练器，该模拟射击训练器所采用的设备与某型遥控武器站的实装完全一致。由于实装火控计算机硬件资源限制，在文中采用工控机替代火控计算机实现数据处理。在硬件方面，设计了一种信号调理盒，以完成各个模块间不同信号类型、不同接口间转换。在软件方面，通过3DSMAX完成了战场环境及目标的三维建模，通过Virtools完成了模型的视景驱动，采用Qt搭建了系统所有显控界面。最后通过串口协议实现了模块间的数据传输，完成了基于虚拟现实技术的模拟射击训练器设计。
1 系统总体框架
本文设计的遥控武器站模拟射击训练器主要由5个模块组成：操纵手柄、信号调理盒、工控机、显示与控制终端和电源供电模块。系统整体框架如图1所示。各子模块的功能作用描述如下：
图1 系统整体框架
1.1 操纵手柄
操纵手柄采用双手操作与开关按钮相结合的实现方式，通过双手对手柄垂直/水平方向的旋转实现理想高低/水平方向的角度位移输入，手柄上的开关按钮负责击发复位、激光测距复位、光学变焦、自动装填弹复位等动作信号的输入功能。采用DSP处理器对角度位移信号和开关按钮信号进行处理，并通过RS 422总线将处理后的两种信号送入到信号处理盒中。
1.2 信号调理盒
由于各模块之间的输入/输出信号、电压及接口类型上的差异，必须要有硬件装置实现各不同类型信号接口的转换，才能使各模块的信号正确地传输，以上实现均在信号调理盒中完成。
1.3 工控机
工控机作为整个系统的核心，接收来自操纵手柄的角度位移信号和开关按钮信号，驱动可视化引擎，实现视景偏移、测距、击发和爆炸等动作，同时将视景信号传输至显控终端，实现三维可视化显示；同时工控机还接收来自显控终端的系统设
置指令（校炮，弹种与工作模式选择，不同视角的画面切换等），指令处理后反馈至显控终端，完成人机交互下不同需求的显示。
1.4 显控终端
显控终端采用电路基板与功能单元板组合的形式，完成信号接收处理和显示，同时具备不同显示需求的设置功能。
1.5 电源模块
完成各个模块不同需求的供电。
2 系统硬件设计
该模拟器系统中操纵手柄与显控终端为实装产品，可直接使用。鉴于不同模块间的信号协议不同、接口形式不同及工作电压的不同，本文设计了一种信号调理盒实现了信号调理、电源供电、电气接口转换等功能。信号调理盒连接工控机和其他模块，是系统所有信号的中转纽带，其工作原理如图2所示。图中实线代表数据信号，虚线代表电源信号。
工控机输出为VGA信号，而显控终端仅接收LVDS信号，两种信号类型不同，需将VGA信号转换成LVDS信号。本文设计了信号调试板，通过主要系统编程微控制器芯片SM5964和Realtek公司平板显示控制芯片RTD2013B实现对信号的解码、转换和编码等功能，将VGA信号正确转换为LVDS信号。工控机输入采用的是RS 232串口形式，而操纵手柄和显控终端采用的是RS4 22串口输出，因此在信号调理盒中通过内置芯片实现RS 422到RS 232的转换。显控终端及操纵手柄采用接插件形式传输数据及视频信号，而工控机接受的是DB9等形式的接口输入，因此在信号调理盒中要实现接口转换。显控终端及操纵手柄需要24 V供电，因此还需要在信号调理盒中采用开关电源S?50?24将220 V电压进行变压处理。
图2 信号调理盒组成图
3 视景仿真软件总体设计
视景仿真软件是模拟射击训练系统的核心组成部分，通过三维视景仿真技术，构造坦克等目标的三维模型，根据训练需求虚拟逼真的战场环境，如此可代替真实的战斗场景输入，实现在整车不上电的条件下即可进行射击训练[4]。整个视景仿真软件可分为仿真环境建模与视景驱动2个部分，其组成结构如图3所示。仿真环境制作主要包括：模型设计、场景构造、纹理设计制作、特效设计等，它要求构造出非常逼真的三维模型和制作逼真的纹理和特效；视景驱动主要包括：场景驱动、模型调动处理、分布交互、大地形处理等，它要求高速逼真地再现仿真环境，实时响应交互操作等。
3.1 基于3DSMAX的仿真环境制作
3D Studio MAX，简称3DSMAX，是目前使用最为广泛的三维建模、虚拟现实建模的软件之一。3DSMAX 是一个集成化环境，把模型的建立、绘图和渲染以及动画制作3大部分集成在一起，利用 Windows 的图形化界面，在一个窗口中即可完成场景建立、渲染和动画制作等各项工作[5]。
图3 视景仿真内容
本设计选用3DSMAX对地形、植被、敌对坦克等进行3D匹配建模，不仅可以满足模拟器训练的实时性和真实感的要求，而且营造了交互性好、沉浸感强的虚拟战场环境。大致的制作步骤可分成如下2个步骤：
（1） 建模前需要参照大量的实景和目标照片，建模过程需要对照这些实景和目标的三视图作为依据，把握好透视比例，完成素模制作。这一步骤会大量运用到挤压、倒角、布尔及线段的圆角和渲染功能；
（2） 完成了素模建立后需要对模型进行贴图，其中对于一些复杂模型（坦克，装甲车等目标），还需使Photoshop对其进行纹理绘制[6]。
