BP神经网络在大学毕业生就业率预测中的研究与应用

为能更好掌握高校毕业生就业趋势,本文以佳木斯大学2002~2012年本科毕业生就业率为依据,利用神经网络方法,构建了BP神经网络预测模型.通过对所建模型训练学习可知,该网络最大误差为3.36%,满足预期要求.最后,对佳木斯大学2013-2015年本科毕业生就业率进行了预测,以期为相关部门工作提供参考依据.     

The effect of target function on the predictive performance of the two‐stage ridge estimator

The main thrust of this study is to consider the problem of simultaneous prediction of actual and average values of the simultaneous equations model through the target function of Shalabh (Bulletin of International Statistical Institute, 1995, 56, 1375–1390). We focus on the predictive performance of the two‐stage ridge estimator with the motivation for eliminating the disorder arising from multicollinearity. An optimal biasing parameter of the two‐stage ridge estimator is derived by a minimization process of prediction mean square error. In addition, an optimal estimator for the weight of observed value in target function is attained theoretically. The results inferred from a numerical example and a Monte Carlo experiment provide a dramatic improvement in the predictive ability of the two‐stage ridge estimator.     

神木气田低渗致密储层特征与水平井开发评价

鄂尔多斯盆地东部神木气田是长庆气区目前增储上产的重要组成部分，系统研究其储层特征、空间叠置结构及水平井开发适用性对气田科学开发具有重要意义。实验分析表明，神木气田山西、太原组储层岩石类型主要为岩屑石英砂岩、岩屑砂岩及石英砂岩，孔隙类型以溶蚀孔、晶间孔及粒间孔为主，储层孔隙度分布于2.0%~10.0%，平均为6.6%，渗透率分布于0.10~1.00 mD，平均为0.83 mD，整体属低孔、致密砂岩储层。测试分析表明，孔隙度5.0%、渗透率0.10 mD、含气饱和度45%为有效储层物性下限标准。基于密井网解剖，将有效砂体空间结构类型划分为多层孤立分散型、垂向多期叠加型、侧向多期叠置型等3种。研究表明，神木气田不适合开展大规模水平井开发，可在有限地区进行局部式水平井部署。     

低渗透储层流体非线性渗流机理及特征分析

基于微尺度渗流效应，分析了低渗透油藏非线性渗流机理，根据力学平衡方程和压汞实验数据，建立了低渗透储层流体非线性渗流数学模型，分析了非线性渗流特征，并引入动态阻力梯度概念，实现对低渗储层非线性渗流的动态表征。结果表明，边界层、流体屈服应力、边界流体体相流体间的表面力对低渗透渗流形成的附加阻力，是非线性渗流的主要原因；非线性渗流特征在不同的驱替压力梯度下一直存在，在低驱替压力梯度下明显，高驱替压力梯度下弱化；采用动态阻力梯度代替启动压力梯度对非线性渗流进行表征更加合理；随着驱替压力梯度的增加，动态驱替梯度曲线特征为先从一个比较高初始值瞬间降落，之后逐渐增大；动态阻力梯度与驱替压力梯度的比值先增大后减小。     

闭环回收供应链中牛鞭效应量化分析

环保和资源的问题关系到整个社会和环境,现代制造越来越注重资源的可持续化应用。将牛鞭效应的量化与控制引入闭环供应链的研究中,有效测量了有回收的供应链中的牛鞭效应。结合传统制造业的制造及分销渠道,运用运筹学及数学理论建立了一个由生产者、销售者及回收渠道组成的供应链模型,并进行数值实验计算和分析。结果表明:牛鞭效应仍存在于具有回收途径的供应链中,减少回收产品直接销售并重新加工能够降低整体供应链的牛鞭效应。     

基于模拟有限差分的嵌入式离散裂缝数学模型

嵌入式离散裂缝模型划分网格时不需要考虑油藏内的裂缝形态,只需对基岩系统进行简单的网格剖分,可以大大降低网格划分的复杂度,从而能够提高计算效率.并且该模型可以将现有成熟的油藏数值模拟技术和离散裂缝网络模型有机地结合起来,能精细地模拟流体在裂缝性油藏中的流动.本文模型求解采用模拟有限差分方法,该方法基于单个网格的节点和面信息构造数值计算格式,理论上适用于任何复杂网格系统,且具有良好的局部守恒性,将其推广到嵌入式离散裂缝模型后,克服了该模型基于有限差分方法求解时不能有效处理全张量形式的渗透率以及不适用于复杂边界形状裂缝性油藏的局限性.最后通过实际算例验证了本文方法的正确性和优越性.     

高速磁浮列车悬浮间隙仿真预测

基于长短时记忆（LSTM）神经网络提出了一种可用于高速磁浮列车的电磁铁悬浮间隙预测方法。考虑高速磁浮列车运行过程中受到的气动荷载，建立了列车仿真模型并计算列车的动态响应；通过PyCharm建立LSTM神经网络，并以高速磁浮列车仿真模型计算结果为样本集，构建了高速磁浮列车电磁铁悬浮间隙预测模型。最后，通过对预测模型计算结果和评价指标进行评判，验证了所提出的电磁铁间隙预测算法的准确性。     

基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

基于图注意力网络的案件罪名预测方法:CP-GAT

案件罪名预测任务是基于文本数据去预测案件所属罪名.针对现有方法在相似罪名和长尾数据集上表现不佳的问题，提出了一种基于图注意力网络的案件罪名预测方法CP-GAT(charge prediction based on graph attention network).该方法首先使用司法文书数据集中的案例事件描述文本和案例对应的法条信息建立异质图结构数据，构建后的异质图包含两种类型的节点(词节点、案例节点)，两种类型的边(词节点与词节点相连的边，词节点与案例节点相连的边).在基于法律文本构建后的异质图上使用图注意力网络进行图特征提取，最后将得到的特征向量输入到罪名预测的分类器中，得到案例所属的罪名.在CAIL2018法律数据集上的实验结果表明，基于图注意力网络的罪名预测方法优于对比实验使用的方法，准确率和宏观F1值分别达到了95.2%和66.1，验证了提出的方法有利于提升案件罪名预测任务的性能.     

A Time‐Simultaneous Prediction Box for a Multivariate Time Series

A sample‐based method in Kolsrud (Journal of Forecasting 2007; 26 (3): 171–188) for the construction of a time‐simultaneous prediction band for a univariate time series is extended to produce a variable‐ and time‐simultaneous prediction box for a multivariate time series. A measure of distance based on the L_∞ ‐norm is applied to a learning sample of multivariate time trajectories, which can be mean‐ and/or variance‐nonstationary. Based on the ranking of distances to the centre of the sample, a subsample of the most central multivariate trajectories is selected. A prediction box is constructed by circumscribing the subsample with a hyperrectangle. The fraction of central trajectories selected into the subsample can be calibrated by bootstrap such that the expected coverage of the box equals a prescribed nominal level. The method is related to the concept of data depth, and thence modified to increase coverage. Applications to simulated and empirical data illustrate the method, which is also compared to several other methods in the literature adapted to the multivariate setting. Copyright © 2015 John Wiley & Sons, Ltd.