Holt-Winters与ARIMA模型在电离层总电子含量预报中的比较

利用IGS中心发布的15天TEC数据作为样本,采用Holt-Winters加法、Holt-Winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期的预报精度要优于活动活跃期。在平静期,3种模型在高纬度地区的预报效果大致相同;在中、低纬度地区加法模型的预报效果要优于另外两种模型。在活跃期,3种模型在高纬度地区的预报效果大致相同;中纬度地区乘法模型和ARIMA模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于ARIMA模型。加法模型精确预报时长可以达到5天左右,而乘法模型和ARIMA模型只能达到3天左右。     

ＢＰ神经网络和 ＡＲＩＭＡ模型的变权组合电离层 ＴＥＣ预报

针对电离层总电子含量（ＴＥＣ）非线性、非平稳性的特性,提出基于 ＢＰ神经网络和差分自回归移动 平均模型（ＡＲＩＭＡ）的最优非负变权组合预报模型,并将其应用于 ＴＥＣ预报。利用 ＩＧＳ中心提供的不同经纬 度的电离层平静期、活跃期 ＴＥＣ数据,分别采用 ＢＰ神经网络模型、ＡＲＩＭＡ模型和变权组合模型对 ＴＥＣ进 行 ５ｄ预报。实验结果表明：在电离层平静期和活跃期变权组合模型预报 ５ｄ的平均相对精度分别为 ９４.７％ 和 ８８.９％,其中预报残差小于 ３ＴＥＣｕ的分别达到 ８９.３％和 ７８.５％,较单一模型的预报精度有明显提高。     

基于Ｘ-１３Ａ-Ｓ季节调整方法的铁路客运量预测分析

依据季节调整思想和Ｘ-１３Ａ-Ｓ模型理论,以传统的ＳＡＲＩＭＡ模型对２０００年１月—２０１６年７月观测值进行建模,预测２０１６年８—１２月铁路客运量,同时用Ｘ-１３Ａ-Ｓ模型对数据中可能存在的日历效应进行季节调整,并建模预测。对比ＳＡＲＩＭＡ模型,Ｘ-１３Ａ-Ｓ模型拟合效果更优,更适合我国铁路客运量的预测。之后用Ｘ-１３Ａ-Ｓ技术将所有原始数据重新建模预测,预计２０１７年春运后,４月份会再次出现小高峰,将比春运客流高,８月份铁路客运量达到最大。随着假期的减少,１０月后客运量将下降,２０１８年年初迅速回升,总体呈上升趋势。     

小波 －ＡＲＩＭＡ模型在贵广高铁隧道沉降预测中的应用

针对高铁隧道断面沉降状态的预测问题，提出了一种基于小波分析与自回归移动平均模型（ＡＲＩ- ＭＡ）组合的隧道断面沉降预测方法。分别采用 ＡＲＩＭＡ模型和基于小波分析的 ＡＲＩＭＡ模型对贵广高铁桂林－恭城路段隧道的沉降数据进行预测实验并对比，结果表明，基于小波分析的 ＡＲＩＭＡ模型对于高铁隧道断面沉降预测精度提高较大，且稳定性强，可以满足工程需要，是一种有效可行的隧道沉降预测方法。     

基于误差校正的能源消费总量预测方法

鉴于能源消费量具有趋势性、非平稳性等特点,而差分自回归移动平均模型（ＡＲＩＭＡ）只能反映能源消费量的部分信息,预测结果不太理想。为了提高预测精度,提出了基于二次误差校正ＡＲＩＭＡ模型的能源消费预测方法：首先采用ＡＲＩＭＡ模型对能源消费总量进行初步预测,然后构建偏最小二乘回归支持向量机模型（ＰＬＳ^_ＳＶＭ）对残差序列数据中未被解释的部分进行分析和拟合,并对未来的残差进行预测。最后利用所得残差预测值对能源消费总量预测值进行校正。对福建省１９７８-２０１２年的能源消费总量数据进行仿真,实验结果表明,与ＡＲＩＭＡ等方法相比,本文提出的方法获得了较好的预测结果,是一种有效的能源消费量预测方法。     