3.2 基于Virtools的视景驱动设计
本文通过Virtools设计了击发、校炮、二次瞄准等效果。Virtools是一套具备丰富的互动行为模块的实时3D环境虚拟实境编辑软件，其具备交互性强、开发难度低、易学易用、可扩展性强等特点[7]，并且可以与三维软件无缝结合，渲染效果好，能够保证虚拟实验具有较高的沉浸感和仿真性，因此本文选用Virtools作为交互功能的实现平台。
首先利用 Virtools ExPorters输出插件将上述基于3DSMAX制作的场景、模型输出成Virtools可直接调用的.nmo格式文件[8]。然后将模型.nmo格式文件添加到Virtools中，组合运用其各类Building Blocks（互动行为模块，简称BBs） 去实现设计好的交互功能，整个虚拟实验开发完成后，要进行反复的测试，找出程序流程中出现的错误和不足，不断的进行调试、完善和优化。同时为了实现Virtools 交互程序的可重用性，本文还利用Qt对Virtools 交互程序进行二次开发，其核心是将Virtools输出的.cmo文件以控件的形式嵌入到Qt工程中[9]，利用Qt中的QAxWidget类对.cmo文件进行控制。
3.3 基于Qt的界面设计
由于本文设计的是基于实装的模拟训练器，因此除视景部分外应该给士兵与实装完全一样的视觉效果。本文采用Qt对参数输入、系统各项指标显示等界面进行了设计。
Qt 是一个多平台的C++ 图形用户界面应用程序框架。它完全面向对象，有良好的封装机制，模块化程度高，可重用性好，容易扩展，允许真正的组件编程，提供给应用程序开发者建立艺术级图形用户界面所需的功能，提供了信号/槽机制替代回调函数，使组建间信号传递更安全、简单[10]。它拥有强大类库具有跨平台开发环境。本文选取Qt制作屏显界面，设计流程图4所示，具体过程为：
（1） 程序初始化，加载初始界面；
（2） 读取串口数据，判断是否有输入；
（3） 根据读入的串口数据及来源进入不同的槽函数，若无输入继续等待；
（4） 若是显控终端的串口有数据输入，则根据当前页面号用switch语句对不同Widget进行changestatus（由于屏显界面切换十分复杂，要穷举所有的显示状况，因此采用分块设计方式，将屏显区域划分为4个部分。在一个project下创建并创建4个widget，分别为：TOP WIDGET，RIGHT WIDGET，WINDOW WIDGET，BOTTOM WIDGET）。Break后继续等待串口输入；
（5） 若是操纵手柄串口有数据输入则对应视景的变化，如行进、瞄准、测距、二次瞄准、射击等。之后继续等待串口数据输入。
4 仿真结果
通过视景仿真、界面设计本文完成了基于某遥控武器站模拟射击训练器的设计。通过Qt制作生成的界面如图5所示，通过3DSMAX构建的敌方坦克模型及最终的模拟射击训练的效果如图6所示。本文设计的模拟射击训练器，可以在遥控武器站不上电且不需要其他装甲车辆等真实目标的情况下，对操作人员进行有效而逼真的训练。由仿真结果可知，该设计满足遥控武器站对模拟射击训练的需求。
5 结 语
本文对遥控武器站模拟射击训练系统进行了初步研究，根据其特点，确定了系统的总体框架；设计了一种信号调理盒实现了不同模块间的数据传输和接口转换；利用视景仿真技术及Qt界面设计完成了技术仿真环境制作与视景驱动。
图4 基于Qt界面设计流程图
图5 模拟训练器综合显控终端效果图
最后通过对系统的仿真验证了本文设计的遥控武器站模拟设计训练器满足基本射击训练任务的需求。基于此设计的思想，可以进一步开发装甲车辆其他系统的模拟训练器。
图6二次瞄准及击发效果图
参考文献
[1] 张宇，胡永明，胡正良.无人化遥控武器站[J].兵工自动化，2011，27（4）：33?34.
[2] 赵清华，林学华，孙少斌.坦克嵌入式射击训练仿真系统设计与实现[J].指挥控制与仿真，2011，33（2）：64?67.
[3] 尹国华.基于Vega Prime的坦克虚拟仿真训练系统的设计与实现[D].大连：大连理工大学，2012.
[4] 张广明.某新型坦克驾驶模拟训练系统视景仿真设计与研发[D].大连：大连理工大学，2011.
[5] 孙嗣良.基于3DSMAX /Creator/VP的复杂坦克建模关键技术研究[J].系统仿真技术，2010，6（3）：241?246.
[6] 李娟.三维仿真在汽车驾驶模拟训练中的应用[D].长春：吉林大学，2010.
[7] 张豫南.装甲车辆电气设备虚拟维修训练系统[J].计算机应用，2011，31（1）：199?201.
[8] 王鹏，刘文甫，欧阳海波，等.基于HLA/Virtools的高炮武器系统仿真平台设计[J].系统仿真学报，2013，25（8）：1940?1946.
