基于随机集证据推理的构件软件体系可靠性模型

将随机集证据推理应用于军事信息系统软件可靠性建模研究,采用其分析软构件故障过程,计算 软构件可靠性参数,并在此基础上构建了一个基于随机集证据推理-贝叶斯网络的军事信息系统软件可靠性模型.本模型实现了对构件软件体系全过程的可靠性跟踪和监控.仿真实验验证了该模型的实用性和有效性.本模型还可应用于对大型设备系统的故障诊断.     

基于资金限制的单品种期货最优套期比模型

以期货套保者的手头资金大于套保资金需求量的预测值作为Sharp套期比模型的约束条件,建立了基于资金限制的单品种期货最优套期比模型,利用WS411合约的历史交易日数据实证对比分析了该模型.本模型确定了套期保值的资金需求,避免了因资金短缺导致套保失败;揭示出套期保值的手头资金与套保资金需求量之间的关系.对比分析表明,本模型优于完全套期保值、最小方差法和线性回归法.证明了套保资金需求量影响套期保值比率.     

基于CVaR的期货最优套期保值比率模型及应用

通过条件风险价值(CVaR)控制套期保值资产组合在极端情况下发生的超额损失,建立了组合CVaR最小的套期保值优化决策模型.本模型的特色表现在:①现有研究的最小方差套期比及VaR套期比模型仅仅是本模型的1个特例:一是在期货的期望收益率为零时,或在期货和现货收益率完全相关时,本模型的最优套期比就是现有研究的最小方差套期比;在置信水平接近于100%的情况下,本模型的最优套期比趋近于最小方差套期比;二是在置信水平1-α下,当本模型的套期保值组合收益率小于标准正态分布的"α分位数"那一点的组合收益率的条件均值等于VaR套期比模型中特定的"β分位数"时,本模型就等于VaR套期比模型.②以期货套保组合收益率的CVaR为目标优化套期保值比.充分考虑了套保组合的尾部损失,综合了套期保值者期望收益率和风险偏好,改变了现有研究忽略套保者期望收益率和人为设定风险偏好参数现象,使期货合约的选择直接反映了套保者的风险承受能力.③模型反映了CVaR最优套期比由套保者投机需求和纯套保两部分组成,更深层次地探讨了套期保值比率的含义.     

人工神经网络BP算法的数据处理方法及应用

利用人工神经网络建立了具有时间序列的对象的预测模型，并提出了基于本模型的数据处理方法，在此基础上，对吉林省榆树县大坡镇两家村的人均收人作了预测。证实了本模型的正确性和科学性.     

基于元胞自动机的国家演化模型研究

利用元胞自动机的思想和建模方法,建立了模拟多个国家通过战争彼此兼并的演化模型.在本模型中,国家的领土面积用该国所辖元胞数目近似地表示,国家整体实力用所辖各元胞实力之和表示.数值实验给出了模型产生的国家领土面积分布和国力强弱分布,所得结果与当前实际情况非常接近.本模型可以无困难地推广到多个个体在一个封闭系统中竞争,仅有极少数个体最终获胜的情形,文章所得结果对于该类复杂系统的建模具有普适意义.     

基于仿真优化的集装箱港口大门作业调度研究

提出基于仿真优化的集装箱港口大门通道作业的调度优化方法.首先,建立了大门作业的离散事件仿真模型和调度优化数学模型;其次,设计了启发式Tabu搜索算法和仿真模型相结合的仿真优化方法;然后,结合仿真自动化方法和在线数据库实现了仿真优化系统;最后,用实例验证并分析了本方法的有效性及效率问题.结果表明了本方法对在线、实时作业调度优化问题的适用性.     

中国六部门可计算非线性动态投入产出模型与参数设定

给出中国六部门可计算非线性动态投入产出模型的构模原理 ,以及如何依实际数据设定模型参数的方法 .本模型是线性列昂惕夫动态投入产出模型的推广 ,它既克服了线性投入产出模型中劳动与资本不可替代的缺点 ,又克服了可计算一般均衡 ( CGE)模型理论上只能求静态平衡点的缺点 .     

蠕变本构模型在时效成形仿真中的应用研究

为了在时效成形有限元模拟仿真的过程中得到更为精确的数值解,采用以经典塑性理论(CPT)为基础的蠕变本构方程,在蠕变试验的基础上,拟合了蠕变本构模型的参数B、m、n的值,并将该模型应用于T型试件的时效成形有限元模拟.通过与T型试件的热压罐时效成形的数据相比较,在模具曲率半径R≥2000的情况下,数值模拟仿真的数据与试验数据的差异较大.因此根据试验数据对蠕变本构模型中的参数B、m、n的值进行了修正.应用修正后的本构方程进行模拟,最后得到的数值模拟的结果与时效成形的试验结果相比较,最大曲率半径偏差小于0.8mm,满足工程应用要求.     

