基于二层分解技术和改进极限学习机模型的PM_(2.5)浓度预测研究

准确的PM_(2.5)浓度预测对于保护公众健康和提高空气质量有重要意义,然而,由于PM_(2.5)浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机(ELM)模型的PM_(2.5)浓度预测方法,该方法融合了快速集成经验模态分解(FEEMD)和变分模态分解(VMD)两种分解技术以及经过差分演化(DE)算法优化的ELM模型.为了验证所提出预测方法的有效性,本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明:1)相比于单层分解技术,本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征;2)基于二层分解技术的DE-ELM预测模型可以显著提高PM_(2.5)浓度的预测精度.     

大数据环境下科技情报研究的新模式

 大数据时代为科技情报研究与服务带来了重大的机遇和挑战,迫切需要发展新的数据驱动型情报研究模式来变革数据治理和工作流程,提高情报研究和咨询服务的质量。本文概述了传统的人力驱动型科技情报工作模式,分析了存在的问题和局限性;综述了海量异构数据集成、数据管理与分析方法和工具的开发进展;提出了建设数据驱动型科技情报研究模式的整体架构,展望了未来研究的重点。     

基于ICA变量分组的集成软测量方法研究

提出了一种基于独立主成分分析（independent component analysis,ICA）变量分组和集成学习的软测量建模方法.该方法首先运用ICA对输入过程变量进行分组,建立多个变量组子空间.然后在各变量组子空间内提取子样本集,降低变量和变量组之间的耦合性,并基于核偏最小二乘法（KPLS）建立预测子模型.最后,采用贝叶斯方法对子模型的输出进行集成,给出最终预测结果.运用该方法对工业橡胶密炼过程的数据进行了预测,并与其它软测量方法的结果进行比较分析,实验结果表明,本文提出的方法具有更好的预测性能.      

信息集成研究回顾与展望

叙述了国内信息集成研究的现状、国内信息集成研究的发展脉络,指出了其存在的问题,探讨了信息集成研究的发展方向。     

中国数字科技馆集成方法研究

国家科技基础条件平台项目--中国数字科技馆需要对海量复杂资源进行高效集成和统一服务.由于其资源组织形式和类型的复杂性,对资源集成的内容和方法的研究显得十分重要.对于复杂类型与组织形式的海量数据的集成,运用异步消息处理机制,并结合资源元数据方法,研究中国数字科技馆特有的资源集成的内容、模式,并在此基础上构建资源集成系统,实现海量复杂资源集成过程的自动、高效和可控.     

3S集成背景下全球导航卫星系统与地图学教学探索

进入21世纪以来,全球导航卫星系统(GNSS)、遥感(RS)和地理信息系统(GIS)融合后形成一项现代信息技术——3S集成技术.本文系统地论述了3S集成技术的根基,随后就当前GNSS与地图学教学中凸显问题进行探讨,并提出相应举措.主要包括:(1)对GNSS教学内容的补充与完善.在讲授用观测方程计算出GNSS接收机在地球...     

增材制造中填充方式研究综述

对增材制造(3D打印)模型数据处理中分层线框轮廓的填充方式进行综述．针对不同的适用场景,将常用的3D打印工艺按照填充方式分为按路径连续填充和按需式阵列填充,对这两类填充方式进行了分析和对比．按路径连续填充的路径规划方法主要包括平行线填充路径、轮廓偏置填充路径和混合填充路径,按需式阵列填充的算法主要包括扫描线填充算法、边界标志填充算法、种子填充算法和扫描线种子填充算法．同时针对前沿的3D打印中的填充方法,结合具体实例阐述了多自由度的空间填充方法、多方法集成的填充方法和非均质零件的填充方法,并指出了3D打印填充方法的改进方向．     

建筑施工关键风险要素数字化监控技术研究

基于建筑工程施工关键风险要素数字化监控技术的发展现状,从施工现场人员安全管理、设施设备数字化监测及控制、整体爬升模架安全状态监控、垂直运输设备安全状态监测、施工环境安全状态监测预警等方面系统论述了现场施工关键风险源的数字化监控要点及应用方法,介绍了施工风险一体化集成监控平台功能设置、数据采集与分析、风险评估、控制措施的开发要点,分析了建筑工程施工风险数字化监控技术存在的不足和研发的重点,有助于促进建筑施工领域的数字化转型发展,可为业内同行提供参考和借鉴作用．     

ArcGIS在交通规划信息平台中的应用

分析现有交通规划信息数据管理方法的不足,提出了利用GIS空间数据库技术管理城市交通规划数据的基本方法。将GIS实际用于交通规划中,形成交通规划地理信息平台,提高交通规划决策的科学性和合理性。     

基于信度分配的串行集成CMAC及其仿真

针对Albus CMAC在学习精度与存贮容量之间的矛盾,借鉴神经网络集成思想,并引入可信度的概念,提出了基于信度分配的串行集成CMAC,以提高学习系统的泛化能力和网络收敛速度。通过对复杂非线性函数的逐级降维,分步逼近,有效地提高了网络的学习精度。仿真研究进一步验证了该方案的可行性和有效性。