信号实训总结范文第4篇
关键词:模块化生产线; 资源共享; RS-232C总线
1 引言
在工业控制领域,传统的现场控制方式已经越来越不能满足工业自动化的要求,这种控制方式不但耗时、费力而且很不完善。工业自动化控制系统发展到今天,随着通讯技术的不断提高,摆脱了以传统的现场控制方式为主体的控制方式,出现了利用上位机通过现场总线通信来控制生产线的全新模式。本设计中的控制系统是针对FESTO公司生产的模块化加工生产系统设计的现场总线网络控制系统。
德国FESTO公司的MPS(Modular Production System)模块化生产加工教学与培训系统,是一个完整的面向自动化控制技术的培训系统,它由多个模块组成,是一个完全开放型的操作系统,操作人员可根据不同的需要进行各种模块的组合、扩展和控制。MPS系统很接近实际工业生产系统,因此基于MPS系统的培训在大学工科教学中是很有实际意义的。
但MPS教学培训系统价格昂贵、数量有限,为了最大限度的利用MPS教学培训系统的资源,充分提高实验设备的利用率,并在有限的时间内取得最佳的教学效果,因此需要设计一套完善的资源分配与管理系统,通过资源的优化配置实现资源共享、分时选用等要求。本文对实现资源共享的总线网络系统的结构、功能以及软硬件设计内容进行了描述。
2 总体方案设计
德国FESTO公司的MPS模块化自动加工生产线是一套模拟加工生产线教学与培训设备,可以由西门子公司的S7-300型可编程控制器——PLC作为控制系统,对整个自动加工生产线进行过程控制。
总线网络系统设计所要解决的核心问题是:对控制MPS自动生产线的可编程控制器———PLC实现资源共享。所谓资源共享用一句简单的话来描述就是“多选一”和“一选多”。“多选一”就是指多台PC机可以分时与同一台PLC进行通讯,实现多台PC机对MPS生产线的某一个工作站进行控制;而“一选多”就是指某一台PC机能够分别与多台PLC进行通讯,实现一台PC机对MPS生产线的多个工作站进行控制。
在进行总线网络系统设计时,首先要确定硬件设计方案,也就是把总线网络系统中的硬件环境设备——多台PC机和多台PLC,通过硬件电路设计有序的连接在一起,再配合一些必要的其他设备实现资源共享和分配管理工作。为了实现多台PC机对PLC资源共享,本设计提出了一种以一台单片机为控制站的总线网络设计方案。这一总线网络设计方案是由多台PC机,一台AT89C51单片机,通过RS232总线和总线适配电路实现对PLC的资源共享。
要通过总线网络实现资源共享,除了完善的硬件环境外,还必须开发相应的通讯程序与之匹配。通讯程序设计分为两个部分:一是单片机的通讯程序设计,二是PC机的通讯程序设计。单片机通讯程序是利用汇编语言编写的源程序,它的主要功能是轮询各PC机,以便接收PC机发出的联机申请,并根据申请内容发送联机许可信号。PC机通讯程序是应用现成的编程软件来设计的,它的主要功能是发送联机申请并接受联机许可信号。这些通讯程序不是独立的,它需要与总线网络的硬件适配电路相配合,两者只有共同作用才能够实现资源共享和优化管理。
3 总线网络的硬件设计
总线网络的硬件设计就是要设计能够实现资源共享和分配管理的总线适配电路。总线适配电路由两部分电路组成,一部分是单片机轮询电路,另一部分是资源共享电路。总线适配器电路所要完成的主要工作是:由作为控制站AT89C51单片机采用轮询的方法,通过RS-232C总线接收各PC机发出的联机申请信号和联机机号等信息,单片机经程序分析后向该PC机发出允许联机信号,并发出指令接通PC机所要连接的PLC的控制信号线,接下来就可以把在PC机已编好的程序通过总线RS-232C下传到PLC,实现PLC的资源共享。
3.1 单片机轮询电路设计
单片机要轮询各PC机发出的联机申请,就是要实现PC机与单片机之间的通讯,在实现PC机与单片机之间的通讯时,通常采用标准串行总线通信接口RS-232C。RS-232C是在异步串行通讯中应用最广的标准总线。PC机与单片机最简单的连接是零调制三线经济型,这是进行全双工通信所必须的最少线路。PC机与单片机、PLC通过9芯标准插座连接。本设计的单片机轮询电路由CD4052芯片和MAX232芯片组成。CD4052芯片是双路、四通道模拟多路转换器,一片CD4052芯片可实现对四台PC机进行轮询。MAX232是实现把RS-232C电平转换为TTL电平的电平转换专用集成芯片。单片机轮询电路原理如图1所示。
图1 单片机轮询电路原理图
3.2 资源共享电路设计
资源共享电路设计是要实现“多选一”和“一选多”的功能。即多台PC机可以分时与同一台PLC进行通讯,而某一台PC机能够分别与多台PLC进行通讯。本设计采用以RS-232C总线和多位数据选择器为核心的集成电路方案。该集成电路通过设计成行列结构形式的开关网络电路来实现资源共享。PC机与PLC的通讯也采用标准串行总线通信接口RS-232C,用最简单的三线连接方式,因此本设计选用CD4053芯片作为数据选择开关。CD4053芯片是三路、双通道模拟多路转换器。以四台PC机共享五台PLC为例,开关网络电路需要四乘五总共二十个数据选择开关,即要用二十个CD4053芯片排列成四行五列(或五行四列)的行列结构形式,构成资源共享电路,电路原理如图2所示。
图2 资源共享电路原理图
控制信号线
RS-232C总线
当单片机轮询到某一台PC机要与某一台PLC联机通讯时,由单片机给与之相连的相应的CD4053芯片控制信号线发出控制信号,使该芯片的开关通道接通,实现某一台PC机与某一台PLC联机通讯。
4 总线网络的通讯软件设计
4.1 PC机通讯程序的设计
PC机通讯程序是要实现PC机发送联机申请信号,并可接收单片机发回的联机许可信号等。为此要设计一个如图3所示的控制面板。
图3 控制面板示意图
在总线网络系统通讯中,是采用询问与应答的方式进行通信联络。为保证通信的可靠性及信息传递的准确性,故为通信中主要的命令字制定了一个简单的通讯协议。PC机通信软件和单片机软件命令字约定如下:
该命令字有八位数据组成,其中最高两位为命令字,最低三位为PLC机号,中间三位为PC机机号。
00XX XXXX 为PC机退出联机命令字;
01XX XXXX 为PC机申请联机命令字;
10XX XXXX 为单片机允许联机命令字;
11XX XXXX 为资源占用命令字。
