支持向量机方法预测七鳃鳗miRNA前体

将七鳃鳗miRNA前体(pre-miRNA)序列的结构特征作为支持向量机工具Lib-SVM的输入向量,经Grid程序优化参数后,开发序列预测程序Lj-miRSVM,通过10倍交叉法验证,平均敏感性和特异性分别为95%和95.9%,准确率为95.8%,接收者操作特征曲线(ROC)下的面积比约为98.9%。用Lj-miRSVM预测其他20个物种的pre-miRNA,平均正确率为78.5%。     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于蚁群搜索理论的优化卡尔曼步频预测

为了使智能下肢能够实时地调节膝关节阻尼,使其固有频率与实际步频相符,达到更加接近正常步态的效果,提出了一种基于蚁群搜索理论的卡尔曼步频预测算法.利用蚁群算法在规定的连续域中寻找卡尔曼预测方程中系统误差与测量误差两个参数的最优组合,实现对卡尔曼预测方程的优化.通过获取六组人行走的步频数据进行实验,结果表明:经蚁群算法优化后,卡尔曼预测算法预测得到的步频与后验值之间的误差比跟随方式的误差分别减少了44.10%,43.42%和36.17%,证明了基于蚁群搜索理论的优化卡尔曼步频预测方法在智能下肢控制上具有良好的应用前景.     

基于模型预测的无人机组合陀螺在线标定

为解决无人机长时间航行时,由于环境等因素的变化,导致陀螺漂移、标度因数误差和陀螺安装轴不正交误差的问题,借助天文导航系统(CNS:Celestial Navigation System)提供的高精度姿态信息,基于四元数误差建立陀螺在线标定误差模型,提出一种基于模型预测的捷联惯性导航系统(SINS:Strap Down Inertial Navigation System)/CNS组合陀螺在线标定混合滤波方法.仿真结果表明,该方法能够很好地适用于在线标定,不仅满足标定精度要求,而且降低了滤波的计算量,提高了滤波的数值稳定性.     

基于模板匹配与线性预测的目标跟踪算法

为解决复杂场景中目标遮挡、算法鲁棒性差的问题, 提出基于模板匹配与线性预测的算法。该算法分为模板匹配和线性预测两部分。场景中无遮挡物时, 执行模板匹配算法, 获取目标跟踪信息; 否则, 通过预测算法估计目标的状态, 进而实现目标跟踪。实验结果表明, 在目标有遮挡干扰的情况下, 采用该算法能稳定、准确地实现目标跟踪, 与传统的模板匹配算法相比具有较强的鲁棒性。     

阿姆河右岸生物礁滩储层的横波速度预测方法

为提高阿姆河右岸生物礁滩储层叠前弹性参数反演的精度和可靠性,采用岩石物理测试分析的纵、横波速度的关系式估算小孔隙度储层的横波速度,采用基于基质矿物等效体积模量反演方法、碳酸盐岩孔隙结构反演方法和Xu-White模型方法估算中、大孔隙度储层的横波速度。用该方法计算的横波速度结果与没有考虑该区孔隙结构的计算方法结果对比,精度明显提高,并且和实际测井的横波速度曲线也更加吻合。根据阿姆河右岸生物礁储层的特点,对储层孔隙结构分类采用不同的横波预测方法,更适合于该区的生物礁滩储层反演和油气预测。     

基于QPSO-RBF神经网络的交通流量预测方法

提出一种粒子群优化神经网络的预测方法,首先基于改进的量子行为粒子群算法对神经网络进行训练,以保证各权值和阈值能得到最优解,同时对训练样本进行了基于聚类算法的优选.最后进行了仿真验证,证明本文方法用于短时交通流量预测可以获得较高的精度并且误差稳定,为交通流量预测的实际应用提供了一种参考.     

生态环境数据预测方法研究

大规模生态环境数据的处理和统计分析为环境保护和预测提供重要依据,其分析和预测方法成为数据处理的研究重点。在对海量生态环境数据的分类整理和综合处理基础上,基于时间序列的指数平滑法建立了一种动态二次指数生态环境数据预测模型。该模型针对生态环境的实时变化特征,利用二次指数平滑方法实现了静态参数的动态优化处理。以云南大理生态环境数据为样本,通过实验仿真测试和模型分析,结果验证了该模型的适用性和准确性。     

配电网馈线负荷特征及短期预测分析

馈线负荷由于其重要性受到了各方关注。在分析馈线负荷特征的基础上,对影响配电网馈线短期负荷预测的因素和馈线短期负荷预测方法进行了分析。     

激光光束质量测量的快速调光算法研究

在CCD法激光光束质量测量中,为了保证测量精度,需要在每一次采集激光光斑图像前进行调光,使得采集到的图像中光斑亮度处于理想亮度区间。现有的调光方法主要是通过测光、调光补偿方式实现的,调光速度较慢,致使整个测量过程耗费的时间较长。为解决此问题,提出一种快速调光算法:根据已经完成的采样点的光斑大小计算光束的空间方程,结合当前采样点光斑的最高亮度预测该调光参数下下一个采样点的最高亮度,并对调光参数进行调整。实验结果表明:对于每一个采样点,可以将平均调光时间从现有方法的3.64 s降低到1.77 s。能够准确地实现调光,并有效的提升测量速度。