中国六部门可计算非线性动态投入产出模型与参数设定

给出中国六部门可计算非线性动态投入产出模型的构模原理 ,以及如何依实际数据设定模型参数的方法 .本模型是线性列昂惕夫动态投入产出模型的推广 ,它既克服了线性投入产出模型中劳动与资本不可替代的缺点 ,又克服了可计算一般均衡 ( CGE)模型理论上只能求静态平衡点的缺点 .     

基于选择性深度集成的集装箱吞吐量混合预测模型研究EI北大核心CSCDCSSCI

精准预测集装箱吞吐量是合理规划港口建设、制定港口作业计划和调整港口发展方向的重要基础.针对港口集装箱吞吐量的复杂非线性特征,本文提出了基于选择性深度集成的集装箱吞吐量混合预测模型(HMSD).该模型首先使用经验模态分解方法将原始集装箱吞吐量时间序列分为若干个本征模函数和余波序列.考虑到各本征模函数的高度非线性特征,分别训练长短时记忆网络、门控循环单元和卷积神经网络三种深度学习模型作为基准模型对其进行预测,再运用改进的数据分组处理技术(GMDH)建立选择性深度集成模型,得到各本征模函数的集成预测结果,进一步采用自回归求积移动平均模型预测线性余波序列,将全部本征模函数和余波的预测值进行整合得到总的集装箱吞吐量预测值.为验证提出的模型在集装箱吞吐量预测上的性能,本文选取我国吞吐量具有显著差异的六个港口进行实证,结果表明该模型在六个港口上均具有最好的预测效果,最后还运用HMSD模型给出了2021年1月至2022年12月六个港口集装箱吞吐量的样本外预测值.     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

无检测器交叉口交通流量预测的灰色神经网络模型

为解决一般预测方法要求原始数据量较大,而无检测器交叉口获得的交通流量数据又非常有限的矛盾,提出了一种基于灰色神经网络的无检测器交叉口交通流量预测方法。通过选择不同长度的历史数据构建不同的灰色预测模型,对于不同灰色预测模型得到的预测结果再使用神经网络进行组合,该方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性拟合能力的特点。以107国道新市站2002年观测的交通流量作为原始数据,采用灰色神经网络进行时交通流量预测,结果表明了该方法是有效可行的。     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

基于神经网络和Markov链的交通流实时滚动预测

将神经网络与Markov链理论应用于随机波动的交通流预测,提出一种交通流实时滚动预测方法TDFNM。该方法采用BP网络构建交通流基准预测曲线,使用SOM网络划分残差的Markov链状态,计算各状态加权中心及状态转移概率矩阵,以此预测未来状态,并以加权中点修正计算得到精度较高的预测值,同时实现实时滚动预测。采用方法TDFNM对实测交通流量进行仿真实验,结果表明,该方法比常规BP网络具有更高的准确性,而且具有较强的适应性。     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

基于小波-NAR神经网络的气象要素时间序列预测与天气指数彩虹期权估值

本文基于小波-NAR神经网络技术,提出气象要素时间序列预测与天气指数彩虹期权估值的原理与方法,同时采用2000-2014年悉尼日均气温和日降雨量数据,进行气象预测与天气期权估值.结果显示:小波-NAR神经网络因灵活的非线性动态结构较好地反映了气象变化特征,其预测与估值效果优于其他模型;该天气期权价值形成中的非线性特征取决于五种经济效应.科学预测天气和估计天气期权价值,开发天气衍生品,可挖掘天气不确定性的经济价值,弱化其对天气敏感产业的影响.     

Study on the Unequal Weight Moving Average Predition Model Based on the Neur

ＳｔｕｄｙｏｎｔｈｅＵｎｅｑｕａｌＷｅｉｇｈｔＭｏｖｉｎｇＡｖｅｒａｇｅＰｒｅｄｉｔｉｏｎＭｏｄｅｌＢａｓｅｄｏｎｔｈｅＮｅｕｒａｌＮｅｔｗｏｒｋＴＡＯＹｏｕｄｅ；ＹＡＮＧＨｏｎｇｚｈｉ（ＸｉｎＹａｎｇＴｅａｃｈｅｒｓＣｏｌｌｅｒｅ，ＨｅＮａｎ４６４...     

果园土壤贮水量神经网络估算模型研究

利用神经网络对土壤水分进行预测时，一般需考虑多个因素（如气象因素和土壤特性等），需测量多种参数值。神经网络模型只以0～100cm范围内各层的土壤含水量为输入变量，对0～180cm土层的土壤含水量进行了预测，并与Biswas估算模式的预测结果进行了比较。结果表明：神经网络方法具有很高的预测精度，预测值的相对误差在-4．26％～3．22％；Biswas估算模式的预测效果较差，预测值的相对误差在-11．87％～7．95％。由此可见，该神经网络模型具有较强的便利性和实用性，可用于对本地区果园的土壤墒情进行估测。图8，表2，参14。     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.