基于灰色神经网络一种预测模型的研究

应用灰色系统理论和BP神经网络(简称为GMBPNN)来创建农业机械化的预测模型以展开有关研究。通过举例来分析该方法,并利用GMBPNN获取有关结果,再与灰色预测模型和BP神经网络预测方法进行比较。仿真结果证明本文算法效率高,为改善预测准确性提供新途径。     

基于BBO-SVM的大坝变形预测模型与性能验证

针对大坝监测数据小样本、高维度和非线性的特点,引入支持向量机( SVM) 机器学习方法,采用生物地理学优化算法( BBO) 优化其惩罚因子 c 和核函数参数 g,建立了基于 BBO-SVM 的大坝变形预测模型。结合 2011—2016 年水口大坝 4 个测点共 900 组环境量与效应量监测数据,对模型预测性能进行了验证,并将预测结果与 SVM、PSO-SVM 和 ABC-SVM 大坝变形预测模型进行对比。结果表明: 文中提出的 BBO-SVM 模型不仅预测精度高,且稳定性更好,4 个测点的均方根误差分别达到了 0. 332 0、0. 473 5、0. 405 7、0. 222 8,拟合优度分别达到了 0. 910 4、0. 961 0、0. 962 4、0. 956 9。本研究可提高大坝安全监测成果利用,对于大坝健康状态预测评估具有一定的工程指导意义。     

商业智能在连锁企业进销存管理中的应用研究

商业智能的应用能够对企业中具有价值的数字信息进行知识转化,并且提供合理和准确的决策支持信息给企业管理者.文中在连锁企业进销存管理系统OLTP数据库的基础上,构建了一个商业智能系统.文中还通过对需求预测和库存管理模型的研究,提出了一种前驱性需求预测锁门店订货管理模型,从而使系统可以为连锁企业提供连锁门店进销存管理决策支持,利用该系统管理者能够及时获得反映连锁门店的销售、库存以及采购订货数据,从而提供重要的依据给连锁企业的经营决策.     

“海港工程混凝土结构耐久性寿命预测与健康诊断研究”成果简介——获2010年中国水运建设行业协会科学技术特等奖

我院作为主要参加单位完成的海港工程混凝土结构耐久性寿命预测与健康诊断研究是交通运输部十一五科技发展重大专项离岸深水港建设关键技术的重要组成部分.本项目针对海港工程混凝土结构     

沉降预测模型在高填方路堤中的应用研究

针对两种较为常用的路堤沉降预测模型——泊松曲线模型与灰色理论模型,结合高填方路堤的实测结果对高填方路堤中的沉降预测机理进行研究。得出二者均能够较好地预测路堤的沉降变形情况,其中以灰色理论模型拟合效果更佳;灰色理论模型预测的最终沉降量显示路堤中心线处为0．199m,路肩处为0．182m。     

城市道多路口交通信号实时控制仿真设计

在单路口交通灯实时控制的基础上对城市道路多路口交通灯实时控制进行了研究。提出了一种双层次子区域的智能划分方法并应用于区域交通信号的实时控制,在子区域基础上建立多交叉口数学模型;运用指数平滑预测模型为BP神经网络模型提供学习所需数据,并将得到的混沌交通流序列与改进泊松函数得到的泊松分布断面发车随机数进行比较。通过上述模型及算法最终得到区域交通路口实时配时方案。     

基于包衣机系统的喷枪堵塞预测与仿真

针对包衣机喷枪管道堵塞经常发生,严重影响药片包衣的合格率.原有的喷枪堵塞解决方法都有明显滞后性,不具有预测效果.为了准确预测到喷枪堵塞,解决及时测出喷枪管道堵塞的问题,提出了一种基于BP神经网络预测模型的控制算法.神经网络预测模型中,喷枪管道的各种工艺参数模拟成神经元细胞,接收来自喷枪管道的各种信息,准确预测出喷枪管道堵塞时的临界工况.利用MATLAB工具优化计算并进行仿真预测分析,仿真结果表明,极大地提高了堵塞预测的准确性.实验证明,神经网络预测模型能够及时预测喷枪管道堵塞的瞬间,可以实时控制,提高预测效果.     

关于优化人民币汇率预测仿真研究

研究人民币汇率进行预测是金融市场研究领域一个重要的课题。为了更精确地预测人民币汇率,提出了基于遗传算法优化支持向量机（GA-SVM）的人民币汇率预测方法,GA-SVM中采用遗传算法优化SVM参数,以获得较优的SVM预测模型。并以2008.9.2-2009.1.31人民币对美元的工作日的日汇率数据进行仿真分析。结果表明,在人民币汇率预测中,GA-SVM结合预测法有着更高的预测精度,为掌握汇率变化提供可靠的依据。     

基于粒子群优化RBF神经网络原油含水率预测

原油含水率预测对于确定油井水、油层位以及估计原油产量有着非常重要意义。BP神经网络是最近常用的原油含水率预测方法,然而,由于BP神经网络存在容易陷入局部极小值、收敛速度慢等问题,影响了其预测的实用性和准确性,对此,提出基于粒子群优化RBF神经网络(PSO-RBFNN)的原油含水率预测方法,粒子群优化算法用于RBF神经网络参数优化。在分析原油含水率预测的影响因素基础上,建立粒子群优化RBF神经网络的原油含水率预测模型。实验结果表明,在原油含水率预测中,基于粒子群优化RBF神经网络比BP神经网络有着更高的预测精度。