维修用航材零备件用量预测

分析长期困扰航空公司的航材问题,针对维修用航空器材备件中存在的现状,提出了预测方法。该方法修正了移动平均法在航材订购预测中的不足。能够有效地降低航材的库存成本,提高经济效益。     

基于BP神经网络的飞机娱乐系统采购短期预测

针对传统航材采购决策行为的局限性,研究了基于BP神经网络的航材采购短期预测方法,拟在建立BP神经网络模型的基础上,将BP神经网络模型运用到航材采购量短期预测中来,根据历史数据建立BP神经网络对其进行训练形成飞机娱乐系统采购量预测模型。阐明神经网络在决策时能提供更多的支持信息,实现采购数量科学化。并进一步通过预测结果说明基于神经网络的航材采购量短期预测是一个行之有效的方法,为民航航材集中采购的理论和方法提供借鉴和参考。     

数据挖掘中的统计方法概述

统计方法有成熟的数学基础，可以很好的对数据进行解释，在数据挖掘中有着大量的运用。文章回顾了数据挖掘中常用的统计方法，包括传统的统计方法(回归分析、主成分分析、判别分析和聚类分析)和其他一些非机器学习的方法(模糊集、粗糙集和统计学习理论)，分析了各种统计方法的优缺点。     

基于工程化方法的战储物资信息资源规划研究

针对战储物资信息资源利用现状,提出了基于工程化方法的战储物资信息资源规划方法,构建了战储物资系统业务模型、功能模型、数据模型和体系结构模型,规范了信息基础标准,为实现战储物资信息资源深度共享和提高战储物资保障能力奠定了基础。     

关联规则挖掘在航材保障中的应用

本文以航材保障为背景,介绍了关联规则以及其经典算法Apriori,并以航材保障中器材消耗的潜在规则为例,详细描述了对Apriori算法的改进,使器材消耗规则挖掘更加准确、高效.     

基于蒙特卡洛k-means聚类算法的舰船器材分类研究

器材合理分类是建立预测模型的基础,某型舰船仪表器材数据较少、分类指标因素不足,使用传统方法易产生过拟合的问题。提出蒙特卡洛K-means算法,利用样本方差进行器材消耗聚类分析。该方法首先利用MC法计算初始聚类中心,参考SBC分类法制定聚类种类数k,通过方差聚类建模来优化仪表器材的分类,最终得到仪表器材的聚类结果。实例计算表明,该方法能够有效改进K-means方法的分类结果,无需考虑其他备件指标因素影响,适用于数据量过小和存在白噪声的模型。     

ICP-AES法对新疆薰衣草无机元素主成分与聚类分析

【目的】探寻薰衣草中特征无机元素的分布规律及其与品种之间的关系。【方法】采用微波消解、电感耦合等离子体发射光谱法(ICP-AES)测定并分析了3个品种28个薰衣草样品中13种无机元素。将无机元素含量数据进行标准化处理后,进行主成分分析,聚类分析和因子分析。【结果】主成分分析表明累积方差的80.3%来自前5个主成分。通过主成分载荷分析,品种C-197(2)可通过元素B、Mg来识别,法国蓝和H-701判别元素分别为Mn、Fe、Al和K。聚类分析可以实现对薰衣草品种的初步判别。根据因子分析,薰衣草花中的特征元素为Mn、Fe、Al、B、Mg。【结论】通过无机元素的主成分和聚类分析,可很好判别3个品种,并在一定程度表征出薰衣草品种多样性的分化,能够使用特征无机元素做为薰衣草品种的判别测量指标之一。     

基于C#的主成分分析算法及其与GIS接口

分析了传统方法开发的组件存在“DLL Hell”问题和传统GIS软件在面对大数据集时效率低的不足,指出使用C#语言开发的组件可以有效地解决这些问题。并以开发主成分分析模块为例,介绍了主成分分析主要计算方法,给出了基于C#的算法,最后给出了基于C#的主成分分析模块实现及其与GIS软件的接口技术。     

主成分聚类分析在区域经济评价中的应用——以广东省城镇居民可支配收入为例

提出利用主成分聚类分析的方法对广东省居民可支配收入进行评价分类,将17个主要城市的可支配收入作为样本,利用主成分分析对其进行评价,再利用得到的综合指标代替原来较多的数据进行聚类分析。     

基于K-EROS的QAR数据集的相似性分析

叙述了传统的PCA方法在处理QAR数据相似性问题的不足,提出基于EROS的KPCA方法处理QAR数据之间的相似性问题。通过引入EROS方法而不需要对数据进行向量化,引入核矩阵对QAR数据进行主成分分析,可以有效降低数据的维数。选取两组QAR数据集,采用支持向量积方法,选用不同数目的主成分进行分类实验,同SPCA方法和GPCA方法进行比较,实验结果显示把该方法运用到QAR数据集,具有较好的分类结果。