TSP在隧道超前预报中的应用效果分析

在隧道工程中,为了能够安全、顺利地进行隧道建设,对隧道周边以及掌子面前方的地质构造进行探测是非常必要的,目前运用TSP(Tunnel Seismic Prediction)进行超前预报是准确而又高效的方法之一。本文在介绍了TSP系统的基本原理的基础上,设计了不同的观测系统对隧道进行探测,通过对实际采集的资料进行处理、解释以及对重叠段的对比分析,验证了TSP在隧道探测中的有效性和可靠性。此外,分析不同的观测系统可以发现对于小偏移距的观测系统有利于获得隧道周围岩体的地质信息,而靠近掌子面的观测系统则更有利于获得掌子面前方岩体的地质信息,这些结论可以为TSP在实际隧道中的应用提供相应的理论依据。     

三维复合材料制作原理及弹性常数预测

分析了三维复合材料的基本原理及其制作方法，从微观力学模型出发，对其弹性常数进行了预测，分析了这些常数随参数变化的情况，并与实验进行了比较，结果表明本文的预测方法是比较准确的。     

基于PSO-SVM的短期交通流预测方法

准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上,提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点,实现了数据降维并且保持了交通流序列的特征,因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性,预测平均误差为3.4%。     

基于神经网络的柴油发动机故障预测研究

为了保证设备安全可靠地运行,需要对设备进行故障预测,及时消除故障;探讨了故障预测技术的应用及神经网络预测原理和建模的方法,给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法,并用于柴油发动机运行中的故障预测,经过多种柴油机的试验证明试验结果满意,对故障的实时检测有重要意义,具有良好的应用前景.     

基于概率主题模型的标签预测

充分利用用户自定义标签信息,是理解Web资源语义,提高Web应用智能程度的重要途径。针对资源标签分派中大量存在的信息不完整、不一致的现象,建立基于用户标记行为特征的概率主题模型,利用概率主题模型实现对标记信息不完整资源的标签预测。根据每个资源所对应的标签的统计特征,可产生不同形式的标签文档,通过分析标签文档所生成主题的性能,确定适合于特定数据集的标签文档形式;利用同一主题内词汇间的高度相关性,设计合理的预测标签排序方法,从而实现对标记信息不完整资源的标签预测以及标签语义不一致现象的检测。在数据集DeliciousT 140和Wikilo+上的测试表明,所提方法能有效实现标签预测,并可提高信息检索的性能。     

基于灰色模型的基坑变形预测评价

基坑开挖施工必然会引起基坑以及支护结构的变形稳定问题,采用灰色系统预测理论建立了深基坑变形的非等时距GM(1,1)预测模型,利用某工程实例的实际监测数据对基坑各阶段的变形进行预测,通过对预测成果与实际值的对比分析,对应用灰色模型预测基坑变形给予了评价。     

基于中介真值度量的模糊综合评判

中介逻辑是一种以清晰的和模糊的事物为研究对象的非经典逻辑系统。基于中介逻辑与距离测度,以中介真值程度函数为工具,建立了模糊评判矩阵,并综合评判因素中肯定信息与否定信息的真值程度确立评判指数,进而以评判指数作为总体评判的数量依据,对评判对象进行比较,从而建立了一种新的模糊评判模型;并讨论了它在一个具体的模糊评判实例中的应用。     

基于用户相似性的加权Slope One算法

针对因Slope One算法没有考虑相似性,而导致个性化推荐准确率不高的问题,提出了一种基于用户相似性的加权Slope One算法（BUS Weighted Slope One算法）,通过先评定用户活跃度,筛选出活跃用户,然后依据项目间相似性对部分未评分项目进行预测填充,再利用用户间的相似性得到用户的最近邻居集合,将用户间的相似性作为预测评分权重,最后根据最近邻居集合对样本进行预测分析。通过三组实验研究结果表明,与其他传统方法相比,本文提出的方法同时提高了评分预测的准确性和计算效率。     

基于SQL Server的演绎规则处理器

设计并实现了一种基于SQLServer的演绎规则处理器,其主要功能是把演绎规则转换为含有SQL语句的过程代码,利用该处理器用户可用一阶逻辑谓词定义和查询IDB关系。     

车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均(Auto-Regressice Mo-ving Average,ARMA)模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态(行驶的方向、行驶的车道、车辆的速度和加速度)。首先,开发了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。