PC机通讯程序完成的功能是当PC机要与某台PLC的进行联机调试时,先在控制面板的对话框中输入由两位申请联机命令字、三位PC机机号和三位PLC机号组成的字符串,点击确定按键,此时PC机通讯程序将这八位字符串通过RS-232C总线发送给单片机的串行口;当该台PLC没有被占用时,接收单片机发回的联机允许信号,并点亮控制面板上的绿色指示灯;一旦该台PLC已被占用,则接收单片机发回资源占用信号,并点亮控制面板上的黄色指示灯;当PC机与某台PLC的联机调试完成,则在控制面板的对话框中输入由两位退出联机命令字、三位PC机机号和三位PLC机号组成的字符串,点击确定按键,此时PC机通讯程序将这八位字符串通过RS-232C总线发送给单片机的串行口,并关断控制面板上的指示灯。点击退出按键,则退出通讯程序。
PC机通讯程序是应用VB编程软件来设计的。控件MSComm可设置串行通讯的数据发送和接收,对串口状态及串口通讯的信息格式和协议进行设置。它是一个标准的十位串口通讯,包括八位标准数据位、一个起始位和一个停止位。
4.2 单片机通讯程序的设计
在单片机与PC机进行数据通信的过程中,每次通信是由相应的PC机发送命令数据帧,单片机通讯程序完成的功能是通过串行口轮询接收PC机发出的命令字符,并对此字符进行分析判断,以确定哪台PC机与哪台PLC联机,当该台PLC没有被占用时,再由软件发出联机控制信号给两者对应的开关芯片,使该芯片导通,则使该台PC机与所选定PLC的进行联机调试,并给PC机发回允许联机信号。一旦该台PLC已被占用,则给PC机发回资源占用信号,暂缓联机。当PC机结束与PLC的通讯后,向单片机发送退出信号,单片机接到该信号后断开开关芯片,继续轮询。
AT89C51单片机内部有一个可编程的全双工串行通信接口,可以同时进行数据的发送和接收。串行通信是采用工作方式1,波特率9600b/s,单片机接收数据和发送数据采用查询方式。定时器T1选用工作方式2,初值为FDH,晶振频率11.0592HZ。
5 结束语
本文从最大限度地发挥MPS生产线的价值的角度出发,本着优化资源管理与配置的思想,围绕MPS生产线开展的大量、基础性的且有使用价值的设计工作。本设计不仅可以充分利用MPS教学培训资源,使MPS生产线的工作效率得到提高,还可以实现辅助教学,实现了实验室管理的智能化、网络化,并可以激发学生学习兴趣,对于学生认识了解现代工业自动化技术领域的知识,增强他们的实践能力都是非常有益的。
本文作者创新点:采用CD4053芯片作为数据选择开关,设计了行列结构形式的开关网络电路来实现资源共享。
参考文献
[1] 李全利,仲伟峰,徐军.单片机原理及应用 [M].北京:清华大学出版社,2006
信号实训总结范文第5篇
关键词：分段线性表示；高斯过程分类；股票交易信号；概率预测；投资策略；风险偏好
中图分类号： TP181
文献标志码：A
Integrating piecewise linear representation and Gaussian process classification for stock turning points prediction
LI Feng1， GAO Feng1*， KOU Peng2
1.System Engineering Institute， Xian Jiaotong University， Xian Shaanxi 710049， China
；
2.College of Electrical Engineering， Xian Jiaotong University， Xian Shaanxi 710049， China
Abstract：
Focusing on the prediction issue of the price turning point in stock trading process， a prediction algorithm of stock price turning point， named PLRGPC， was proposed based on Piecewise Linear Representation （PLR） and Gaussian Process Classification （GPC）. The algorithm extracted the turning points of the historical stock price series by PLR， and classified the points with different labels. A prediction model of the stock price turning point was built based on GPC， and it was trained with the turning points extracted by PLR. Eventually， the model could predict whether a new price would be a price turning point， and could explain the result with probability. An experiment on the real stock data was carried out among PLRGPC， PLRBPN （PLRBack Propagation Network）， and PLRWSVM （PLRWeighted Support Vector Machine）. It showed that the PLRGPC had higher forecast accuracy than the other two algorithms， and its rate of return was higher than PLRBPN， almost equal to PLRWSVM. The experimental result proves that the PLRGPC is effective on stock turning point prediction and it can be applied in the actual stock investment trading.
