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。     

基于三次指数平滑法的集装箱吞吐量预测

本文通过对宁波港历年来集装箱吞吐量的观察,发现其吞吐量呈持续性的曲线增长,因此采用三次指数平滑法对宁波港今后几年的集装箱吞吐量进行了预测。     

准噶尔盆地腹部陆南凸起原油成因分类及含油有利区预测

根据原油物性和地化分析资料将陆南凸起的原油分为五类:夏盐型——成熟-高成熟的古生界原油;石西型——高成熟的古生界原油;陆南型——成熟的中生界与古生界混源原油;滴西型——成熟的中生界原油;滴南型——低成熟一成熟的古生界原油.根据各类原油在平面上的分布规律,结合构造圈闭条件,预测出三个含油气有利区,其中陆梁隆起西段和达巴松凸起是勘探相对成熟区;东道海子北凹陷至五彩湾凹陷一带之东侧是寻找古生界自生自储油气藏的有利地区,而凹陷边缘隆起区是寻找断裂遮挡型油气藏的有利地区.     

四川盆地下二叠统,上三叠统水动力场与天然气保存

下二叠统和上三叠统储集层是四川盆地油气主力产层。在对其水动力场控制因素分析研究的基础上，对实测地层压力资料进行数据处理，分别建立了Ｐ１和Ｔ３地层压力预测模型。地层埋深，孔隙度，构造抬升率和褶皱强度等为现今水动力场的主要控制因素，其中地层埋深对地层压力的影响最大。     

非正弦电压下硅钢片材料特性的预测

采用谐波分析法对非正弦供电的变压器进行了仿真,提出了一个基于神经网络的硅钢片材料特性的预测模型.     

基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于"弃光"现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。文中介绍了XGBoost算法的基本原理,引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分。训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择SVM和LSTM两种预测方法进行,实验结果表明XGBoost算法在预测光伏发电中具有较高的准确性和实用性。     

一种基于G.729的CS-ACELP新算法

在G．729的基本框架下,码本搜索采用次最优部分码本快速搜索法,知觉加权滤波器使用基于声学心理模型的知觉加权滤波器,使得8Kb／s共扼结构代数码激励线性预测语音编码在不降低语音质量的情况下降低计算复杂度。次最优部分码本快速搜索方法虽然降低搜索准确度,但是大大减小了搜索时的数据处理量;声学心理滤波器考虑人耳对不同频率信号的不同敏感度,因而能获得更好的主观音质效果。仿真结果表明,该算法复杂度降低,并取得满意的合成语音质量。     

Simultaneous Prediction for Multiple Key Performance Indicators in Semiconductor Wafer Fabrication

The prediction and key factors identification for lot Cycle time (CT) and Equipment utilization (EU) which remain the Key performance indicators (KPI)are vital for multi-objective optimization in semiconductor manufacturing industry.This paper proposes a prediction methodology which predicts CT and EU simultaneously and identifies their key factors.Bayesian neural network (BNN) is used to establish the simultaneous prediction model for Multiple key performance indicators (MKPI),and Bayes theorem is key solution in model complexity controlling.The closed-loop structure is built to keep the stability of MKPI prediction model and the weight analysis method is the basis of identifying the key factors for CT and EU.Compared with Artificial neural network (ANN)and Selective naive Bayesian classifier (SNBC),the simulation results of the prediction method of BNN are proved to be more feasible and effective.The prediction accuracy of BNN has been obviously improved than ANN and SNBC.     

基于遗传算法和LSSVM的网络安全事件发生频率预测

Since the frequency of network security incidents is nonlinear, traditional prediction methods such as ARMA, Gray systems are difficult to deal with the problem. When the size of sample is small, methods based on artificial neural network may not reach a high degree of preciseness. Least Squares Support Vector Machines (LSSVM) is a kind of machine learning methods based on the statistics learning theory, it can be applied to solve small sample and non-linear problems very well. This paper applied LSSVM to predict the occur frequency of network security incidents. To improve the accuracy, it used an improved genetic algorithm to optimize the parameters of LSSVM. Verified by real data sets, the improved genetic algorithm (IGA) converges faster than the simple genetic algorithm (SGA), and has a higher efficiency in the optimization procedure. Specially, the optimized LSSVM model worked very well on the prediction of frequency of network security incidents.     

用非线性等温吸附线预测麦圈的货架寿命

本研究通过对麦圈的非线性等温吸附线的拟合，根据Ｆｉｃｋ定律，结合包装材料的透湿特性，对包装麦圈在恒温、恒湿保存条件下的水分变化进行了计算机模拟运算。结果表明，理论计算值同实测值吻合得比较好，该模拟运算方法可用于预测各种防潮包装食品储存期间的水分变化。本文还利用模拟运算公式讨论了包装参数及存储环境对货架寿命的影响。