一种预测木聚糖酶最适温度的PCANN模型

采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,构建F/10家族木聚糖酶氨基酸组成和最适温度的主成分分析神经网络(PCANN)模型.结果表明,当学习速率为0.07、动态参数为0.8、Sigmoid参数为0.96,隐含层结点数为5时,模型对温度拟合的平均绝对百分比误差为4.97%,绝对误差为3.03℃.同时,方法具有良好的预测效果,预测的平均绝对百分比误差为4.68%,平均绝对误差为3.55℃.     

基于住户差异性的住宅建筑在室行为预测模型

现有住宅建筑在室行为预测模型缺乏对住户差异性的合理考虑,导致模型往往存在整体预测精度不高和适用性受限等问题.针对这一问题,提出一种考虑住户差异性的马尔可夫链在室状态预测模型.该模型首先通过Spearman相关性分析确定了不同影响因素(即特征参数)与住户总在室时长的相关性,将相关系数作为特征参数权值并结合聚类分析对住户群体进行分类.在此基础上采用马尔可夫链模型对住户在室状态进行预测.为评估所建立预测模型的性能,以英国TUS(Time Use Survey)数据库为例,将改进模型与传统马尔可夫链模型进行对比分析.结果表明,该方法能够综合考虑不同住户特征参数及其对在室行为的影响,对住户进行合理的分类,与传统马尔可夫模型相比,所建预测模型显著提升了整体性能,平均绝对误差和均方根误差分别减小了20.57％和15.35％.     

基于指数三角函数的灰色预测模型研究与应用

基于函数变换理论,提出了对建模数据进行αcos(x)(α>1)变换,理论上证明了这种变换可以有效地提高建模数据序列的光滑度.拓广了灰色模型的应用范围,实例验证了所建GM(1,1)模型精度优于"对数幂函数"法所建模型,说明了该方法的有效性.     

基于函数(e~x+1)~t变换的GM(1,1)模型及其在建模中的应用

提出了对原始建模数据进行函数(ex+1)t(t<0)变换,证明了这种变换可以有效地提高建模数据序列的光滑度和所建模型的精度,而且其模型精度优于对数变换所建模型,从而拓宽了灰色模型的应用范围.且用文中方法建立了我国人均发电量的数学模型,实例表明该方法的有效性.     

便携式RGB-D传感器深度测量与建模精度研究

以RGB-D(彩色-深度)传感器的代表微软Kinect 2.0相机为例,结合飞行时间测距法(ToF)获取深度信息的原理,对环境中不同材质、不同颜色情况下获取的深度数据的精度进行理论与实验分析,得出深度测量误差与深度测量距离的平方成线性关系,以及不同颜色材质下深度测量精度的定量规律.同时利用所建场景、模型表面特征参数指标的绝对误差和相对误差,并对豪斯多夫距离法进行改进,来分析整体建模精度;以高精度三维激光扫描仪(LiDAR)建模成果作为标准,对RGB-D传感器整体建模结果的精度进行评价,在此基础上分析便携式RGB-D在量测、建模上能达到的实际精度,得出其在实际近景测量、室内建模等方面的适用性.     

基于改进自回归移动平均算法的能耗预测

本文针对经验模态分解算法与自回归移动平均算法两种结合模型(EMD-ARMA)预测数据准确度不足的问题,运用经验模态分解算法(EMD)、自回归移动平均模型(ARMA)和多项式拟合模型三者相结合的方法对小样本电能能耗数据进行预测,最终提高预测结果的准确度.本文首先利用经验模态分解算法对原始能耗数据样本进行分解,提取该能耗样本不同频率的特征分量(IMFx);然后设定频率阈值,针对高频分量和低频分量建立不同的拟合模型;最终将分量预测结果进行合成,得到总体预测结果.仿真结果表明,EMD-ARMA模型的平均绝对误差1.984 2,本文模型的平均绝对误差1.616 8,提高了预测结果的准确度.     

一类区间灰数预测模型直接建模法

为利用直接建模思想,推导得出了一类新信息GM(1,1)直接模型形式.传统模型只能针对实数序列进行建立模型.以区间灰数的"核序列"为基础,并结合"信息域不减"原则,构建相应的GM(1,1)区间灰数预测模型;通过以"核序列"为中心,推导出所建模型区间灰数上下界的时间响应式.实例结果表明:该改进模型可以有效提高预测精度.     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.     

有机废物气化-焚烧处理尾气排放灰色预测模型研究

由于气化焚烧过程NOx 和SO2 产生机理的复杂性,利用动力学方程对其进行预测存在较大的困难,运用灰色理论及方法建立了固体废弃物气化-焚烧两段处理中NOx 、SO2 排放的灰色预测模型.以灰色理论GM(1,1)和GM(2,1)模型为基础,通过不同工况条件下固体废弃物的实验数据用灰色理论建立了相应的模型方程,对所建模型进行了误差检验.计算表明,所建模型的预测结果与实验值比较接近,能够很好地预测固体废弃物气化-焚烧两段处理中NOx 和SO2 排放特性.     

组合模型在港口集装箱吞吐量预测中的应用

根据某港的集装箱吞吐量的历史数据,分别利用时间序列的三次指数平滑法、改进的GM(1,1)残差模型以及组合预测方法对某港的集装箱吞吐量进行了探讨,并对未来几年某港集装箱吞吐量进行了预测.结果证明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差绝对值以及误差的标准差分别为4.5208,0.0343,49.5161,都小于单独用三次指数平滑法或改进的GM(1,1)残差模型时的平均绝对误差、平均相对误差绝对值以及误差的标准差,达到最优的精度等级.     