新型噻唑-２-乙胺类ＨＡＴ抑制剂的ＱＳＡＲ研究

采用ＶＳＭＶＩ变量筛选方法从大量描述符中筛选最优子集,再由ＭＬＲ回归方法建立了８３个噻唑-２-乙胺类化合物与非洲人类锥虫病（ＨＡＴ）抑制活性之间的二维定量结构－活性相关（２Ｄ-ＱＳＡＲ）模型,最优模型的拟合相关系数（ｒ^２＝０.８８９２）和交叉验证相关系数（ｑ^２＝０.８５７４）表明模型具有良好的稳健性、拟合能力和预测能力。模型的描述符在一定程度上反映了分子的二维结构和疏水性对抑制活性具有重要影响。同时采用基于ＣｏＭＦＡ和ＣｏＭＳＩＡ方法的三维定量结构－活性相关（３Ｄ-ＱＳＡＲ）建立了相关性显著、预测能力强的定量模型（ＣｏＭＦＡ：ｒ^２＝０.９２４,ｑ^２＝０.５１６;ＣｏＭＳＩＡ：ｒ^２ ＝０.９４４,ｑ^２ ＝０.５３１）,其中ＣｏＭＳＩＡ的疏水场贡献率最高,说明了分子的疏水作用对抑制活性的重要影响。     

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型。以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MAT-LAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络。模型的综合采用加法和乘法两种方式。结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好。     

基于小波-ARIMA电离层短期总电子含量预报

针对电离层总电子含量(TEC)非线性、非平稳的特性,将小波分析(Wavelet Analysis)引入到自回归移动平均模型(ARIMA)中对TEC值进行预报。采用2010—2013年IGS中心提供的不同经纬度活跃期、平静期前10天电离层TEC观测数据,分别使用WARIMA和ARIMA建模预报后5天TEC值。对两种模型预报结果与IGS中心观测数据进行对比并统计预报精度,结果表明引入小波分析的ARIMA模型对TEC值预报精度的提高有良好作用。最后单独采用WARIMA模型预报50天TEC值,通过对50天TEC预报值相对精度的统计,说明WARIMA模型对TEC值中长期的预报具有可行性。     

EGNOS天顶对流层延迟模型适应性评价与分析——以新疆地区为例

利用 ＩＧＳ站及实测气象参数的 Ｓａａｓｔａｍｏｉｎｅｎ模型来评估 ＥＧＮＯＳ天顶对流层延迟模型在新疆的精度,研究表明：（１）在新疆地区,ＥＧＮＯＳ模型与 ＩＧＳ站数据符合较好,ｇｕａｏ站 ＢＩＡＳ为 ０.９ｍｍ,ＲＭＳ为 １ｃｍ;（２）ＥＧＮＯＳ模型与实测气象参数的 Ｓａａｓｔａｍｏｉｎｅｎ模型比较分析后发现,两者之间平均 ＢＩＡＳ为 －７.９ｍｍ,ＲＭＳ为 １.６２ｃｍ,ＢＩＡＳ随纬度的增加由负值变为正值,ＥＧＮＯＳ模型精度在新疆地区随高程变化稳定,在高程较低处也能保证一定的精度,与其他同纬度不同高程的 ＩＧＳ站相比较,ＥＧＮＯＳ模型精度在新疆地区优于其他地区;（３）与 ＥＣＭＷＦ资料计算的 ＺＴＤ比较,ＥＧＮＯＳ模型 ＲＭＳ优于 ＥＣＭＷＦ近 ３.６ｃｍ。     