英文关键词Key words：
Piecewise Linear Representation （PLR）； Gaussian Process Classification （GPC）； stock trading signal； probabilistic prediction； investment strategy； risk preference
0引言
时间序列的分析预测问题一直是一个研究热点，在时间序列问题中金融股票价格的分析和预测是一个重要的研究领域。现有对股票价格的预测研究主要有两种方法[1-2]：一种是关注短期内股票价格变化的预测，该研究方法不仅需要解决数据高频变化带来的问题，同时在实际应用中不适合中长期投资交易；另一种研究方法关注对股票价格转折点的预测，进而确定股票交易信号。实际投资中，在股票价格转折点处进行交易能够获得最优的收益，因此认为股票价格转折点是股票最佳交易信号[1-4]。通常，相比价格的短期变动，价格转折点之间具有更长的时间间隔，可以避免股票数据高频变化带来的影响。如果能对股票价格转折点进行准确的预测，就能够确定股票的交易信号，从而给投资者带来更大的收益。然而，对股票交易信号的预测需要解决转折点提取、预测模型建立等一系列问题，导致目前仍没有很好的预测方法。
对股票交易信号进行预测的首要问题是如何确定股票价格历史数据中的交易点即转折点。如何提取历史数据中具有交易价值的转折点是一项困难的工作，国内国外的很多学者对这一问题进行了深入研究并取得了大量成果[5-7]。除了传统的离散傅里叶变换[8]以及小波分析[9]等方法外，Chang等[2]将分段线性表示（Piecewise Linear Representation， PLR）应用到股票历史数据转折点的提取问题中，取得了一定成果。PLR算法能够准确地将股票价格历史数据分成不同的类型，输出的相邻段之间的连接点恰好可以表示股票价格趋势的变化，同时其阈值的选取具有很好的灵活性，可以适应不同的投资类型（短、中、长期）。
股票交易信号预测所需解决的第二个问题是如何对股票价格与特征（各种股票价格指标）之间的关系进行建模，进而对交易信号进行分类预测。近年来，利用BP神经网络（Back Propagation Network， BPN）、支持向量机（Support Vector Machine， SVM）等方法在股票价格预测问题上均取得了较好的研究成果。如Zhang等[10]研究了应用BPN解决股票预测中如训练集最优化长度、神经网络输入选取等问题。Chang等[2-3]应用BPN对股票交易信号与影响因素之间的关系进行了建模研究。Cao等[11]应用带有附加参数的SVM算法对股票价格预测进行了研究。特别地， Chang等[2-3]在对股票交易信号进行预测的研究中综合了PLR与BPN算法，PLR算法用来提取历史数据中的转折点，BPN算法则用来对关系进行建模。Luo等[1]采用了加权的支持向量机（Weighted Support Vector Machine， WSVM）对股票价格与影响因素之间的关系进行了建模研究。文献[1-3]的研究结果表明，PLRBPN与PLRWSVM算法都能够较好地对股票交易信号进行预测，具有一定的准确率，相比基本的买入持有投资策略能够获得更高的收益率。BPN与SVM在机器学习领域得到了大量应用[11-12]，但其数学基础导致分类不具有实际概率意义，应用于股票预测不能对投资信号进行概率解释，因而对于不同风险偏好类型的问题缺少一定的灵活性。
高斯过程分类（Gaussian Process Classification， GPC）[12]具有严格的数理统计基础，与BPN和SVM相比具有易实现、超参数自适应获取等优点，输出结果具有实际概率意义，可对预测结果作出概率解释，在时间序列预测问题中取得了较好的研究成果[13-14]。
本文结合PLR与GPC形成PLRGPC股票交易信号预测算法，其中：PLR算法用于提取历史数据中的转折点，GPC算法用于对股票价格与特征之间的关系进行建模。最后将预测结果准确率及交易决策收益率与PLRWSVM算法以及PLRBPN算法进行了分析对比，并对GPC的概率预测结果进行了分析。
1PLR算法原理
采用PLR算法对股票价格历史数据中的转折点进行提取。将股票价格历史数据表示成近似的线段组合，则两条线段之间的交点即是股票价格的转折点，通常认为股票价格的转折点即为最优交易点。
PLR算法将一个时间序列T={y1，y2，…，yl}表示为近似的线性分段的形式，即：
TPLR={L1（y1，y2，…，yt1），L2（yt1+1，yt1+2，…，yt2），…，Lk（ytk-1+1，ytk-1+2，…，yl）}
（1）
其中：ti表示第i段的结尾点，Li（yti-1+1，yti-1+2，…，yti）（1≤i≤k）表示点序列yti-1+1，yti-1+2，…，yti的近似替代直线。由于ti表示曲线移动趋势的变化，因而通常将ti称作转折点。
本文中选取自顶向下的递归方法来线段化股票收盘价格数据，采用线性插值方法生成近似线。自顶向下算法首先扫描整个过程数据，找到最佳分割点，将序列分为 2个子序列，计算子序列的拟合误差。文中拟合误差选择垂直距离（序列中各点到序列首尾连线的最大距离）。如果子序列最大拟合误差大于阈值δ，用同样方法将子序列再次划分成2个子序列，直到所有子序列的拟合误差都小于设定阈值δ。
图1显示了对同一股票时间序列作PLR运算的结果。股票数据来源为雅虎数据库，选取代码为sh600053的股票，时间范围为20100104―20110818，参数δ分别选取为005、0.1、0.2。从图1可以看出阈值δ对股票序列转折点的提取结果有很大影响，对不同股票选取合适的阈值δ是必要的。
2高斯过程分类
基于高斯过程可以构建出回归与预测两类问题[15]。高斯过程分类是建立在贝叶斯推理框架下的一类有监督分类算法，最早用于解决非线性实值预测问题，与BPN和SVM相比其输出结果具有概率意义，可用于解决概率预测问题[16]。
假定模型的训练数据集为D=（X，y），包含N个数据样本，其中：X=[x1，x2，…，xN]T是训练集样本组成的矩阵，y=[y1，y2，…，yN]为对应样本矩阵的目标向量。对于样本集中的每个训练样本xi∈Rd（i=1，2，…，N），对应的目标值即类别标签yi∈{-1，1}。对于一个新的测试样本的输入向量x，其类别标签是未知的，高斯过程分类通过计算后验概率π（x）=p（y|D，x）来预测x所属的类别。
引入隐函数f，对于一个输入向量xi，其属于某一类别的概率与该隐函数的值f（xi）成单调递增的函数关系。