中等收入定位与人口度量模型研究

首先利用复合函数方法提出指数多项式和指数帕累托两个新的洛伦兹曲线模型,对收入分配分组数据进行拟合,得到参数估计值、均方误差、最大绝对误差和平均绝对误差指标值.与已知的10种洛伦兹曲线模型比较可知,所给的两个模型均具有很好的模拟效果.然后分别从几何学和经济学角度重新定义了中等收入人口,解释了定义的原理和相关的经济学意义.最后,分别利用几何直观和基尼系数的思想,给定了两种定义的中等收入人口的测算方法和数学模型.     

基于相空间重构预测方法预测能力的评估

为了客观地评估基于相空间重构预测方法的预测能力,使用非线性局部Lyapunov指数来替代均方根误差。根据误差平均相对增长的饱和性质,可以确定预测方法的最大预测期限。通过计算得到重构Lorenz相空间和原始Lorenz相空间的最大预测期限分别是12,13s,k-近邻方法(k=1,2,3,4,5)的最大预测期限分别是12.0,9.8,9.7,9.2,8.8s,多变量预测方法的最大预测期限是12.8s,单变量预测方法的最大预测期限是12.0s。研究表明,重构的Lorenz系统的相空间可预报性与原始Lorenz相空间相当。此外,对于重构的Lorenz相空间,由于k-近邻方法集合了预测能力参差不齐的成员,导致其预测能力逊色于零级近似预测,多变量预测方法的预测能力与单变量预测方法几乎相当。     

基于LightGBM-SVR-LSTM的停车区车位预测

停车难和交通拥堵现象愈演愈烈,提前告知驾驶员未来一段时间空车位数量,可以减少其寻找有效车位的时间,进而够缓解拥堵情况。基于此,本文提出了一种基于LightGBM-SVR-LSTM的停车区剩余车位预测模型。首先,通过数据预处理,尽可能保留原始数据特征的基础上,修复部分噪声数据;其次,将修复的数据放入轻量级梯度提升机（LightGBM）,提取叶子节点的值作为新的特征,并将其放入支持向量回归模型（SVR）进行预测;然后,利用长短时记忆神经网络（LSTM）进行误差修复。最后,选取某停车区数据,利用均方根误差（RMSE）、平均绝对误差（MAE）、平均百分比误差（MAPE）进行预测效果验证。结果表明,在正常条件和节假日期间,所提出的组合模型精度均有提升,具有一定的鲁棒性。     

探究洛伦兹曲线模型及实例分析

利用洛仑兹曲线的特性,构造出新模型,证明了该模型满足洛伦兹曲线条件.并用实际数据进行验证,找出了五种洛伦兹曲线模型与之对比,发现新模型拟合效果非常显著,这一模型为更好地监控居民收入分配格局提供了较好的理论依据,具有一定的实际意义.     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于季节性灰色Fourier模型的短时交通流预测

针对短时交通流数据的周期性、非线性和随机性的特点,提出一种基于复化Simpson公式的季节性灰色Fourier模型.在季节性GM(1, 1)模型的基础上,首先利用复化Simpson公式对背景值进行优化,然后用Fourier级数方法修正预测结果.将新模型应用于加拿大Whitemud Drive高速公路的交通流预测,数值计算结果表明:新模型的预测平均绝对值百分比误差为1.54%、拟合度为0.996 0,均优于传统的GM(1, 1)模型、季节性GM(1,1)模型和Fourier优化的季节性GM(1, 1)模型.     

回弹法测强曲线的逆向回归模型

研究发现采用传统回弹法测强曲线的自变量与因变量的选取存在问题，造成误差较大，且有时不符合工程要求，为此提出了一种测强曲线的逆向回归模型，将原模型中自变量与因变量对换，使试验数据处理更符合回归分析理论，并对220组试验数据分析得出其平均相对误差和相对标准差比传统回归模型明显偏小，从而使回弹法检测混凝土强度的结果更加准确、可靠。     

叶片截面线特征点的快速提取及其实验研究

针对叶片加工过程中的测量效率问题,从叶片截面线的曲率突变性出发提出一种提取截面线特征点的方法.根据截面线离散点积分曲线的单调性将截面线划分为曲率平滑区域与曲率突变区域,综合离散点曲率与区域性质选取基本特征点.构造B样条曲线逼近原始曲线,直到两曲线之间的Hausdorff距离满足预设阀值,完成特征点提取.计算及实验结果表明,特征点分布疏密程度与截面线曲率变化相关.在阀值为0.05mm的条件下,算法平均压缩率达到98%,平均计算时间为103 s.相比传统方法,该方法能快速收敛到设定误差,对提高叶片测量效率有一定指导意义.     

一种新的太阳能电池阵列数学物理模型

以提高太阳能的应用程度为目的,在原有太阳能电池阵数学模型的基础上,对其不足之处进行了研究,并加入了精确运算,推导出一套全新的数学物理模型。对两套数学物理模型的I-V特性曲线和不同点的数据进行比较,发现原有的数学物理模型在电压增大到20 V时,误差会逐渐变大。而本套物理模型恰好克服了这一弱点,从而使之对太阳能电池的模拟更为精确。     

基于等式约束最小二乘的B样条曲线拟合

 给出一种B样条曲线拟合有序数据的方法。以曲率为代价对有序数据简化。将简化后的数据插值曲线作为硬约束条件,以原始数据逼近曲线作为软约束条件,建立等式约束的最小二乘方程。利用QR分解技术求解方程确定B样条曲线的控制点。采用平方距离最小化方法计算原始数据到生成的B样条曲线的距离,如果不满足误差要求将误差最大数据加入硬约束条件,对局部受影响的部分重新生成曲线。该方法在满足拟合精度的前提下,具有较快的收敛速度,生成的B样条曲线具有较少的控制点。该方法也可用于解决带约束的曲线拟合问题。