基于案例推理和数据融合的煤与瓦斯突出预测

为了实现对煤与瓦斯突出快速、准确和动态预测,确保煤矿安全生产,考虑影响煤与瓦斯突出多种因素,提出了一种基于案例推理和数据融合技术的煤与瓦斯突出预测方法.利用基于均值的分批估计融合方法对判别煤与瓦斯突出指标的多传感器数据进行处理以获取更为准确、可靠的数据以提高预测准确性,以获得的多种判别煤与瓦斯突出指标数据为输入利用案例...     

多层次降尺度方法对安徽省月降水量预测的研究

 利用1961～2004年多层次的NCEP环流资料初选出与台站月降水量的显著相关区,通过最优子集回归模型对各初选因子进行筛选和组合,形成了安徽省35个台站的月降水量回归模型,并分别利用NCEP资料和月动力延伸模式环流预报作为输入场对2005～2009年安徽省月降水量进行了回报.结果表明,该降尺度模型包含高低层的多种资料,各因子组合起来可以从统计上反映出一些影响降水的环流配置型,较传统的仅用500hPa资料的降尺度模型内容更为丰富.从回报的效果来看,预测值与实况值平均距平符号一致率为63%,PS评分为75分,其中对涝月的预测效果要好于旱月.     

京津冀地区耕地变化分析及未来趋势预测

利用京津冀地区耕地面积统计资料为基础,采用耕地资源变化率计算方法和灰色预测法,分析和预测了该地区耕地的变化及趋势.研究结果表明:1985-2007年京津冀地区耕地总面积呈波动下降趋势,总共减少924.3 k hm2,多年平均变化率为-0.59%.耕地的三种类型之中,旱地和水田面积几乎年年减少,多年平均变化率分别为-3.57%和-0.73%,而水浇地的面积在大部分年份都有所增加,多年平均变化率为0.85%.2020年,京津冀地区的耕地总量将从2007年的6 531.61 k hm2减小至6 164.4 k hm2,耕地总面积平均每年减少0.44%,即28.7 k hm2.旱地和水田将继续保持较高的减少率,平均每年分别减少2.57%和0.84%.而水浇地的预测结果为2007年至2020年间每年稍增0.17%.在未来的十几年中,尽管耕地减少的速率减缓,但是京津冀地区耕地保护的压力依然很大.     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

基于BP人工神经网络的路基压实度预测模型研究

在大量路基碾压实验的基础上,通过对BP人工神经网络的分析,建立了路基压实度预测神经网络模型,并利用MATLAB环境下的神经网络工具箱开发了相应的程序.预测结果表明,该模型程序具有学习能力强、预测精度较高、快速方便等特点.这项研究为路基碾压施工工程中土的压实度预测研究提供了新的研究思路.     

飞行计划集中处理的流量瓶颈点的识别与优化

为建设全国级的空中交通流量管理系统提供智力支持,将飞行计划集中处理这一手段,运用于预战术飞行流量管理阶段的流量管理方法和技术的研究之中,提供了一条新的研究思路.首先,利用过点时间预测算法计算过点时间,并根据过点时间统计出关键航路点的流量预测值;接下来,通过航路点容量模型识别航路上飞行流量大于容量的航路点,即流量瓶颈点;...     

基于遗传算法的水火弯板工艺参数预报方法研究

以钢板加工时间和铜板收缩率曲线拟合优度作为两个目标函数．建立水火弯板工艺参数优化问题数学模型,并应用权重系数变化法．将问题转化为单目标优化问题．基于分层遗传算法（HGA）,应用三次样条插值、误差分析等方法,将目标函数转化为群体中个体的适应度函数．由加热线条数、相邻加热线之闻距离（加热线间距）和加热线收缩量作为3个约束条件,构造分层遗传算法编码,并且内外层编码在遗传运算时分别采用不同的遗传算子,最终得到钢板水火弯板加工工艺参数预报结果．经算例验证,该方法可以对船体外板作出良好的水火弯板工艺参数预报．     

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。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。