Proteus仿真在数字电子技术课程中的应用

针对"数字电子技术"传统教学中存在的诸多问题,提出了用PROTEUS软件来进行数字电子技术仿真教学的思路.通过教学实例对PROTEUS进行"数字电子技术"课程教学、实践教学和课程设计中的应用,将PROTEUS 引入数字电子技术课程的教学中,可以使教师在讲述理论的同时,利用PROTEUS 软件进行仿真、演示,增强学生的感性认识,使学生消除对理论知识的"抽象感",提高学生的学习兴趣.使课堂的教与学在良好互动的同时更生动、直观,达到学生对逻辑电路的基本理论易于理解,对拓展应用的认识更加深刻的目的.     

基于犹豫模糊决策算法的云制造系统选择研究

云制造系统的选择评价是云制造管理中的重要研究课题。针对复杂的云制造系统评价问题,构建了基于信息集成算子和一致性提升算法的犹豫模糊互补判断矩阵（HFCJM）决策模型。由于现有的犹豫模糊加权平均算子存在不能满足幂等性的不足,提出了一种改进的犹豫模糊加权平均（I-HFWA）算子,并验证其满足幂等性这一重要性质;研究了完全乘性一致HFCJM的构造方法,并引入一致性指数概念来衡量HFCJM的一致性水平;建立了基于犹豫模糊决策算法的云制造系统选择模型,并分析了决策模型在每次迭代过程中的信息损失量、一致性水平提高程度、计算复杂度以及模型的收敛性。采用案例进行验证分析。实验结果表明,相对于对比模型,犹豫模糊决策算法在可靠性和有效性上更优。     

基于CNN的时序数据关联规则挖掘模型

传统的挖掘模型未能有效提取时序数据的特征,导致计算开销较大,挖掘准确率以及效率偏低.为此,研究结合卷积神经网络设计并组建一种新的时序数据关联规则挖掘模型.通过连续模板匹配技术分析时序数据的分布式数据结构,然后结合匹配相关检测技术对时序数据展开融合处理,通过频繁项检测提取其中的关联规则特征.对提取的关联规则通过CNN分类器进行属性划分,结合特征压缩方法对分类输出的时序数据进行降维处理,再利用模糊聚类算法构建时序数据关联规则挖掘模型.仿真结果表明:模型能够有效降低挖掘过程的计算开销,并提升了挖掘结果的准确率以及挖掘效率.     

基于股价指数预测的仿真研究

研究股价预测问题,针对股价指数具有不稳定和时变性,单一预测方法预测准确度低、误差过大,为提高预测精度,消除噪声,提出一种小波分析的自回归滑动平均(ARIMA)与BP神经网络(BPNN)相结合的股价指数组合预测方法.组合预测方法首先采用小波分析对股价原始数据进行分解和重构,股价数据经过小波处理后,变成线性和非线性两部分,采用ARIMA和BPNN分别对线性部分和非线部分进行预测,最后组合两者预测结果得到股价指数最终预测结果,用上证A股的收盘指数数据对组合预测方法进行了验证测试,实验结果表明组合预测方法比单一预测方法预测准确度高,误差小,在股价指数预测中具有广泛的应用前景,可为股市提供参考.