通过将逻辑对数（logistic）函数应用于隐函数f得到类概率的值，逻辑对数（logistic）函数为：
λ（z）=11+exp（-z）
（2）
于是得到π（x）=λ（f（x））。
通常将分类问题分为两个步骤，首先就是需要计算对应一个输入测试值的隐变量的分布情况，即：
p（f*|X，y，x*）=∫p（f*|X，x*，f）p（f|X，y）df
（3）
式中p（f|X，y）是隐变量的后验，即：
p（f|X，y）=p（y|f）p（f|X）/p（y|X）
（4）
通过隐函数f*的分布得到一个输入变量类别的预测概率：
*p（y*=+1|X，x*，f）=
∫ σ（f*）p（f*|X，x*，f）df*
（5）
进而将作为测试点x属于类别+1的概率。
式（5）中积分直接计算比较困难，通常有两种近似化分析方法进行近似计算：一种是拉普拉斯近似化方法（Laplace）[13]，另一种是期望传播近似化（Expectation Propagation， EP）方法[14]。本文中高斯过程分类器的实现采用Laplace近似法实现，此处不作推导，推导过程可详见文献[17]。
对于样本类标签为（+1，-1）的二元分类，GPC的结果中测试样本的隐函数均值以0为分界线分布于0平面上方或下方，输出结果的正类概率分布于（0，1）区间内。
通常，对二元GPC的输出进行简易判断，即当样本属于正类的概率π>0.5时，将其划为正类；否则，将其划为负类。但股票交易十分复杂并且具有不确定性，可能导致出现极少或者极多的概率预测结果超过0.5，此时按照上述分类方法效果不好。然而注意到，GPC输出具有实际概率意义，代表了分类结果的可信度，在预测概率普遍不高（0.5）的情况下，可以灵活选取正负类的分类阈值，在保证输出结果概率意义的条件下获得更好的分类效果。
3基于PLR与GPC的股票交易信号预测
本文综合PLR与GPC算法形成PLRGPC股票交易信号预测算法，PLR算法用于提取股票每日收盘价历史数据中的转折点，GPC算法用于对股票价格与特征之间的关系进行建模。为了客观地说明PLRGPC股票预测算法的收益情况，选取了现今在实际投资领域较为常用的两种决策方法来衡量PLRGPC预测算法的收益能力。
3.1模型输入特征
模型的输入变量是影响交易信号的特征。在股票预测问题中，输入变量的选择十分重要，通常选择一些股票技术分析指标；，如移动平均线（Moving Average， MA）、相对强弱指数（Relative Strength Index， RSI）、【成交量（Trading Volume， TV）、威廉指标（Williams%R， WR）、随机指标（KDJ）、平滑异同移动平均线（Moving Average Convergence/ Divergence， MACD）[1]等。此外许多学者也提出了大量的技术分析指标来分析预测股票交易信号；
而为了增加输入变量的信息量，本文还参考文献[1]增加了一些在股票市场研究中较为新颖的技术分析指标作为输入特征。这些指标的具体说明如表1所示。
本文增加的第一个是价格振幅指标ALT（Amplitude of the price movement）表示一个交易日中价格的振动幅度，定义如下：
ALT=[HP（i）-LP（i）]/LP（i）
（6）
其中：HP（i）为第i个交易日的最高价，LP（i）为第i个交易日的最低价。ALT反映了股票的活跃程度，如果某只股票的ALT为0，表明这只股票活跃程度为0，往往其收益率较低。
另一个增加的特征指标是K线指数（Index for the Type of KLine， ITL），定义如下：
ITL=
1，CP（i）>OP（i）
-1，其他
（7）
其中：CP（i）为第i个交易日的收盘价，OP（i）为第i个交易日的开盘价。ITL对投资者的情绪有重要影响，当ITL=1时表明股票价格升高，对购买股票是一个积极影响；ITL=-1则对股票购买来说具有消极影响。
除了ALT与ITL之外，本文还选取了乖离率BIAS、10天ROC指标、顺势指标CCI、心里线指标PSY、买卖动力指标AR、买卖意愿指标BR、14天正方向变动指标DIP14以及14天负方向变动指标DIM14等技术指标作为输入特征变量。表1显示了本文所选取的输入特征变量。
3.2数据样本集构造
在时间序列分析中，通常将整个数据集分成一系列相互覆盖的训练测试数据集。本文将股票每日收盘价格历史数据分成了一系列相互覆盖的训练测试数据集，使得数据可以得到更好的利用并且降低了数据的时变特性。图2显示了重叠分区中的两个连续的训练测试数据集。
图2两个连续的训练测试集示意图
假设数据集的总长度为r，每个训练测试数据集中训练集的长度为r1，测试集长度为r2，则整个数据集被分成相互覆盖的训练测试集的数量为：
对于训练集和测试集数据的选取需综合考虑算法模型本身要求及实际应用情况。测试集的长度r2不能选择过长，否则会造成训练模型失效；同时也不能选择过短，这样会频繁更新模型，使得计算量过大。对于训练集的长度r1不能选择过短，否则训练数据集过少，不能够对模型进行很好的训练；而r1如果选择过大，会导致训练集数据过多，不仅加大了运算量而且降低了模型的预测准确度。
3.3PLRGPC预测模型
本文综合PLR与GPC结合形成PLRGPC算法。通过PLR可以提取股票每日收盘价格历史数据中的转折点，根据提取的转折点可以将股票价格序列分成三类，即高位转折点、低位转折点和非交易点：低位转折点应该是交易过程中的最佳买入点，高位转折点应该是交易过程中的最佳卖出点。通过对转折点与非交易点进行分类标记，可得股票历史数据的类别标签。在GPC对关系进行建模前，需要选择合适的特征向量，特征向量通过对股票交易中的各种数据进行分析与处理得到。同时，为降低股票数据的时变性影响，将股票每日收盘价数据合理地划分为训练集和测试集。通过GPC算法在训练集上进行训练，获取股票价格与特征之间的关系模型，然后以测试数据作为该模型的输入，通过输出判断测试集数据的类别，判断输入数据是否为价格转折点。
GPC采用OnetoRest的二元分类方法。将全部股票收盘价数据分为三类：峰值点、波谷点以及其余普通点。PLR提取转折点后，对数据作两次独立的标记处理，两次分类标记分别为{峰值点（+1），普通点（-1）+波谷点（-1）}与{波谷点（+1），普通点（-1）+峰值点（-1）}，然后分别对这两个分类进行学习与预测，通过GPC可以得到股票价格转折点的预测结果，如图3所示。同时在PLR函数中将收盘价进行归一化处理，提高准确性。
图3PLRGPC算法原理
