基于自适应神经模糊推理系统的企业市场预测

针对传统的市场预测方法几乎回避了市场信息具有模糊性的特点，出现的用神经网络进行市场预测又不能表达模糊语言的情况，分析了自适应神经模糊推理系统的结构机理，提出了用自适应神经模糊推理系统进行企业市场预测；仿真结果说明了该方法的有效性和可行性。     

应用级联神经网络预测供热锅炉次日小时热负荷的初步研究

通过对供热锅炉房热负荷的分析，建立了基于两个BP网络的级联神经网络(CNN)。相关性分析表明，可将时间序列负荷数据作纵横向分离，横向相关系列负荷可作为CNN前一BP子网络的输入数据，纵向相关系列负荷可作为CNN后一BP子网络的输入数据。前一BP子网络用于小时负荷的初始预测，其预测结果加入后一BP子网络的输入系列，实现对负荷的精确预测。按照此模型，建立了某一印染厂锅炉房次日小时蒸汽负荷的CNN预测模型。程序运行结果表明该模型在预测时足够准确可靠。     

光纤Bragg光栅横向负载敏感特性的实验研究

对光纤Bragg光栅的横向负载敏感特性进行了实验研究 .利用光纤中的应力双折射效应 ,使光纤光栅横向受压 ,产生谐振波长分裂 .通过实验研究得到了良好的谐振波长分裂与横向负载的关系曲线 ;在此基础上 ,进行了波长寻址的多点横向负载分布测量的初步探索 ,完成了两光栅同时传感的实验研究 .     

战区反导拦截效率模型研究

在未来防空作战中,反战术弹道导弹(TBM)是防空导弹部队担负的重要作战任务。针对拦截战术弹道导弹过程中,难以用一般预警雷达完成情报预警的问题,建立了情报预警系统的发现概率和预警概率计算模型,以及防空导弹拦截系统的排队论模型,给出了反导作战拦截效率的计算方法,并讨论了提高反导拦截效率的对策与方法     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

FS120型空心粉丝机挤压螺杆的设计计算

通过对FS-120型空心粉丝机挤压螺杆的参数选择、载荷公式的建立，计算了挤压螺杆的各种变形。     

钢管混凝土拱极限承载力计算及相关参数分析

采用考虑材料非线性的钢管混凝土拱极限承载力计算方法,对两个模型拱进行了极限承载力计算及相关参数分析.在该方法中,对钢管混凝土拱结构采用纤维单元模型,该模型假定钢管与混凝土完全粘接,钢管对核心混凝土的套箍作用体现在以一维形式表达的核心混凝土的应力-应变关系曲线之中.针对材料非线性分析中单元内各点刚度参差不齐的特点,采用单元内设小元的方法(相当于子结构),编制了非线性有限元程序.在该程序中,计算模型完全是基于小元层次进行的,比如:单元刚度矩阵由小元刚度矩阵凝聚而成,单元节点的残余力由小元节点的残余力构成,故只需改变单元内小元个数这一个参数,就可实现对结构的重新划分,极大地降低了非线性方程组的阶数,且方便实用.在程序计算结果得到模型试验结果验证的基础上,还分析了套箍系数、截面含筋率及混凝土强度对结构极限承载力的影响.     

路堤荷载下含硬壳层软土地基破坏模式

通过理论分析和数值计算,对比分析在路堤荷载作用下含有连续和不连续硬壳层的水平层状软基的破坏模式,针对路堤坡脚外硬壳层不连续的情况(如存在鱼塘等),提出以局部剪切破坏模式失稳的破坏模式判定参数,即临界距离L_(cr);借助正交试验原理,对L_(cr)的影响因素进行分析,给出各因素的敏感性顺序;利用逐步回归迭代方法,分别给出上限临界距离L_(cr U)和下限临界距离L_(cr D)的数学表达公式,并根据工程实例的验算论证了其可靠性。结果表明:在路堤荷载作用下,硬壳层连续时软基为整体剪切破坏;硬壳层不连续时,当不连续断面与坡脚的距离小于L_(cr U)或大于L_(cr D)时软基为整体剪切破坏,当不连续断面与坡脚的距离大于L_(cr U)且小于L_(cr D)时软基为局部剪切破坏。硬壳层厚度为L_(cr)的主要影响因素,软土层厚度为次要因素,硬壳层内摩擦角和黏聚力对其影响较小。     

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.     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.