ＧＮＳＳ超快速网络 ＲＴＫ算法及精度分析

针对 ＧＮＳＳ数据解算流程和 ＧＰＳ／ＢＤＳ／ＧＬＯＮＡＳＳ多系统网络 ＲＴＫ定位算法,利用 Ｃ＃、Ｃ＋＋编程 开发 ＧＮＳＳ超快速网络 ＲＴＫ解算软件,该软件可在短时间内快速解算用户三维坐标。以地形复杂、主要为 山区的广西河池为实验对象,选取广西 ８个 ＣＯＲＳ站作为基准站参与计算,采用超快速解算软件解算 ６个 流动站 ３天不同观测时长的实测数据,并与 ＴＢＣ＋ＣＯＳＡ＿ＧＰＳ软件作对比分析,结果表明：在流动站观测 时长为 ３０ｍｉｎ以内,超快速软件比 ＴＢＣ＋ＣＯＳＡ＿ＧＰＳ软件解算的坐标值与真值符合较好;当流动站观测时 长达到 ４５ｍｉｎ后,超快速软件的解算精度在平面上优于 ±３ｃｍ,高程上优于 ±５ｃｍ,但 ＴＢＣ＋ＣＯＳＡ＿ＧＰＳ软件在各观测时长的解算精度较为稳定。     

区域大气水汽转换系数的一种新算法

为了提高大气可降水量反演的精度,通过分析广西4个探空站2015—2018年探空资料,建立了直接反映年周期、半年周期、高程改正和纬度改正的广西地区大气水汽转换系数的计算模型,并与广西高程模型、中国低纬度模型进行了比较.结果表明:新方法的内、外符合精度以及大气可降水量反演精度相对于其他两种模型有比较明显的提升,4个站点的内...     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

ＩＣＰ_ ＡＥＳ／ＩＣＰ_ ＭＳ联合测定玉竹中多种元素

以玉竹为原料,样品经微波消解后,采用ＩＣＰ^_ ＡＥＳ和ＩＣＰ^_ ＭＳ测定样品中的２３种元素,其中Ｋ含量最高,达８６５２μｇ／ｇ;Ｃａ、Ｍｇ、Ａｌ、Ｆｅ的含量依次为２１５８、６９６、４４４和１９１μｇ／ｇ;Ｐｂ、Ｃｄ、Ｔｌ含量分别为０.７１、０.４３、０.０６３μｇ／ｇ;Ｂｅ含量最少,仅０.０２８μｇ／ｇ。经３个国家一级标准物质分析验证,结果与标准值相符,并且所有元素精密度（ｎ＝１２）在０.５％ ～６.９％。     

基于ＡＤＭＭ 的拉普拉斯约束表示型聚类算法

作为数据挖掘领域的关键技术,子空间分割对在联合子域内所分布的输入数据进行潜在的流 型聚类．谱聚类因具备出色的性能被作为子空间分割算法中的首选,其性能主要依赖于由输入样本 构造的关联矩阵．在平滑聚类算法的基础上结合拉普拉斯矩阵学习机制,提出一种用联合样本系数 以及关联矩阵学习的新型聚类模型．同时,为快速获取清晰的对角块结构,对目标函数增加低秩正 则项约束,并通过交替方向最小乘子法进行模型优化求解．所提方法称为基于ＡＤＭＭ（Ａｌｔｅｒｎａｔｉｎｇ ｄｉｒｅｃｔｉｏｎ　ｍｉｎｉｍｉｚｉｎｇ　ｍｕｌｔｉｐｌｉｅｒ）的拉普拉斯约束表示型聚类算法（Ｌａｐｌａｃｉａｎ　ｒｅｇｕｌａｒｉｚｅｒ　ｃｌｕｓｔｅｒｉｎｇ, ＬＲＣ）．通过实证结果表明：所提方法具有更高的聚类效果和更快的运行效率,综合性能优于 相关的聚类方法．     

适用于动态特性未知工业过程的改进型相联存储自学习控制系统

对相联存储自学习控制系统（ＡＭＬＣＳ）提出了一种改进方案，可用于动态特性几乎完全未知且慢时变的工业过程。主要改进之点在于：１）过程预报模型及控制策略均取增量形式，以便克服阶跃扰动，并有助于减少二者所需用的相联存储系统（ＡＭＳ）的内存占用量；２）在按领先多步的子目标对当前控制增量进行优化过程中引入钝化因子，以使原属多变量优化的问题简化成单变量优化的问题；３）对ＡＭＳ提出了新的寻址机制，致使其内存占用量大为减少，同时又避免了原有杂凑寻址作法所引起的数据冲撞问题；４）在用于过程预报模型的ＡＭＳ中采用局部线性外推法进行主动学习，既使学习收敛过程得以通过预先扩大已训域而加快，又避免对控制品质产生不利影响。数字仿真结果表明了这种ＡＭＬＣＳ新方案的可行性和有效性。     