高斯过程分类算法输入：根据3.1节，已经提取出包括股票当日收盘价格以及与价格相关的各项特征在内的共29个特征（CP，OP，HP，LP，MA5（5天的滑动平均值，下同）， MA6， MA10， MA20， MA30， MA60， WMS， KDJ_K， KDJ_D， KDJ_J， RSI， ALT， ITL， BIAS5， BIAS6， BIAS10， BIAS20， MACD， ROC10， CCI， PSY， AR， BR， DIP14， DIM14）。
高斯过程分类算法输出：股票交易信号分类结果的概率值。通常选择分类阈值为0.5，即输出概率值大于0.5时认为是交易信号（+1类），输出概率值小于0.5时是非交易信号（-1类）；同时，根据不同的风险偏好情况选择不同的分类阈值，以适应不同风险偏好情况的投资策略。
确定了算法的输入输出，需要对模型训练样本进行构造。设xi为第i日股票价格特征向量，从数学上xi是一个1×29的行向量；yi为根据PLR算法对训练集样本中转折点的标记结果，则yi=±1；xi与yi共同组成了训练集样本对。假设训练集共有r1个交易日的数据，则训练集中输入部分的数据为X=[x1，x2，…，xr1]T，训练集中输出部分为y=[y1，y2，…，yr1]T。当进行预测时，输入为测试集时间段内的特征向量x*，同样也为一个1×29的行向量，而此时的输出即为分类结果。X、 y与x*共同组成了训练数据集D=（X，y）。
综上，可总结PLRGPC算法流程如下：
输入
股票历史数据集D，PLR参数δ，训练集长度r1，测试集长度r2；
输出
待选转折点交易信号及其概率。
算法流程：
1）根据3.2节计算方法计算股票价格特征向量M，并加入数据集D中。
2）归一化数据集D和特征向量M。
3）计算训练测试集数量q。
4）将i置为1。
5）当i≤q时：
a）从数据集D中选择第i个训练测试集；
b）根据给定的参数δ计算第i个训练测试集中的转折点；
c）根据计算出的转折点对数据集中的收盘价格进行两次分类标记，分别标记出买入点和卖出点；
d）使用第i个训练集对预测模型进行训练；
e）使用训练好的模型对第i个测试集进行分类计算；
f）令i=i+1。
6）综合q次测试集分类结果，输出待选转折点交易信号及其概率并计算分类准确率。
4实验分析
本文设计了两个实验来评估PLRGPC算法在实际股票投资中的收益情况：实验一衡量PLRGPC算法的预测准确率及收益情况，实验二考察PLRGPC算法的概率预测应用。
4.1算法评价指标
对股票预测算法的评价指标主要包括投资收益率与预测准确率两方面。
4.1.1收益率
选取实际股票投资中较常用的两种投资交易方式来衡量算法的收益率：第一种投资方式为单买全卖型（投资决策一），第二种投资方式为全买全卖型（投资决策二）。
单买全卖型投资方式：在该投资方式下，每当出现买入信号时，总是以资金的一份作为购买资金买入股票，而当出现卖出信号时，总是卖出全部所持有的股票。
全买全卖型投资方式：在该投资方式下，如果出现买入信号，总是用所有的现有资金买入当前股票；而当出现卖出信号时，总是卖出全部所持有的股票。
收益率的计算方法如下：
pm=（bm-vm）/vm
（9）
其中：pm代表投资收益率，bm代表最终持有资金，vm代表初始资金。
4.1.2预测准确率
预测准确率定义为预测结果与测试集上PLR算法结果的匹配程度，其计算方法如下：
Acc=N′/N×100%
（10）
其中：Acc表示准确率，N′表示对测试集进行预测结果的交易信号与PLR算法结果相匹配的数量，N表示对测试集预测得出交易信号的总数量。
4.2PLRGPC算法实验结果分析与对比
本部分考察GPC分类概率阈值选为0.5时的算法准确率及实际收益情况。实验数据来源为雅虎数据库，选取自上海证券交易所上市交易的20只股票数据对PLRGPC算法进行预测实验。每只股票均选取自20080925―20110818时间段内，该时间段内分别大约含有600个交易日收盘价数据。选取交易日数据中后部约200个交易日数据作为测试数据，前400个交易日数据数据作为训练数据集。为考察预测算法在股票不同变化趋势下的准确率及收益率情况，将这20只股票分成三类：上升股、下降股以及平稳股。其分类标准是：如果在测试集数据段时间内最后一个交易日的收盘价比初始交易日的收盘价低10%及以上，则这只股票属于下降股；如果该段时间内最后一个交易日的收盘价比初始交易日的收盘价高10%及以上，则这只股票属于上升股；否则属于平稳股。
所选股票中，有9只股票属于下降股（代码：sh600736， sh600197，sh600211， sh600694， sh600351， sh600488， sh600054， sh600019， sh600058），6只股票属于平稳股（代码sh600682， sh600597， sh600066， sh600881， sh600228， sh600697）以及5只股票属于上升股（代码：sh600107，sh600053， sh600051， sh600163， sh600167）。
GPC输出结果具有实际概率意义，表明分类结果的可信度。可对正类的概率划分阈值进行自定义选取，在保证交易点个数的情况下，寻求最佳的概率划分阈值，不仅能够获得更高的收益率，并且不同概率阈值的选取对应不同的风险投资策略，对不同风险偏好者的投资策略选择具有重要的指导意义。
在PLRGPC算法中，某些参数的选取对分类的准确度以及收益率存在影响，比如PLR算法的参数δ对训练集有很大影响，同时GPC中协方差函数的选取以及迭代次数的选择对算法的准确性也有很大影响。在后续的研究中，可以将GPC参数的最优化选取作为研究切入点，进一步提高算法的准确性以及投资收益率。
参考文献：
[1]
LUO L， CHEN X. Integrating piecewise linear representation and weighted support vector machine for stock trading signal prediction [J]. Applied Soft Computing， 2013， 13（2）： 806-816.
[2]
CHANG PC， FAN CY， LIU CH. Integrating a piecewise linear representation method and a neural network model for stock trading points prediction [J]. IEEE Transactions on Systems， Man， and Cybernetics， Part C： Applications and Reviews， 2009， 39（1）： 80-92.
