一种基于近邻边界的改进核Fisher判别方法

针对应用核Fisher判别法进行化工生产过程故障诊断时,存在核映射后的数据空间维数过高,致使判别向量W计算耗时,难以求解;同时,由于化工生产数据不完全服从高斯分布、强耦合、高维度和噪声干扰大等特点,使得投影空间中部分不同类数据不能有效分离,判别正确率未尽人意等问题,提出一种基于近邻边界的改进核Fish-er判别法.该方...     

光面爆破效果参量预测的投影寻踪回归模型及应用

基于投影寻踪回归理论,选取炮眼密集系数、最小抵抗线、装药量、炮眼深度、抗压强度和泊松比6个因素为判别指标,建立光面爆破炮眼利用率、超挖量和半眼率的预测模型。将该方法应用于某矿巷道掘进光面爆破效果预测问题中,对现场实测的24组数据进行训练和检验,用另外4组现场数据作为预测样本进行测试。预测结果与实测情况较吻合。比较BP神经网络和投影寻踪回归2种方法对光面爆破炮孔利用率的预测结果,发现后者比前者预测结果更接近实际。以上研究表明:该方法回判估计性能良好,判别精度高,是一种预测光面爆破效果的有效方法,可以在实际工程中推广应用。     

基于模糊综合评判的砂土液化判别

为了对砂土震动液化势进行预测,采用模糊综合评判理论建立了砂土液化可能性的模糊综合评判数学模型.选取标准贯入锤击数、地下水位、地震烈度、粘粒含量等4个实测特征指标作为模糊综合评判的因素集,对4个因素构造了相应的隶属函数,建立模糊关系矩阵,并依据4个因素在判别中的不同作用,拟定了对应的权重,运用N(·,+)算子对模糊矩阵进行运算,依据评判等级进行最终判别.通过对历史地震中砂土液化的实测数据进行综合评判验证,获得了非液化的判别正确率为85％,液化判别正确率为88％的较好结果.研究结果表明,模糊综合评判方法可有效地预测砂土液化势,可以作为砂土液化预测的方法之一.     

基于Odds-Matrix算法的中长期电量组合预测方法及其应用

中长期电量的组合预测存在权重选择困难,适应性、抗干扰性较差的问题.文中结合目前广泛应用的组合预测技术,设计了以Odds-Matrix算法为核心的Odds-Matrix组合预测方法.该组合预测方法利用Odds-Matrix算法对单一预测模型的有效性进行定量分析,用权重概率分布函数来描述各个方法的优劣,然后根据权重进行单一预测模型的筛选和组合.利用实际数据对所设计的Odds-Matrix组合预测方法进行测试,结果表明,文中预测方法的精确度较其他常用组合预测法较高,说明该方法具有较强的适应性与抗干扰性.     

多次线性判别方法

本文提出一种“内聚外散”的投影思想,并以回代正确率为标准,对ｋ个总体的样本数据 逐次建立ｋ－１个线性判别方程,形成多次线性判别方法．并利用此方法对许多例子进行检验,其 回代正确率均高于一般的判别方法．本文还讨论了逐步挑选因子方法,此法具有更明显的优点．     

地方税收收入预测的数学模型——以贵州省为例

建立地方税收收入的3个单一模型,针对单一模型中存在的模型误差,将组合预测的方法引入地方税收收入预测中,构建基于Cubic模型和ARIMA模型的非负组合预测模型.利用地方税收收入数据进行实证研究表明,组合预测模型的误差优于相应的单一预测模型.     

安徽省城镇居民人均收入的组合预测

以1995～2009年安徽省城镇居民家庭人均可支配收入的数据,分别建立时间序列模型、回归模型和灰色预测模型．然后在三个单一预测模型的基础上综合各个预测模型的优缺点．通过使组合预测误差平方和最小确定各单一预测方法的权重系数,得到最优组合预测模型．最后对几种预测方法进行了评价,得出组合预测效果比较精确．     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

城市生活垃圾产量的变权重组合预测

基于预测显著增加的不确定性因素,在预测时采用单一模型进行预测通常难以达到较为理想的预测效果.选择作为中国东北城市的哈尔滨市为分析对象,以1992~2005年的数据为基础,将多元线性回归模型、GM(1,1)模型、三次指数平滑法这三种单项预测模型进行变权组合,预测哈尔滨市2006-2010年的生活垃圾产量.单一模型的局限性得到明显改善,有效地集结了更多的有用信息,组合预测模型的预测精度得到明显提高,改善了预测结果.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于细粒度演化超网络的股票预测

为了更准确地预测股票的走势,提出了一种基于细粒度演化超网络的股票预测方法.对2011年证券年报数据进行处理,以预测其中股票在2012年的走势.采用卡方分裂算法和等宽度离散化相结合的方法对股票数据进行有效的离散化,以应对连续型数据简单二值化处理造成的信息损失,然后采用细粒度演化超网络模型预测每支股票在未来一年内的走势.试验结果表明:细粒度演化超网络对股票走势预测正确率是86.73%,股票上涨预测正确率是75.00%.得到了用细粒度超网络挖掘影响股票上涨的重要特征组合及其对应的取值范围,为投资者提供了一种可靠而又方便的选股新方法.     