干旱半干旱地区流域水文模型的适用性

以干旱半干旱地区的辽宁省东白城子和叶柏寿流域为研究实例,通过建立新安江模型、辽宁西部非饱和产流模型和时变增益模型,利用场次洪水观测资料进行模型的率定与验证,比较分析场次洪水在率定期与验证期的模拟预报效果,最后讨论分析了3种水文模型在干旱半干旱地区洪水预报的适用性.结果表明,以蓄满产流为核心的新安江模型不适用于干旱半干旱地区,适用性最差;辽宁西部非饱和产流模型较新安江模型模拟效果有所提高,但仍无法满足洪水预报的精度要求;考虑降雨强度的时变增益模型模拟效果最优,在干旱半干旱地区的适用性最强,具有良好的发展潜力.     

多元校正-分光光度法同时测定六种除草剂

草达津、阿特拉津、西草净、敌草隆、非草隆和敌稗6种除草剂的紫外吸收光谱严重重叠,不经预先分离很难进行单一组分的直接测定.提出了一种同时测定上述6种除草剂的分光光度法,该方法是基于在pH5.0的Britton-Robinson(B-R)缓冲溶液中,应用多元校正模型解析6种除草剂混合物重叠光谱,并对其浓度进行同时测定.结果表明,主成分回归(PCR)和偏最小二乘法(PLS)对合成样中6种化合物的测定结果要优于经典最小二乘法(CLS),PCR和PLS浓度预报的总相对预报误差均为4.9%.用PCR结合分光光度法对实际样品进行测定,结果满意.     

基于视图特征点分布的三维模型检索算法

已有的特征描述符所需存储空间大和匹配计算效果不理想,因此难以得到良好的检索效果． 针对这一问题,算法提出了一种结合ＢｏＦ和视图特征点分布的三维模型检索算法．算法首先用 ＳＩＦＴ描述符对模型渲染视图进行特征点提取和描述,然后运用ＢｏＦ算法对得到的ＳＩＦＴ特征描述 符进行简化,统计特征分布并得到其特征分布直方图,从而使得到的新的特征描述符能大大减少存 储空间,同时方便对模型相似性计算,最后通过三维模型数据库对算法进行统计分析．实验结果表 明所得到的新的特征描述符在检索效率上要优于传统的三维模型特征描述符．     

白果壳遗态 Ｆｅ２Ｏ３ ／Ｆｅ３Ｏ４ ／Ｃ复合材料的制备及其对 Ｓｂ（Ⅲ）的去除性能

以白果壳为植物模板、稀氨水为浸煮剂、硝酸铁为前驱体溶液,制备了一种多孔白果壳遗态结构Ｆｅ／Ｃ复合材料（Ｆｅ／Ｃ－Ｇ）,通过 ＸＲＤ、ＳＥＭ、ＦＴ－ＩＲ、ＸＰＳ和 ＢＥＴ对其进行了表征,并考察了溶液 ｐＨ、温度、时间、初始浓度、粒径等对去除 Ｓｂ（Ⅲ）效果的影响,探讨了吸附机制。结果表明：Ｆｅ／Ｃ－Ｇ由 α-Ｆe_２Ｏ_３、Ｆe_３Ｏ_４ 和 Ｃ组成,同时很好地保留了白果壳的多孔结构,其比表面积和平均介孔孔径分别为 ４６.４２ｍ^２／ｇ和４０.２ｎｍ;升高温度和减小吸附剂粒径有利于吸附。Ｆｅ／Ｃ－Ｇ对 Ｓｂ（Ⅲ）的吸附过程符合准二级动力学模型,在初始 Ｓｂ（Ⅲ）浓度为 ５、１０和 ５０ｍｇ／Ｌ时,其吸附量分别达 １.２３、２.４１和 ９.２３ｍｇ／ｇ;用 Ｌａｎｇｍｕｉｒ方程能很好地描述吸附等温线,属于快速的单分子层吸附,主要发生配位交换和表面络合反应。     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.