W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

基于改进分布式极限学习机的电站锅炉NO_x排放预测算法

提出了一种改进的分布式极限学习机的电站锅炉NO_x排放特性建模方法。引入分布式和岭回归理论,提升了极限学习机预测算法的泛化性能和预测准确率。采用改进的MapReduce编程框架对提出的算法模型进行并行化改进,提高其处理大数据的能力。选用某660 MW电站锅炉提供的真实运行数据进行分析,并在Hadoop集群上进行实验,结果表明该模型对NO_x排放有着较好的拟合和预测能力,且提出的算法具有优异的并行性能。     

基于大数据的服刑人员危险性预测

在对监狱服刑人员再犯罪预测与危险性评估应用现状进行分析的基础上,提出了一种基于大数据的监狱服刑人员危险性识别与预测架构体系.在该体系的模型层,针对不同的价值密度、不同的数据类型,重点对架构中的统计模型、离群点检测模型、集成分类模型在服刑人员危险性识别与预测中的应用算法进行了描述,尤其是使用R软件包实验了服刑人员危险性集成分类识别与预测,并给出了分类预测误差.基于大数据的服刑人员危险性识别与预测体系可实现对服刑人员危险性的个性化、精准化预警,为大数据时代监狱的监管安全提供了可靠保障.     

基于遗传模拟退火三次指数平滑模型的中药材价格预测研究

目的基于遗传算法与模拟退火算法相结合建立新的平滑指数模型,以亳州中药白芍为例对亳州中药材价格进行预测和实证分析。首先利用遗传算法对种群进行优化,通过基因的遗传、选择、交叉和变异逐渐产生近似最佳解,在利用模拟退火算法对其进行修正,得到最佳平滑参数值,建立新的指数平滑模型,运用建立的遗传模拟退火三次指数平滑模型对亳州白芍的价格进行预测。结果表明对于中药材价格随着时间的推移,价格具有非线性等因素,通过遗传模拟退火方法可以得到最佳的平滑参数值,为指数平滑预测的价格与实际价格相差较小,说明建立的遗传模拟退火三次指数平滑模型具有一定的准确性。遗传模拟退火三次指数平滑模型适合药材价格的预测,能够为市场和政府部门对市场的中药材价格调控起到的决策指导作用。     

Hadoop集群效能建模与评价

随着大数据技术的研究深入,Hadoop集群效能问题越来越引起业界的关注.如何有效地利用计算资源,使有限的资源发挥出最大的效能,成为大数据应用中一个迫切需要解决的问题.本文对Hadoop集群效能进行建模研究,建立以Hadoop集群单位时间完成的任务量与消耗能耗的比值来定义的Hadoop集群效能度量模型,并且基于该模型给出测量Hadoop集群效能所需的参数和度量方法.对不同硬件配置的Hadoop集群,选取CPU密集型和L/0密集型任务进行效能测试与评价.由测试结果可以得出机架服务器组成的Hadoop集群适合处理TB级的大规模数据,而PC组成的Hadoop集群更适合在要求不十分苛刻的场景处理10GB级及以下的中小规模数据,对生产环境中的Hadoop集群选型具有一定指导意义.     

基于深度置信网的房屋价格预测模型研究

针对房屋价格不断变化的特点,介绍了一种基于大数据方法采用深度置信网络结构建立的房屋价格预测模型。该模型通过对影响房屋价格的多种因素与房屋价格关联深度的学习进行预测,可以辅助进行房屋价格变化预测的研究,其所用的数据是过去多年公开的房屋市场中已经成交的1 461套房屋的价格数据,并与机器学习领域中经典的偏最小二乘、人工神经网络、支持向量机模型的对比实验预测结果进行验证。结果表明,该模型在房屋价格预测上能够取得较准确的结果,能够有效进行房屋价格预测。     