基于向量投影测度的区间型组合预测模型

区间型组合预测模型的研究核心是确定各单项预测方法的权重。鉴于向量投影是一个综合性测度,既能反映两个向量指标对象之间距离,又能反映他们之间的夹角,本研究提出了一种新的向量标准化投影测度公式。在向量标准化投影测公式的基础上,定义了区间数向量标准化投影测度的概念,用以描述两个区间数向量的接近程度,以组合预测区间数序列和实际区间数序列的标准化投影测度为最优化准则,构建了两个基于投影测度的全新区间型组合预测模型。并通过两个实例进行了分析：（1）与已有文献的组合预测方法的结果作对比研究,验证了本法所构建的组合预测模型的有效性;（2）对我国2010-2022 风力发电量序列进行拟合和预测建模,结果表明本法构建的组合预测模型有更好的拟合和预测效果,具有一定的可行性和实用性。     

基于特征向量集的距离判别

针对距离判别在处理复杂数据时的不足,提出了一种新的判别方法,该方法的主要思想是确定各总体的特征向量集后,以样品到各总体特征向量集的最短距离为准则对样品进行属类判别.然后利用此方法对多个实例进行检验,并以回代正确率为标准与常用的判别方法进行比较.     

最优组合因子Fisher判别法

以回代正确率为标准 ,利用因子组合对多个总体的样本数据建立Fisher线性判别方程 .经计算实例 ,得到较为满意的结果 .     

基于ARIMA—ANN的时间序列组合预测模型

目前,时间序列预测主要采用基于传统研究方法或人工神经网络技术的单一预测方法.近年来的研究表明,组合预测方法比单一预测具有更高的预测精度.提出了一种基于BP神经网络和ARIMA组合模型的预测新方法,对中国GDP的变化趋势进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在非平稳时序的预测中的应用是可行、有效的.     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

季节变动系数预测法预测企业产量

季节变动系数预测法在企业产量的预测中具有较好的预测效果,它通过数据的滑动平均计算,修正季节比率,建立动态序列,利用回归方程的运算方法,建立回归方程,并利用F检验考察其显著性,以利于判别回归方程的实用价值.本文利用某企业连续五年的真实数据进行方法的应用,其效果良好.     

基于S型增长曲线组合预测模型的滑坡变形预测研究

为了提高滑坡变形预测工作中的预测精度,采取基于S型增长曲线的组合预测方法,通过最优权重来组合滑坡预警预报中常用的Verhulst模型、Pearl模型,并将组合预测模型应用于历史滑坡的变形预测中进行验证研究。结果表明:单一预测模型中,Verhulst模型的预测效果较Pearl模型好,但拟合效果则是Pearl模型较佳;而基于最优权重的组合预测模型能充分利用单一预测模型的优势,能有效地提高滑坡变形预测的精确性。     

基于神经网络的预测模型的比较研究

随着经济预测、电力预测等各种预测的兴起,预测对各种领域的重要性开始显现.针对在建立预测模型时不能准确判别使用合适的神经网络,论文归纳了几种常用干预测的神经网络:BP神经网络、RBF神经网络、小波神经网络、组合神经网络,并总结了相应的优缺点,及其适用的预测范围.以某蓄电池厂近几年的销售量为例,检验各种预测模型的精度.预测结果显示,用单一预测模型进行预测时,因自身的局限,使其预测精度和稳定性不高.相比之下,组合预测模型更能有效提高预测精度,可以较充分的降低预测风险,保证预测结果的稳健性.     

粒子群投影寻踪算法在岩爆预测中的应用

对岩爆有影响的三项主要因子：洞室最大切向应力与岩石单轴抗压强度的比值、脆性系数和弹性能量指数作为岩爆灾害预测的主要判别指标,通过粒子群优化算法和投影寻踪算法建立了相应的岩爆预测分析模型.该模型采用粒子群算法优化投影指标函数,确保了模型参数的准确性;同时利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系.研究表明,用粒子群投影寻踪回归模型进行岩爆预测,避免了传统预测方法由于主观原因造成的误差,预测精度较高.通过将所建模型应用到秦岭隧道和冬瓜山铜矿的岩爆预测中,得到与实际情况较符合的预测结果.