基于主趋势辨识及误差弱化模型的库区滑坡变形规律研究

为准确掌握三峡库区滑坡的变形规律,以三峡库区木鱼包滑坡为工程背景,旨在通过滑坡主趋势项辨识来实现变形趋势判断及预测研究,即先利用双树复小波剔除滑坡变形数据的误差信息,以实现滑坡变形的主趋势项辨识;其次,利用重标方差(V/S)分析实现滑坡主趋势项的变形趋势判断,并采用优化支持向量机和BP神经网络构建滑坡变形的误差弱化预测模型;最后,通过对比变形趋势判断及预测结果实现滑坡变形规律研究。实例分析表明:双树复小波函数能有效剔除滑坡变形数据的误差信息,能有效实现滑坡变形的主趋势项辨识,且通过V/S分析对主趋势项的变形趋势判断,得出3个监测点的Hurst指数均大于0.5,但随时间持续,Hurst指数不断减少,说明其变形呈持续增加趋势,但趋势性趋于减弱;同时,误差弱化预测模型的预测误差均小于2%,验证了预测模型具有较高精度,且预测结果与变形趋势判断结果一致,说明V/S分析及误差弱化预测模型适用于滑坡变形规律研究。通过研究有效掌握了木鱼包滑坡的变形规律,为后期防治奠定了基础。     

基于信息化视角的网络安全态势评估预测

目的:以安全态势评估概念和预测方法为基础,提出以信息融合为核心的网络安全态势感知模型。方法:首先对网络安全态势感知研究现状展开研究,然后给出相应的感知模型。在此模型中,对多源网络安全信息进行综合考量,并借助于D-S证据理念,得到相应的评估结果,而所涉评估对象包括主机、网络、漏洞和服务等。借助于支持向量回归理论,得到网络安全态势值。结果:本次研究所提出的感知模型,其诸多功能基本实现。结论:与已有的预测和评估法进行对比,以信息融合为核心构建的网络安全态势评估预测模型的结构完整度和预测准确性都具有显著优势。     

基于随机森林与合成分析法建立脂肪肝合成预测模型

研究脂肪肝预测模型,旨为脂肪肝易发人群健康管理及风险评估提供参考.选取2006—2016年在西部战区总医院健康体检中心定期健康体检人群作为研究对象(体检中心为该人群建有专门软件用于管理体检数据资料),将随机森林算法筛选脂肪肝危险因素的效果与Logistic回归模型、人工神经网络、单棵决策树分类模型相比较.4种方法筛选脂肪肝影响因素准确率分别为88.0％、83.3％、83.9％、86.0％,随机森林筛选脂肪肝危险因素的准确率高于Logistic回归模型、人工神经网络和单棵决策树分类模型.基于随机森林算法与合成分析法建立脂肪肝合成预测模型,并评价其预测效能.研究结果表明,Logistic回归预测模型、Cox比例风险模型和脂肪肝合成预测模型的ROC曲线下面积分别为0.732、0.681、0.710,约登指数分别为0.340、0.269、0.330,灵敏度分别为0.589、0.503、0.639.脂肪肝合成预测模型ROC曲线下面积和约登指数介于Cox比例风险模型与Logistic回归模型之间,灵敏度最高.脂肪肝合成预测模型具有优于传统纵向数据分析模型的预测能力,且不需要大量纵向数据,是一种简单便捷的脂肪肝预测方法.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于GMM模型的玉米产量预测

鉴于玉米产量受多种复杂因素的影响,并具有较大的随机性和波动性,建立了一种灰色理论和马尔可夫相融合的玉米产量预测模型.首先采用灰色关联法筛选玉米产量影响因子,然后将其输入到灰色系统中构建玉米产量的灰色预测模型,最后使用马尔可夫模型对灰色模型的玉米产量预测结果的残差值进行修正,以提高玉米产量预测精度.实证分析结果表明,提出的预测模型具有较好的预测精度,完全能满足玉米产量预测精度的要求.     