基于X12-ARIMA和LSTM组合模型的城市蔬菜价格波动规律及预测

蔬菜产业是社会的主导产业之一,是国民经济的重要组成部分,获取准确有效的蔬菜价格波动信息是种植技术员安排生产以及市场价格调控人员实施决策的重要依据.以成都市莴笋价格为例,提出一种基于时间序列的X12-ARIMA和长短期神经网络(LSTM)组合价格数据预测模型,重点比较研究组合模型的预测效果.首先通过H-P滤波方法和CensusX12对价格数据进行分解,分析其波动规律,再使用X12-ARIMA模型对蔬菜价格序列进行预测,揭示其线性特征,最后利用LSTM模型对X12-ARIMA预测模型的误差序列进行建模预测,得到蔬菜价格波动的非线性规律,二者预测值之和就是组合模型的预测值.实验结果表明,成都市蔬菜价格有季节性循环等特性,且通过对比和分析显示,提出的组合模型预测精度更高和性能更优,可作为预测城市蔬菜价格异常波动的参考依据.     

基于大数据的云计算网络协同创新平台的研究

以云计算和大数据技术为理论基础,构建了一个具有"产学研"功能的网络信息协同创新平台,对该平台的"云"架构和功能模块进行了叙述,重点阐述了Hadoop云平台的工作模式。针对大数据环境下数据的稀疏性及扩展性等问题,提出了利用用户隐性行为数据在Hadoop平台上实施协同过滤算法,实现智能推荐,从而有效的提高了算法的执行效率。     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。     

基于Hadoop分布式支持向量机球磨机大数据建模

大数据时代环境下,火电厂大量数据被存储到数据库中而不能被充分利用,由于双进双出钢球磨煤机系统的复杂性,很难建立其准确的机理数学模型,为此提出一种基于大数据挖掘的建模方法.首先分析影响磨煤机料位的因素,提取现场海量的实际运行数据,在Hadoop平台下利用K-Means聚类算法删除离群点,利用主成分分析法(PCA)降维完成属性约简,然后在MapReduce架构上采用分布式支持向量机(D_SVM)建立模型,实现计算并行化.结果表明,采取该方法提高了建模效率,所建立的模型具有很高的精确度,且具有很好的泛化能力,该模型可以用于表征实际料位的特性.     

基于云计算的移动商业智能系统研究

针对传统商业智能系统在实时性、交互性和通用性上的不足,通过借鉴云计算强大的计算和存储能力,提出了一种Hadoop与关系数据库相结合的高实时移动商业智能系统解决方案．系统采用Hadoop架构替代数据仓库,实现了海量数据的分布式存储及分析计算,将高实时及高效请求交给处理效率更高的关系数据库,充分利用云计算的虚拟技术提升移动商业智能系统的海量数据处理能力;不仅降低了成本,更使得企业资源得到充分、灵活的应用,提高企业市场快速反应力与竞争力．     

基于R语言rpart包与party包的分类树建模研究

目的比较R语言中rpart包与party包所构建决策树的不同。两个不同的包所构建的模型可推广应用于其他领域的决策树分类问题。实验过程中涉及的数据预处理、分类树建模、模型可视化、测试的思路与方法,也可借鉴应用于其他领域的分类树建模预测工作。方法对R语言内置数据集iris应用分类回归树(classification and regression tree,CART)方法与条件推断决策树,并运用R语言实现并建立决策树模型。结果 rpart包所得决策树模型与party包所得决策树模型在预测iris测试集的准确率均为96.7%。结论 rpart包所得到的决策树与party包所得到的决策树在对iris测试集的预测效果上无差异。     

R语言在大数据处理中的应用

互联网数据的爆炸性增长催生了诸多海量数据存储与大数据处理的新技术,本文对基于Hadoop平台利用R语言进行大数据处理分析的方法进行了探讨。     

基于Hadoop和Spark构建可扩展的网络安全分析平台

在大规模网络环境背景下,采用Hadoop和Spark计算框架构建一种低成本的可扩展性的大数据安全分析检测平台,使用离线模型生成与在线检测相结合的方式对异构网络数据进行分析,在海量数据流环境中实现实时安全分析检测.实验结果证明:基于Hadoop和Spark的大数据安全分析平台具有优秀的可扩展性及高效处理能力,能够满足安全大数据的分析与检测要求,并能有效地应对海量数据的安全分析检测任务.     

