基于模型和GIS的区域作物生产力动态预测技术

1课题简介 中国是世界上很大的粮食生产国和消费国,持续稳定的粮食生产对维系我国13亿人口的粮食安全具有十分重要的意义。区域作物生产力的模拟预测一方面有利于充分、合理利用和保护自然资源,另一方面也有利于粮食安全评价、地区农业规划。在早期的作物生产力评价研究中,通常根据经验性模型或半机理模型进行区域作物生产力的模拟。这些模型缺乏严密的生理生态基础和机制,对作物生长过程考虑不足,     

下半年药材市场走势预测

据“中药材在线”网站近日对我国安徽亳州、河北安国、成都荷花池、广东清平、广西玉林、河南禹州等17家中药材专业市场的一项调查显示,今年上半年我国中药材市场总体走势稳中有降,多数家种品种价格下滑,野生品种价格上涨,少数品种销量减少、价格低迷。那么,今年下半年中药材市场走势如何？为此,笔者经过多方调研,现将今年下半年全国药材市场的行隋走势预测如下：     

连续搅拌反应釜的自适应模糊辨识与预测控制

化工领域为保证生产安全,对温度、压强、浓度等工艺指标有严格的要求。连续搅拌反应釜属于典型的化工设备,存在较强的非线性和时滞性,传统的建模与控制方法无法满足其精度要求。针对连续搅拌反应釜系统提出一种自适应模糊辨识与预测控制的方法。首先根据模糊划分C均值聚类算法得到模糊隶属度和初始聚类中心,在此基础上采用分层遗传算法进一步优化连续搅拌反应釜T-S模糊模型的参数。其次,采用自适应机制遗忘因子递推最小二乘法来估计T-S模糊模型的后件参数。最后,基于得到的T-S模糊模型,对连续搅拌反应釜进行自适应模糊广义预测控制,仿真结果验证了该算法的有效性。     

微小薄壁变形预测的迭代有限元法

将迭代有限元法引入微小薄壁铣削中,建立了变形量的预测模型,预测了不同径向切削深度、不同薄壁厚度时的铣削变形量大小,通过试验加工和Deform-3D仿真对模型进行了验证.结果表明:迭代有限元变形预测值与试验加工变形量较为接近;加工后的薄壁残余厚度大于理想状况下的加工厚度;最大变形量随壁厚的增大先保持最大值然后逐渐减小至0;薄壁厚度应当与切削参数相协调,调整工件刚度与切削力大小相适应,否则会导致变形量过大.     

各种速率矢量和激励线性预测（VSELP）编码器的实现

研究并改进了矢量和激励线性预测，语音编码器，介绍了８ｋｂｉｔ／ｓＶＳＥＬＰ编码方案的实现及在此基础上利用矢量量化ＬＰＣ参数，减少激励码本数和子块分裂等方法；改进的６．４ｋｂｉｔ／ｓ，４．８ｋｂｉｔ／ｓ及２．４ｋｂｉｔ／ｓ ＶＳＥＬＰ的方案和结果。     

农业生产的灰水足迹研究综述

农业生产是用水和水压力的主要原因,灰水足迹的提出为农业生产水污染领域的研究提供了新的研究思路。国内外学者们在农业生产灰水足迹领域取得了丰富的研究成果,但尚处于不断更新与发展的阶段,且缺乏核算方法、空间分布格局和影响因素等方面的系统研究。本文首先梳理了农业灰水足迹核算模型发展历程,然后从主要农作物种类、灰水足迹核算尺度、核算容许限制选择等角度分析了国内外灰水足迹空间分布格局研究现状,最后总结了农药化肥的施加、经济与资本深化程度、城乡结构、技术和产业结构、人口与社会福利等因素对农业灰水足迹总量变化的影响,提出了灰水足迹评估不足与未来研究突破点。以期为后续科学核算农业生产灰水足迹提供新的研究思路,同时为区域农业可持续发展提供理论支持。     

故障诊断与健康管理技术探究

故障预测和健康状态管理(PHM)技术是一种全面的故障检测、隔离、预测及健康状态管理技术。该技术促使维修方式从传统的事后维修和计划维修向视情维修转变。论文首先综述了PHM技术的内涵、工作原理以及系统框架,然后对PHM的关键技术故障预测技术进行了分类和介绍,最后展望了该技术的研究热点和发展趋势。     

时间序列下的离散概率事件变化预测分析研究

针对时间序列下的离散概率事件的发生概率较难预测的问题,展开此次研究.通过阅读国内外相关文献,确定了采用矩阵分解来解决概率预测问题.在此基础上,通过理论论证,确定了如何预测事件发生概率的方法,并对该方法的可行性进行了充分论证.在此基础上,利用数学分析软件Matlab进行了仿真实验,确定了基于单个对象的有限期的概率预测结果.最后,对研究成果进行了回顾与总结.     

基于季节时间序列模型对海南旅游人数的预测分析

采用季节调整模型与SARIMA模型,通过利用最小二乘法的理论和海南省2002年9月-2011年8月各月的旅游人数,对两种模型进行参数估计．比较2011年9月—2012年8月的均方误差,发现SARIMA模型的短期预测较优．最后,对海南未来一年旅游人数做出预测．     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.