一种基于聚类预测模型的动态多目标进化算法

为了在动态环境中快速地跟踪变化后的最优解集,提出一种基于聚类预测模型的动态多目标优化算法.通过对种群聚类,提高预测解集的分布性与广泛性,为分段预测做准备,然后利用历史信息对每个子类的中心点和形状进行预测,在环境变化后,预测产生的每个子类共同构成整个新的初始种群,有引导性地增加了种群的多样性,使算法能快速跟踪新的最优解集.在标准动态测试问题上进行算法测试,实验结果表明所提算法能快速地适应环境的动态变化,所获解集具有较好的收敛性和分布性.     

基于熵值加权组合预测模型的黑龙江省旅游收入预测分析

针对黑龙江省旅游收入预测问题,考虑到单一预测模型往往在预测精度上不高的特点,在引入灰色系统GM(1,1)预测模型及时间序列线性回归模型的基础上,建立了基于3种误差指标信息下的熵值加权组合预测模型,并以黑龙江省2009—2018年的旅游收入数据进行分析.结果表明,所建立的组合预测模型在预测精度上有了较好的改善并优于所选单一预测模型.利用建立的组合预测模型对黑龙江省2019—2022年的旅游收入进行预测,可为黑龙江省未来的旅游业发展规划提供一定的科学依据.     

利用朴素贝叶斯模型进行多层网络链接预测

针对多层网络链接预测中层间信息融合的问题,提出了一种利用朴素贝叶斯模型的链接预测方法。该方法结合目标层的邻域信息和辅助层相对于目标层的全局信息进行链接预测。在目标层中,根据节点对的邻域信息,利用朴素贝叶斯模型计算其连接概率;在辅助层中,计算节点对在该层有边或无边时在目标层存在链接的概率。在真实数据和合成数据上的实验结果表明：该算法在正相关和负相关的多层网络中都有很好的预测性能。     

深基坑开挖中KPCA结合BP神经网络的基坑变形预测

针对开挖过程中基坑变形预测的问题,提出一种基于核主成分分析(KPCA)和BP神经网络的基坑变形预测方法.首先,根据实际施工情况,确定影响基坑变形的主要因素;然后,将基坑变形数据通过多变量相空间重构技术进行建模;接着,通过KPCA技术从变形数据中提取出主要分量;最后,基于提取的主要分量来训练BP神经网络预测模型,以此实现对之后基坑施工中基坑变形的预测.实验结果表明,提出的预测模型能够准确地预测基坑变形程度,具有可行性.     

多源图像融合综述

图像融合(Image Fusion)是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测.本文主要介绍一下图像融合的基本概念以及图像融合的研究内容.     

基于遗传算法的BP神经网络对农业产业的分析预测

农业产业总值的准确预测对农业产业的优化和改善具有重要的意义.以遗传算法优化的BP神经网络建立农业产业总值的预测模型,该模型结合遗传算法和BP神经网络两者的优点,既有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.采用该算法对农业产业总值进行预测,并与实际值进行对比分析.结果表明,该算法收敛速度快,预测精度高,具有较高的可靠性和适用性.     

国家公路里程预测模型建立与研究

【目的】在交通强国建设背景下,交通发展由依靠传统要素驱动向注重创新驱动转变,前瞻规划、科学预测成为国家交通建设的前提和基础。【方法】以2006—2020年国家统计局发布的公路里程为基础数据,运用指数法、对数法、多项式法、幂函数法建立预测模型。【结果】经过对比与检验,结果表明,6次多项式拟合预测模型最优,通过增加新增年度数据可对其进行优化。【结论】添加年度新增数据的6次多项式预测模型可以为国家公路建设规划提供参考。     

