水性涂料

采用煤灰的涂料,提高了耐片落性的涂料及其制备方法,水性颜料分散体的制备,含硅酸醋的水稀释防污耐候双组分丙烯酸涂料及其制备,耐候贮存稳定的丙烯酸有机硅乳液组合物、其制备及用其制备的产品,用水稀释乳液涂料改造墙面的方法,     

基于离散Fréchet距离和SVM的短期负荷预测

针对支持向量机在电力系统短期负荷预测中,预测模型的精度易受训练样本数据的影响,且训练时间长的问题,本文提出1种基于离散Frechet距离和支持向量机相结合的预测方法,通过建立离散曲线相似性的数学模型,找出与基准日负荷曲线形状相似的历史日负荷曲线,以相似日的负荷数据及相应的气温、星期类型等影响因素作为训练样本对支持向量机进行训练,有效地减少了训练数据量,使得训练样本更具针对性。采用East-SlovakiaPowerDistributionCompany提供的负荷数据对提出的模型进行验证,并与标准支持向量机的预测结果对比,本文的方法能够科学合理地选取相似日,提高了支持向量机短期负荷预测的精度。     

环氧树脂及其涂料

金属杯用涂料组合物，由酚和缩水甘油鎓盐制备的贮存稳定的水性环氧树脂组合物，加工性优异的含泡环氧树脂组合物、其固化产品和由其制备的混凝土表面，含环酸酸酯和环氧化物的可能量固化的涂料组合物，含氧杂环丁烧、环氧化物和环碳酸酯的可能量固化的涂料组合物，环氧涂料的交联和封闭用组合物，[编者按]     

基于多元混合时序分析及灰色理论的水华藻类生长阶段多因素预测方法

在水华防治工作中,水华预测一直都是1个难点,由于藻类水华整个生成过程各阶段的变化机理不尽相同,现有预测方法采用某1个模型对水华生成的全过程进行建模预测并不合理。因此本文针对水华生成过程中持续时间最长且变化规律明显的藻类生长阶段,采用多元时序分析技术,通过对藻类生长阶段中的多特征因素时序建模分析,以影响和表征藻类生长的特征因素作为模型输入和输出,考虑藻类生长阶段的趋势性、周期性、随机性变化规律,建立多元混合时序模型,并结合灰色理论思想,改进模型预测算法,从而提出基于多元混合时序分析及灰色理论的水华藻类生长阶段多因素预测方法,以实现对包含影响因素在内的特征因素变化特性的全面描述和预测以及对模型预测精度的进一步提高。采用本文方法及传统方法分别对江苏太湖水华特征因素监测数据进行建模预测,结果表明,基于本文方法的水华特征因素预测结果与实测结果更相符、预测平均误差绝对值更小。     

灰色—支持向量机的空调负荷预测

对空调负荷进行准确预测不仅对空调优化控制的意义重大,而且也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析灰色模型和支持向量机建模特点基础上提出了一种空调负荷组合预测算法。该方法综合了灰色建模计算过程简单以及支持向量机自学习和泛化能力强的优点,能够更加有效地利用样本数据的有效信息,提高模型预测精度。首先,通过灰色建模过程弱化了样本数据的随机因素。然后,对灰色模型输出进行归一化处理及数据重构,以作为支持向量机的输入。最后,通过支持向量机模型的预测得到最终预测结果。将本文所提出的方法应用于福州一栋办公建筑的逐时空调负荷预测中,并与灰色模型及支持向量机模型作比较,证明了组合模型的预测值与实际运行值拟合度最高,平均绝对误差比灰色模型和支持向量机模型分别降低了47.84%和17.39%。该组合预测模型具有较高的预测精度和更好的泛化能力,具有较强的可行性和实用性。     

模拟在财务预测、决策中的应用

阐述了模拟在财务预算、决策中的应用及其优越性，结合模拟软件进行了案例分析。     

基于不确定决策树分类算法在滑坡危险性预测的应用

滑坡灾害预测受多种因素影响,其中降雨等不确定因素存在难以获取数据及有效处理等难题,为提高滑坡危险性预测的准确率,根据滑坡灾害发生相关理论及决策树分类原理,提出了基于不确定决策树算法在滑坡危险性预测的方法.该方法引入不确定因子降雨,并将不确定因子和其余评价因子一起,根据不确定决策树算法理论构建出不确定决策树,建立滑坡危险性等级预测模型,并用延安市宝塔区的实例进行验证.实验结果表明,该预测方法取得了较高的总体精度和有效精度,达到了滑坡预测的精度标准,且两项预测精度均高于传统C4.5决策树方法.     

基于Bagging集成学习的水华预测方法研究

随着经济社会的高速发展和工业化建设程度不断提高,水环境问题已经严重影响甚至威胁了人类的健康。近年来,国家大力推行水环境的预测预警,许多专家学者利用人工神经网络等智能方法在富营养化评价及水华预测中得到了较为广泛的运用,也取得了一定成效。然而,人工神经网络的性能受到样本训练算法等方面的影响,在选取合适的神经网络模型、算法以及设置参数麻烦、耗时。随着问题复杂程度的增加,单个网络的隐层节点数将增加很多,训练时间将大大增加,从而造成训练困难。且由于训练过度或不够,往往导致泛化能力较差。为解决此问题,本文在对湖库水华形成机理深入分析的基础上,建立了BP网络的水华预测模型,并利用Bootstrap采样技术获取不同的数据集,分别训练多个BP网络,最终将多个网络进行集成用于建立太湖流域水华预测模型。通过基于Bagging算法的集成学习,可以对样本包含的信息进行充分挖掘,更全面的刻画因素之间的相互联系和变化规律。实验表明基于Bagging算法的BP网络集成模型预测结果与单个BP网络模型预测结果对比,具有较高的预测能力,从而获得了相对理想的预测效果。     

基于视频隐写的H.264文件鉴权播放方法

针对多媒体内容分发与播放系统,在不降低用户体验的前提下限制播放内容。该方法首先自适应地选择待嵌入的二值图像,通过修改特定位置AC系数的符号在视频帧内预测中嵌入。然后在解码播放时自适应地选择待匹配的二值图像,与提取的水印进行匹配,匹配通过,才继续解码并播放视频;否则直接停止解码播放。实验结果表明,嵌入水印的算法具有较高的鲁棒性,嵌入水印前后视频峰值信噪比(PSNR)、码率基本不变。算法复杂度低,实用性强,实现了对非法视频的有效过滤。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明:与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。