用IM Microscope方法计算无源互调产物

在微波与射频无源互调的研究中，预测无源互调产物的电平是非常重要的。在IM Microscope方法的基础上进行了改进，在预测过程中直接引入输入信号经过非线性器件后输出信号的幅度和相位变化模型，给出了详细的数学模型，并实例验证了该方法的正确性。     

新型区域公路网交通产生量预测方法研究

以人工神经网络理论为基础，结合归预测和时间序列预测技术，形成一种新型的区域公路网交通产生量预测方法，从而克服了传统预测方法的局限性，提出了预测的准确性与合理性，为该方法在实际工程中得应用提供可能。     

加工状态下实测信号的AR最优建模

车削加工时的振动信号具有时变和非平稳的特性，采用分段建模的方法可以更加准确地建立其AR模型，同时引入FPE优化准则进行优化设计，可以建立信号的最优模型。对实际加工状态下振动信号的分析证明了该方法的准确性。     

混沌时间序列预测及在股票市场中的应用

提出一种基于嵌入理论和确定集上的预测误差的混沌时间序列预测方法．该方法不仅克服了仅用延迟嵌入技术的弊端，而且也降低了直接使用预测误差决定模型状态向量的盲目性．实证分析结果表明该方法在实际预测中是有效的．     

基于实际最大信号控制周期的交通流预测方法研究

引入非线性理论分析方法,在分析判定采样周期为实际最大信号控制周期(3 min)的交通流数据表现出混沌特性的基础上,用基于相空间重构理论的局部预测方法进行预测,预测数据与实测数据吻合较好.     

灰色理论在清洁油品生产关键技术能力预测中的应用

加氢和重整作为生产清洁汽油、柴油的关键技术，在提高燃料油产品质量方面具有非常重要的作用。分析了加氢和重整能力预测的必要性和可行性，利用灰色理论建立了加氢精制和催化重整两种能力预测模型，并应用该模型对加氢精制和催化重整的未来发展能力进行了科学预测，给出了选用灰色预测模型的必要条件。由预测结果与实际情况的对比可以看出，应用灰色理论预测加氢和重整能力是可行的，可为中国石油天然气总公司未来炼油业加氢和重整技术的发展提供决策依据。     

施工现场安全危险源实时监控与安全风险预测方法研究

对国内外建筑业施工现场安全风险的研究进行了文献综述,针对目前研究的不足之处,提出了施工现场安全危险源实时监控和安全风险实时预测的示意性模型,并详细解释了该模型的含义和方法。研究将提供一种基于前馈信号的施工现场安全危险源实时监控和安全风险实时预测的方法;并通过将现有研究的视角引入到施工现场关键安全危险源的前馈信号上,为进一步的研究打下良好的理论基础。     

矿山采掘关系的预测与调控

应用现代控制理论的原理与方法，提出了矿山采掘关系预则与调控方法。该方法利用灰色理论、最优滤波技术和广义预测控制理论建立采掘关系调控模型；进行采掘关系状态和产出的预测与控制．并用鲁棒调节理论制定采掘关系抗干扰调控策略。     

连续搅拌釜反应系统的预测控制算法

研究了具有强非线性、时变时滞、信号抖振等复杂特性的连续搅拌釜(CSTR)反应过程,提出了一种非线性鲁棒模型预测控制方法.首先在温度平衡点反馈线性化CSTR非线性模型,提出性能指标函数和李雅普诺夫函数进行稳定性分析.其次建立预报方程并引入松弛变量,应用线性矩阵不等式(LMI)技术处理鲁棒模型预测控制系统,在控制输入信号有界的条件下,获得了系统稳定性的充分条件,并给出了相应的系统性能指标的半定规划算法.最后,通过系统MATLAB仿真实验,说明了所提理论的正确性和算法的正确性、优越性.     

基于灰色系统理论的电信设备拥有量预测

目的实现对电信设备拥有量发展计划的预测。方法引入灰色系统理论预测模型，结合国家统计局公布的近年来电信设备实际拥有量数据进行预测设计。结果形成一种使用灰色系统理论对电信设备拥有量发展计划的预测方法。结论该方法简单、快速、实用，具有一定的预测精度。在实施重大计划决策时，可与其他预测方法一起使用。     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

递归神经网络预测在库存管理决策中的应用

为解决供应链中库存管理的不确定性问题，建立了基于递归神经网络技术的需求预测模型，并在此基础上提出了该模型的学习算法．通过实验仿真将该模型同经典多层前馈神经网络模型的预测效果相比较，得出了该模型在多步预测方面比较优越的结论．利用某企业的销量预测进行了实例验证，效果良好．     

基于负载预测的分布式拒绝服务攻击检测方法研究

通过分析分布式拒绝服务攻击(Distributed Denial Of Service,DDOS)的特点,提出一种基于主机负载-并发连接时间序列预测的DDOS攻击检测方法。该方法改进了传统的异常检测方法,对并发连接序列进行预测,以预测值作为对未来时段内主机负载正常状态的估计,增强了正常行为描述的时效性,提高了攻击检测率,并具有低延时特性。该方法涉及两项关键技术:一是预测技术,二是异常判断方法。为提高预测精度,首次将小波分析引入主机负载预测,建立了小波-神经网络预测模型;为提高异常判断准确性,采用了“滑动窗口”方式。实验表明,基于负载预测的DDOS攻击检测优于传统的异常检测方法。     

人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势,采用BP算法,基于大量矿井突水样本实例建立了突水预报神经网络模型,并将该模型用于实际预报,并取得了较好的效果。结果表明,模型具有较强的实用性。为了提高模型的预测精度,在训练样本的选择上还应具有一定的代表性。     

二元时间序列模型预测3G 网络接通率

为提高对网络性能预判的准确度, 提出了运用多元时间序列的相关性计算方法, 时间序列的模糊化方法和模糊规则矩阵的构建方法, 建立了一种基于二元时间序列的接通率预测模型, 将拥塞率序列融入到对接通率的预测过程中。该方法克服了传统网络性能指标预测方法中, 只考虑单一时间序列, 不考虑其他变量与待预测变量的相关性的弊端。仿真实验结果表明, 该模型能够实现网络接通率的有效预测, 为网络性能综合预测提供理论基础和新方案。提高了预测精度。     

基于Elman组合预测模型的瓦斯涌出量预测

为提高矿井瓦斯涌出量的预测精度,基于Elman回归神经网络原理,以指数型线性回归、双曲线型线性回归及灰色预测三种方法得到的瓦斯涌出量预测值为样本数据,建立Elman组合预测模型,并利用MATLAB软件进行预测。结果表明,Elman组合预测结果的拟合曲线更接近实际情况。该模型有效提高了瓦期涌出量的预测精度,为煤矿安全生产提供了理论支持。     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

面向精细化管理的停车需求短时预测

停车诱导系统（PGS）是缓解交通拥堵的有效办法,但停车需求短时精准预测作为空余车位发布的关键技术并没有得到有效解决。利用停车需求时变特征曲线的线型稳定性,以及在周内各工作日间的振幅的显著差异性对数据进行分组,采用不仅具备记忆时间序列数据能力,同时有着更简洁的逻辑门控制结构的GRU（gated recurrent unit）模型对停车需求进行短时精准预测,发现相比于传统神经网络以及ARIMA模型,在考虑停车需求周内日间差异性并对数据进行分组后的GRU模型能提供更高的预测精度。