基于网络关注度的大宗商品市场预测研究

随着大宗商品市场化的加快和电子信息技术的快速发展,以互联网为载体的网络信息将方便快捷地传递到市场及市场参与者.本文从海量开源数据出发,利用搜索引擎平台,提取核心信息构建网络关注度指标,并提出了基于网络关注度的大宗商品价格预测模型.通过引入具有不同核函数的支持向量回归模型,分别建立了针对单个市场(原油、铜以及玉米)的网络关注度预测模型和综合考虑市场间联动性的多市场网络关注度预测模型.实证结果表明,网络关注度对于市场价格的变动有显著的格兰杰因果关系,引入网络关注度指标和相关市场信息能显著提高预测精度.     

支持向量机在围岩变形监测中的应用

根据支特向量机优越的非线性拟合性能,建立变形量的时间序列预测模型,滚动预测围岩变形量,提高了预测模型的训练速度和预测推广能力。该方法用于西乡-固戍盾构段围岩变形预测,并与BP神经网络预测进行比较。结果表明这种模型可预测区间较长且具有较高的准确度,能够科学地指导现场施工和监测。     

基于改进型支持向量机的胶接强度预测模型

文章建立了有限元模型计算复合材料修复的含中心裂纹钢板的裂纹处应力强度因子(stress intensity factor,SIF),把仿真结果作为训练样本;提出通过支持向量机(support vector machine,SVM)对样本集进行训练和预测,建立基于复合材料补片尺寸参数的胶接强度预测模型,综合考虑补片的长度...     

曲线ρ＝r+aγ+b∫SS0βds的曲率和挠率计算

已知曲线Γ:r＝r(s)的基本向量为α,β,γ,曲率和挠率分别为κ,τ,研究了由γ,β和r所作出的曲线(Г):ρ＝r aγ b∫SS0βds的曲率(к)和挠率(τ)的计算问题.     

基于互信息的Web文档聚类方法

由于网络信息的激增,如何充分利用大量的信息,并有效地为Web用户服务成为一个急需解决的问题。相关研究表明利用Web文档聚类的方法可以缩小信息检索的范围,提高查询准确率。通过分析Web文档的特征以及常用Web文档聚类方法的优缺点,提出了一种基于互信息理论的Web文档聚类的方法。在聚类的过程中,计算特征词之间的互信息值,根据阈值判断特征词是否属于同一类别。实验结果表明,该方法与K-Means聚类算法相比较,在准确率和召回率方面均有提高。     

智能故障诊断技术及应用的研究

首先讨论了故障诊断系统的主要任务及其不同的分类方法,接着对几类典型智能故障诊断方法的原理、特点、诊断内容、诊断过程作了分析和比较。由于在实际应用中一种单纯的故障诊断方法往往得不到理想的诊断效果,因此重点讨论了几种重要的综合智能故障诊断方法。最后对智能故障诊断方法的应用做了简要介绍并对智能故障诊断方法的进一步发展做出思考。     

复空间形式的紧致全实伪脐子流形

主要研究复空间形式中具有平行法平均曲率向量的紧致全实伪脐子流形,给出了截面曲率作为全脐子流形判定条件的结果.     

支持向量机中核参数选择的Max-Min方法

通过核函数技巧,定义了高维空间中两样本点之间的距离.引入异类距离平方阵,提出了一种新的选择SVM核参数准则,并给出算法,即max-min方法.该方法利用不同类的训练样本之间的距离,而不通过SVM标准样本训练寻求最优的(或有效的)核参数,避免了传统SVM在模型选择上经验性强和计算量大的不足.同时又分别以径向基核函数(RBF)和多项式函数为例进行试验,显示采用该方法的算法步骤.结合试验结果,得出关于核参数的选择问题一般在一个开集内只有有效值,不存在最优值,即是一个多目标优化问题的结论.并引用已有的实验结果充分支持我们的结论.max-min方法不仅在理论上提供了一种选择最优核参数的方法,而且对试验性选择具有指导作用.     

振动自感知刀具磨损无线监测

Zigbee无线技术监测切削刀具磨损的振动传感器系统,存在通信距离近、组网复杂等问题,故提出一种基于WiFi无线传感器网络采集振动信号的刀具磨损状态监测方法。首先,组建以ESP8266 WiFi开发板为核心、高精度振动传感器ADXL345为敏感元件的无线采集振动信号网络;然后,根据刀具整体形状,将振动传感器粘贴在刀具表面,并使用自感知刀具进行45钢棒料外圆切削实验无线采集振动信号,同时在相同的切削条件下采集振动信号与有线方式进行对比,验证该装置可行性;最后,将时域信号中部分统计量作为特征向量导入至支持向量机回归模型中进行训练,并获得刀具磨损预测模型。实验结果表明,自感知刀具无线采集信号的相对误差在3.61%以内,具有较好的可行性;支持向量机回归刀具磨损预测模型的分辨准确率达到94.38%,证明所设计的无线系统可以准确地监测刀具磨损。     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。