煤矿开采矿井涌水量预测方法现状及发展趋势

煤矿开采矿井涌水量对于煤矿防治水以及安全高效生产具有重要意义。详细阐述了矿井涌水量预测方法,并对其预测过程进行了较为详细的论述与分析。指出矿井涌水量预测方法存在的问题,针对存在的问题,提出了未来应建立多因素综合模型,将传统的单一模型进行扩大,提高适用范围和预测精度;建立基于大数据的预测,将矿井涌水量与大数据有机结合,通过大数据分析涌水量的特征预测矿井涌水量;进行系统理论综合分析,将矿区涌水量作为一个系统,从时空序列中提取地下水变化特征,为涌水量的预测提供支撑。     

趋势面法提取相山地区地气异常及应用效果评价

为了更合理地圈出地下铀矿体在地表形成的地气异常,以江西省相山地区火山型铀矿田地气测量数据为例,使用趋势面分析方法,以合适阶次的多项式拟合地气元素的整体分布趋势,绘制异常分布图,与传统平均法圈定的异常区域进行对比。发现趋势面方法能够较客观地拟合研究区元素的空间分布趋势,圈定出叠加在区域地球化学场上的局部异常,应用效果明显较传统平均法更为理想,说明趋势面法对于较大区域的地气异常提取更具优势。圈定的异常在空间位置上与综合资料推测的铀成矿有利前景区域对应良好,表明趋势面方法在地气测量中的应用能为深部隐伏铀矿靶矿区的划分提供重要信息。同时趋势面法圈定的U、Th、Rb元素异常与课题组综合资料推测的铀成矿有利位置对应良好,表明U、Th、Rb元素可视为良好的铀矿指示元素。     

基于专利的技术发展趋势评价系统

技术发展趋势的研究能够帮助政府、企业合理地制订研发战略,对经济社会产生广泛而深远的积极作用。在总结并改进现行的专利时间序列、专利引用以及专利IPC分类分析方法基础上,从技术的生命周期、技术研究热点和技术机会方面,提出了基于专利分析的技术发展趋势评价系统,并以第三代移动通信技术领域作为研究对象进行了实证分析。实证分析表明,该评价系统具有较好的科学性与实用性。     

浅谈视频监控系统的应用与发展

介绍了视频监控系统的主要应用领域以及监控系统的不同发展阶段,并展望了视频监控系统未来的发展趋势。     

浅析我国建筑业的现状及发展趋势

阐述了建筑业的概念,分析了我国建筑业发展的现状和存在的问题,从建筑业的国际化、技术创新、绿色建筑和循环经济等方面对我国建筑业今后的发展趋势进行了探讨,指出我国建筑业只有狠抓管理、努力创新、大胆改革,才能有更好的发展前景。     

信息资源管理的研究现状和发展趋势

通过对大量文献的研究,从信息资源管理的研究现状出发,分析了新技术在信息资源管理当中的应用,并探讨了信息资源管理研究的发展趋势。     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

基于合芜蚌产业圈的安徽新能源汽车发展研究

汽车产业是安徽的支柱产业,新能源汽车的开发将是安徽发展战略的新方向。＂合芜蚌自主创新试验区＂的启动为合芜蚌产业圈发展新能源汽车提供了难得机遇。在研究新能源汽车发展现状和产业政策的基础上,提出三市应该进行资源整合和优势互补,共同构建虚拟产业园区,从而加快实现新能源汽车的产业化和市场化。     

1951—2017年松花江流域连续性极端降水事件时间趋势特征分析

连续性极端降水事件是松花江流域洪涝灾害的重要原因.基于1951—2017年松花江流域41个气象站点降水数据,采用泊松回归方法进行时间趋势分析.结果表明:松花江流域连续性极端降水事件在第90百分位阈值下、第99百分位阈值下一次回归结果显著,呈现增加趋势,指数化系数为1.006841、1.037159;3个子流域在不同百分比阈值下通过检验,均呈现出增加趋势,松花江干流流域在第99百分位阈值下一次回归结果显著,指数化系数为1.050931,嫩江流域在第90百分位阈值下、第95百分位阈值下一次回归结果显著,指数化系数为1.0050186233、1.0058413365,第二松花江流域在第95百分位阈值下一次回归结果显著,指数化系数为1.007653;各站点回归结果差异较大,第90百分位阈值下9个站点通过检验,趋势特征为:4个站点增加,4个站点减少,1个站点先减少后增加,第95百分位阈值下7个站点通过检验,趋势特征为:2个站点增加,3个站点减少,1个站点先减少后增加,1个站点先增加后减少,第99百分位阈值下仅有1个站点通过检验,呈现增加的趋势.     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.