基于RS与LS-SVR的储层参数预测

该文提出结合粗糙集(RS)和最小二乘支持向量回归(LS-SVR)的方法.该方法利用RS对原始数据进行约简,更好地减少了支持向量的维数;同时采用LS-SVR解决了常规SVM计算速度慢、抗噪能力差的缺点.实例证明该方法应用在复杂地层储层参数预测中具有优越性.     

基于空间分集和轨迹连续的实时Fingerprint定位算法

在室外复杂环境下,接收信号强度的浮动是制约Fingerprint定位精度的一个主要问题。传统的方法利用时间分集和平均滤波器来减小信号的浮动,这增加了定位的延迟,无法满足室外实时定位的需求。为了解决信号浮动和定位延迟问题,在分析接收信号强度空间相关性的基础上,提出了一种实时的Fingerprint定位算法,利用空间分集减小信号的浮动和定位延迟,同时根据运动物体轨迹的连续性提高定位精度。室外环境下的实验结果表明了所提算法能显著提高Fingerprint定位系统的性能。     

关中盆地混合地下热水化学成分的随机模拟

以水文地球化学理论和水文随机模拟技术为基础,利用水文地球化学模拟方法对关中盆地混合地下热水中主要离子与主要离子总含量TDI的关系进行分析,采用最小二乘法及根据残差的偏态系数进行参数估计以确定最适线性方程定量模拟关中盆地水化学场的混合作用对水化学成分的影响.研究结果表明:关中盆地地下热水中的主要离子矿化度与TDI之间具有...     

无线传感器网络测距定位算法改进与分析

在无线传感器网路实际应用中,节点定位技术是重要的支撑技术之一.不同于常规的求解距离等式方程组解法,分别采用MLE(最大似然估计参数)法和最小二乘法,对无线传感器网络测距的定位算法进行改进.非常有趣的是,两种不同方法得到的结果完全一致.最后经过实验评估和算法仿真对比分析测距定位算法改进前后的特性,结果表明改进后的测距定位算法能取得良好的定位精度.     

线性模型中回归系数广义岭估计的相对效率

对于Gauss-Markov模型,给出了回归系数的广义岭估计相对于最小二乘估计的几种相对效率的上、下界,并讨论了它们之间的相互关系.     

基于聚类分析和区间判断矩阵AHP的群组评价

把区间模糊数的一些基本理论引入到AHP群组评价中,并利用聚类分析方法来确定专家权重系数,得到一种便捷的群组评价算法。最后结合实例,对该方法具体的应用作了介绍,根据该算法计算的结果合理、准确。     

基于GIS的线路土石方工程量的快速计算方法

基于GIS道路选线设计系统,提出一种线路中、边桩坐标的快速计算方法移动圆心坐标法.采用最小二乘法将地面线拟合成双向横坡来计算各断面的填挖方面积,提高计算速度的同时,有效保证了计算精度.     

方钢管混凝土柱-钢梁节点静力性能试验研究

通过对4个隔板贯穿式方钢管混凝土柱-钢梁连接节点试件的静力性能试验研究,揭示此类节点的受力机理和破坏形态,探讨梁端翼缘两侧的侧板、钢管柱的宽厚比以及隔板的外伸长度等因素对节点承载力和传力机理的影响.试验结果表明,该类节点具有受力明确,传力途径清晰的特点;宽厚比的改变对节点承载力的影响不大,但对于节点板剪应变的影响较大;梁端翼缘两侧增加侧板可以减缓隔板与梁相交的角隅处应力集中现象,使塑性铰出现梁上,远离脆弱的梁端焊接区,提高了节点的延性.     

一种基于EMD和ANC技术的自适应降噪方法

为了提高分析信号的信噪比,基于经验模态分解和自适应噪声抵消技术,提出了一种新的信号去噪方法。该方法首先对信号进行自适应噪声抵消,然后进行经验模态分解,得到不同尺度上的固有模态函数,再对不同尺度上的固有模态函数进行噪声属性判定,如果不是噪声则选用不同的滤波参数,进行自适应噪声抵消,最后对各尺度上噪声抵消后的信号进行重构,得到去噪后的信号。结果表明,该方法比基于最小均方误差准则的自适应噪声抵消方法更能有效地消除信号中的噪声。     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.