基于Spark和梯度提升树模型的短期负荷预测

利用Spark平台对电力用户侧的大数据进行分析,提出基于梯度提升树的并行负荷预测方法.首先对历史负荷和天气数据集进行并行化分割处理,并采用特征提取与转换方法获取到预测模型所需的特征向量;然后合理设定Spark集群节点数以及调节Hadoop分布式文件系统(HDFS)分块大小;最后将参数调优后的梯度提升树模型部署到Spark分布式平台上进行训练与预测,并将该模型预测结果与其他预测模型进行精度比较.研究结果表明:通过合理划分HDFS中存储块的大小能有效提高集群对于大数据处理的效率,分布式梯度提升树算法在快速性与准确性上均有比较大的优势,能够满足电力负荷预测的要求.     

适应性市场假说在比特币市场上的检验

适应性市场假说认为金融市场就像一个生态圈,个体会犯错、会不断地学习并去适应,市场具有动态特征.针对适应性市场假说检验缺乏定量研究的现状,该文从动态市场效率的角度对适应性市场假说在比特币市场进行检验.研究结果表明,使用复杂熵平面来度量市场效率,比特币市场的有效指数是不断变化的,结果支持适应性市场假说.其次,采用向量误差修正模型对比特币的价格进行了建模和预测,在较小的误差范围内预测比特币价格.     

一种新型面向普适计算的软件体系架构模型

针对普适计算背景下超大型信息系统体系架构建模和描述存在的局限性,提出了一种面向"社区"的体系架构(COA)模型.COA提供了新的巨型信息系统建模与描述方法,以及超大型信息系统规划与设计的新思路.在COA模型中,Community作为对单个Agent的聚合,成为一种新的建模元素,正如构件是对象的集成和聚合一样.通过在传统的WRIGHT语言基础上进行适当语法扩充,以及在操作语义层面采用通信序列进程(CSP),形成一种面向COA的新型体系架构描述语言.最后,结合一个普适计算的具体应用场景,给出了一个基于COA的体系架构的描述实例,并阐述了COA模型在普适计算环境中的作用和意义.     

一种基于MDA的领域对象建模工具

基于MVC架构,设计并实现了采用元对象设施(meta object facility,MOF)的四层模型分层管理架构对象建模工具,应用两阶段建模理论,将传统的建模工作分解为元建模和传统建模两个阶段.对特定领域进行分析后,使用改进自MOF元语言的XKL语言实现领域建模.结果表明,该建模工具提高了开发效率,减少了重复开发.     

基于双向差分GM(1,1)模型当季国内生产总值预测

以灰色系统理论建模中的GM(1,1)模型为基础,结合双向差分原理,建立基于双向差分的GM(1,1)模型.该模型克服了大数据建模中对数据量的限制,为"贫数据"及"数据信息不确定"的这类数据提供一种建模思路.实证分析表明,基于双向差分的GM(1,1)模型预测精度优于灰色GM(1,1)模型及大样本建模中的ARMA模型.     

面向Hadoop的大数据取证研究

大数据解决方案的分布式架构、海量数据存储、内存数据存储等特点给针对Hadoop的电子数据取证带来了巨大的挑战。概述了传统计算机取证的流程、要点以及在大数据取证过程中的局限性。以Hadoop为例,从Hadoop取证生态系统角度介绍了大数据解决方案的架构,分析了大数据取证的数据源、方法、流程、工具等,为调查人员进行大数据调查取证时提供参考。