基于ANFIS的桥式起重机焊接箱形梁疲劳裂纹扩展预测

疲劳裂纹扩展问题是桥式起重机主梁结构设计的一个重要问题.为了确保起重机的安全,需要提前预知桥式起重机焊接箱形主梁的疲劳裂纹扩展长度,因而要建立一个精准的预测系统对裂纹长度进行预测.为此建立一个基于自适应模糊推理系统(ANFIS)模型对桥式起重机焊接箱形主梁疲劳裂纹扩展长度进行预测.该模型通过一套If-Then的规则,自动调整出适当的隶属函数以满足所要求的模糊推理的输入和输出关系;只要选取适当的模糊规则数,就可以得到最接近实际裂纹扩展长度的预测结果.根据桥式起重机焊接箱形主梁疲劳试验结果,并与三层神经网络模拟结果和三次样条函数模拟结果进行比较,可以看出利用ANFIS系统建立的预测疲劳裂纹扩展的模型可以有效控制误差范围,所以能够准确的预测出疲劳裂纹的扩展情况.     

氢化锂材料车削表面粗糙度预测模型的建立

文章主要介绍了运用回归分析方法建立氢化锂车削表面粗糙度预测模型的方法。通过所建立的粗糙度预测模型，研究了车削过程中切削速度、进给量、切削深度对表面粗糙度的影响。经加工试验证明了该表面粗糙度预测模型的有效性，从而实现加工前在确定切削条件下预测和控制表面粗糙度的目的。     

上海市日供水量与气象要素的相关性分析及预测模型的建立

基于上海市2010-05-2013-12日供水资料和气象观测资料,利用数学统计方法分析日供水量与气象因子的关系,并建立日供水量预报模型。结果表明:一年之中,日供水量大体呈现"单峰单谷"的波动特征,夏季(7、8月份)日均供水最多,冬季(2月份)最少;日供水量具有显著的节假日效应;除降水外,日供水量与其它气象因子均有显著的相关性,且夏半年相关系数明显高于冬半年;日供水量与温度的关系最为密切,且与前一日最高温度的相关系数最高,同时,当温度大于20℃时,日供水量对于温度变化的响应极其敏感;供水预报模型精度较高,可为城市用水规划、合理调度的气象服务保障提供科学依据。     

物联网中基于KNN和BP神经网络预测模型的研究

物联网中,无线传感器网络由于环境、资源等因素的变化和限制,会导致部分数据异常或丢失,使数据传输的可靠性降低。因此常用的BP神经网络方法在根据最终获取数据进一步处理时的准确性不高。提出K近邻算法和BP神经网络相结合的二阶段预测模型,先使用K近邻算法对BP神经网络输入数据中异常或缺失数据进行估值和替换预处理,同时进行初步预测,然后将预处理后的数据输入BP神经网络,综合BP神经网络和KNN的预测结果给出最终结论。实际环境中实验表明,所提出的模型能够有效地提高物联网环境中预测的准确度和稳定性。     

基于DE-EDA-SVM的瓦斯浓度预测建模仿真研究

瓦斯浓度作为衡量煤矿瓦斯危害程度的一个重要指标,为了能够更加准确的预测煤矿瓦斯的浓度,提出一种差分进化-分布估计（DE-EDA）算法优化的支持向量机瓦斯浓度预测新方法。利用无线传感网络系统采集工作环境中的瓦斯浓度数据,并经过降噪处理后作为训练样本。采用DE-EDA算法对SVM模型的惩罚参数C、损失参数ε以及径向基参数γ进行优化,利用优化后的模型进行瓦斯浓度的预测。通过MATLAB软件仿真可以得出,所采用的优化模型能够准确的预测煤矿瓦斯浓度的变化趋势。并与经过粒子群（PSO）算法优化的预测模型相比较。结果表明,经过DE-EDA算法优化的SVM模型具有训练速度更快、预测更准确的特点,为实际煤矿瓦斯浓度的预测和处理提供了更加可靠的理论基础。     

混合核函数最小二乘支持向量机的网络流量预测模型

针对网络流量复杂多杂特点,基于组合优化理论,提出一种混合核函数最小二乘支持向量机的网络流量预测模型。首先,基于混沌理论将一维网络流量变为多维时间序列,然后,采用多项式核函数和高斯径向基核函数构建混合核函数,并将训练样本输入到最小二乘支持向量机中学习,最后,采用真实网络流量数据对模型性能进行测试。结果表明,相对于单核函数最小二乘支持向量机及其它网络流量预测模型,模型能够准确捕捉网络流量变化规律,有效地提高了网络流量的预测精度,而且具有一定的鲁棒性。     

基于灰色神经网络一种预测模型的研究

应用灰色系统理论和BP神经网络(简称为GMBPNN)来创建农业机械化的预测模型以展开有关研究。通过举例来分析该方法,并利用GMBPNN获取有关结果,再与灰色预测模型和BP神经网络预测方法进行比较。仿真结果证明本文算法效率高,为改善预测准确性提供新途径。     

基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机( SVM) 机器学习方法,采用生物地理学优化算法( BBO) 优化其惩罚因子 c 和核函数参数 g,建立了基于 BBO-SVM 的大坝变形预测模型。结合 2011—2016 年水口大坝 4 个测点共 900 组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与 SVM、PSO-SVM 和 ABC-SVM 大坝变形预测模型进行对比。结果表明: 文中提出的 BBO-SVM 模型不仅预测精度高,且稳定性更好,4 个测点的均方根误差分别达到了 0. 332 0、0. 473 5、0. 405 7、0. 222 8,拟合优度分别达到了 0. 910 4、0. 961 0、0. 962 4、0. 956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

商业智能在连锁企业进销存管理中的应用研究

商业智能的应用能够对企业中具有价值的数字信息进行知识转化,并且提供合理和准确的决策支持信息给企业管理者.文中在连锁企业进销存管理系统OLTP数据库的基础上,构建了一个商业智能系统.文中还通过对需求预测和库存管理模型的研究,提出了一种前驱性需求预测锁门店订货管理模型,从而使系统可以为连锁企业提供连锁门店进销存管理决策支持,利用该系统管理者能够及时获得反映连锁门店的销售、库存以及采购订货数据,从而提供重要的依据给连锁企业的经营决策.