[3]
CHANG PC， LIAO T W， LIN JJ， et al. A dynamic threshold decision system for stock trading signal detection [J]. Applied Soft Computing， 2011， 11（5）： 3998-4010.
[4]
ABUMOSTAFA Y S， ATIYA A F. Introduction to financial forecasting [J]. Applied Intelligence， 1996， 6（3）： 205-213.
[5]
KEOGH E， CHU S， HART D， et al. An online algorithm for segmenting time series [C]// ICDM 2001： Proceedings of the 2001 International Conference on Data Mining. Piscataway： IEEE， 2001： 289-296.
[6]
KEOGH E， CHU S， HART D， et al. Segmenting time series： a survey and novel approach [J]. Data Mining in Time Series Databases， 2004， 57： 1-22.
[7]
WU H， SALZBERG B， ZHANG D. Online eventdriven subsequence matching over financial data streams [C]// Proceedings of the 2004 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2004： 23-34.
[8]
AGRAWAL R， FALOUTSOS C， SWAMI A. Efficient similarity search in sequence databases [C]// FODO 93： Proceedings of the 4th International Conference on Foundations of Data Organization and Algorithms， LNCS 730. Berlin： Springer， 1993： 69-84.
[9]
CHAN KP， FU WC. Efficient time series matching by wavelets [C]// ICDE 1999： Proceedings of the 15th International Conference on Data Engineering. Washington， DC： IEEE Computer Society， 1999： 126-133.
[10]
ZHANG D， ZHOU L. Discovering golden nuggets： data mining in financial application [J]. IEEE Transactions on Systems， Man， and Cybernetics， Part C： Applications and Reviews， 2004， 34（4）： 513-522.
[11]
CAO L J， TAY F E H. Support vector machine with adaptive parameters in financial time series forecasting [J]. IEEE Transactions on Neural Networks， 2003， 14（6）： 1506-1518.
[12]
ZHANG Y， LU R， LUO Y. Electrooculogram assisted electromyography humanmachine interface system based on multiclass support vector machine [J]. Journal of Computer Applications， 2014， 34（11）： 3357-3360. （张毅，刘睿，罗元.基于支持向量机多分类的眼电辅助肌电的人机交互[J].计算机应用，2014，34（11）：3357-3360.）
[13]
KOU P， LIANG D， GAO F， et al. Probabilistic wind power forecasting with online model selection and warped Gaussian process [J]. Energy Conversion and Management， 2014， 84： 649-663.
[14]
KOU P， GAO F， GUAN X. Sparse online warped Gaussian process for wind power probabilistic forecasting [J]. Applied Energy， 2013， 108： 410-428.
[15]
LI Z. Network traffic forecasting model based on Gaussian process regression [J]. Journal of Computer Applications， 2014， 34（5）： 1251-1254. （李振刚.基于高斯过程回归的网络流量预测模型[J].计算机应用，2014，34（5）：1251-1254.）
[16]
RASMUSSEN C E， WILLIAMS C K I. Gaussian processes for machine learning [M]. Cambridge： Massachusetts Institute of Technology Press， 2006： 7-102.
[17]
WILLIAMS C K I， BARBER D. Bayesian classification with Gaussian processes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998. 20（12）： 1342-1351.