互联网驱使下计算机基础课程教改质量评估

传统评估方法忽略了对计算机基础课程的教改质量特征进行量化决策,导致评估效果不理想,难以达到提高计算机基础课程教改质量的目标,由此提出一种基于分段统计平均分析和模糊预测的互联网驱使下计算机基础课程教改质量评估方法.构建互联网驱使下计算机基础课程教改质量指数大数据模型,采用教改质量量化特征分析方法进行量化决策,构建计算机基础课程教改质量评估的模糊决策函数,结合教改质量评估数据的关联规则性进行分段融合和自相关匹配检测,对检测的计算机基础课程教改质量评估数据进行模糊聚类处理,实现对教改质量评估数据的特征提取,根据特征提取结果进行最大熵分析,实现计算机基础课程教改质量评估优化.仿真结果表明,采用该方法进行互联网驱使下计算机基础课程教改质量评估的决策准确性较好,课程教改质量评估的可靠性较强,置信度较高.     

组合预测模型在山东省地下水资源量预测中的应用

针对山东省地下水资源量的预测,利用搜集到的山东省2000—2014年地下水资源量时间序列数据,建立了ARMA模型、灰色预测及序列拟合模型,并综合运用这3种单项预测方法建立了组合预测模型.通过比较,发现相比于各个单项预测模型,组合预测模型具有更高的精度.从预测结果来看,未来山东省地下水资源量呈现递减趋势.     

LBS位置服务系统中定位源的数据融合技术

<正>一、数据融合技术1.数据融合技术。随着LBS(Location Based Service)系统获取数据源种类的不断增多,多源数据间的关联程度也日趋紧密,如何高效地处理数据的兼容问题就显得越发困难。另外,由于缺乏相关行业规范,设备厂家制定信息格式的自由度较大,造成了信息表现形式的多样化。基于这些原因,数据融合技术应运而生。2.数据融合技术的应用。传统的数据融合技术是指多个传     

滑动平均法改进型灰色预测模型在德山开发区电力负荷预测中的应用

利用灰色控制理论对德山开发区电力需求量进行预测.用生成方法对原始数据进行处理,消除了影响电力需求量的众多非重要因素,并从原始数据中挖掘有用的信息,建立微分拟合方程,基于残差修正提出滑动平均法改进型灰色预测模型,增加当年数据的权重,避免数值的过度波动.德山开发区电力负荷预测结果表明该模型能有效提高预测精度.     

云计算服务组合系统的综合预测

从对服务组合效果进行分析与预测的角度出发,在理论上提出了云计算服务组合系统综合预测的思路.在多层递阶预测模型基础上,给出了云计算服务组合综合预测方法,并对其应用前景进行了分析.     

基于Markov链模型的集群式数据库数据均衡算法

集群式数据库是目前解决海量数据处理的一种重要方法,但目前的各种数据均衡算法都存在算法复杂、实际应用效果差等缺点.通过Markov模型对实时负载状态的预测,依据综合数据负载指标和数据负载状态预测结果实现集群式数据库数据均衡技术.在对综合数据负载指标设计的过程中,主要选取输入指标和服务器指标,同时引入滑动窗口法对数据负载信息记录进行更新,获取综合数据负载指标,实现集群式数据库的数据均衡.通过实验验证,该算法能有效评估集群式数据库的工作状态,均匀分配数据,使数据均衡,提高运行效率.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

PB-GARCH模型在中国股市收益波动率研究中的应用

股票市场的波动率一直是金融学研究的热点问题,由于受到宏观经济运行状况、行业自身发展状况以及投资者心理变化情况的影响,股票价格的收益率呈现出复杂的非线性波动,收益的方差是自相关的,表现出分形和混沌的特征.随着股票市场研究的逐步深入,人们发展了以ARCH族模型和随机波动模型(SV)为代表的波动预测模型.但是,目前这些预测模型大多仅从股价自身的运行规律进行研究,很少考虑投资者的心理因素对股价运行规律的影响.本文结合行为金融的前景理论、GARCH模型,以及神经网络等理论,建立基于投资者心理变化的波动率模型,对该模型的估计方法进行了探讨,并以我国上证综合指数(HSEC)和深证成份指数(ZSEC)为例进行了实证分析.