基于改进最小二乘支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集、熵权法、自适应粒子群优化算法与加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想。首先阐述了粗糙集、信息熵、自适应粒子群优化算法和加权最小二乘支持机的基本原理,并改进了自适应粒子群优化算法的搜索方式和最小二乘支持向量机的加权方法;然后建立了基于粗糙集、熵权法和自适应粒子群优化加权最小二乘支持向量机的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。     

基于概念格的神经网络日最大负荷预测输入参数选择

针对电力系统中影响负荷预测精度的众多因素如何选择问题,提出一种概念格属性约简算法,采用该算法挖掘出与待预测负荷量相关性较大的各属性作为神经网络预测模型的输入参数,降低了输入参数规模,确保了负荷预测模型输入参数的合理性,解决了神经网络模型输入参数的确定问题.通过对重庆市某区实际日最大负荷数据的计算分析,结果表明该算法提高...     

面向服务的网络管理系统: 设计与实现

在对已有网络管理模型进行研究的基础上,提出一个可实施服务管理的网络管理系统的体系结构. 该系统具备松耦合结构,可满足异构网络环境(IPv4与IPv6混杂的网络环境)的部署要求. 服务管理的基础是具备实体含义的服务元和服务元的组合逻辑,服务管理的实现是对服务元进行策略管理并通过服务视图进行可视化表达. 网络天气图作为该系统的一个典型实例,阐明了面向服务管理的实际意义.     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

灰色残差修正模型在中长期负荷预测中的应用

电力系统负荷预测是电力系统发电计划的重要组成部分,也是电力系统经济运行的基础。本文在应用GM（1,1）模型的基础上,建立了两种应用残差对预测数据进修正的模型。实例表明本文提出的方法较传统GM（1,1）模型有更高的精度。     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

数据仓库技术在天气预报中的研究探讨

数据仓库技术是一种在天气预报中采用的新方法,首先对数据仓库技术进行了简要概述,进一步结合气象数据特点和天气预报业务特点,对数据仓库技术在天气预报中的应用前景和设计要点进行了的探讨.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面;结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%;在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

2003年10月与11月两次主要日冕物质抛射事件的空间天气效应比较

研究了分别发生在2003年10月28日和2003年11月18日的两次相似的强烈日冕物质抛射(CME)事件.通过比较这两次CME事件以及它们的行星际响应,分析了其伴随的两种主要空间天气效应:太阳高能粒子事件和地磁暴.这两次CME事件均伴随有一个强耀斑和一次暗条爆发,并且之前都有一个较弱的CME从同一源区产生.第一个CME事件引起了一次极大的太阳高能粒子事件,而第二个则没有引起明显的太阳高能粒子事件.这两次CME事件均引起了大的地磁暴,且第二个CME所引起的地磁暴比第一个CME所引起的地磁暴更强.通过比较分析这两次CME事件,以及与之相关的活动现象和对应的行星际磁云(MC),讨论了这两次CME引起不同空间天气效应的原因:形成不同强度的太阳高能粒子事件在于CME爆发过程中的能量释放率在这两次事件中显著不同,而地磁暴强度的差异则是由行星际MC轴的方向以及MC经过地球时的相对位置不同造成的.     

GM(1,1) 模型的边值分析

GM（1,1）模型中边值条件对于生成列微分方程中参数的估计值没有影响,但是对于生成序列和原始序列的预测值却有着指数修正效用,使用均方程差和最小准则,针对生成序列和原始序列给出了确定边值修正项的两种方法,实例表明,考虑边值修正项可以大大地降低预测误差。