基于LMBP神经网络的MCM布局电磁场预测模型

通信微波多芯片组件(MCM)内不合理的芯片布局将会导致电磁干扰加剧。对具有不同布局的MCM多层布线基板的电磁场进行了仿真分析,并以仿真分析结果作为样本数据,建立了基于LMBP神经网络的MCM布局电磁场预测模型,然后用该模型对两种单面芯片布局下的MCM的坡印廷矢量数值进行了预测。结果显示,MCM电磁场的仿真与模型预测差值分别为0.332e–7W/m2和0.263e–7W/m2,证明了该预测模型的可用性。     

基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模与预测

机枪枪管初速衰减预测是一个复杂的非线性问题。广义回归神经网络方法被广泛应用于非线性问题的建模,但其平滑因子取值对神经网络的预测性能有较大影响。采用果蝇算法对广义回归神经网络的参数进行优化选取,提出了基于果蝇算法优化广义回归神经网络的机枪枪管初速衰减建模方法。基于机枪枪管初速衰减试验数据,建立在不同使用环境下随着累计射弹量的增加,以初速降为特征量的机枪枪管初速衰减预测模型,预测结果与试验结果基本一致,证实了所提方法的可行性。通过与未经优化的广义回归神经网络方法和反向传播神经网络方法建立的预测模型进行比较,其性能明显优于另外两种方法,验证了基于果蝇算法优化的广义回归神经网络方法在建立机枪枪管初速衰减模型中的有效性。     

面向装甲车辆乘员信息处理的作业时间预测模型研究

作业时间的准确预测是装甲车辆乘员信息处理作业状态研究的关键,对提高人机系统的作战效能具有重要意义。针对乘员作业类型向信息处理作业转变的基本趋势,以信息录入典型信息处理作业为研究对象,对其信息处理作业操作元和认知过程进行了系统分析。基于乘员操纵特性和认知特性构建了信息录入作业时间预测模型,并面向任务对预测模型进行了实验验证,旨在为解决应急任务条件下乘员信息处理作业时间预测问题探索新的途径。结果表明,该模型能够清晰地描述乘员信息录入作业的认知过程,准确地预测作业时间,具有较好的预测精度和可重用性,是一种有效可行的信息处理作业时间预测模型。     

对2024铝合金疲劳裂纹扩展寿命进行预测

通过二维弹塑性有限元计算得到Ⅰ型静态裂纹在常幅疲劳载荷下裂纹尖端塑性应变能,进而获得裂纹尖端塑性应变能和应力强度因子幅值的非线性关系;根据能量平衡概念,建立了裂纹扩展速率与裂纹尖端塑性应变能的关系。由此得到一种基于裂纹尖端塑性应变能的疲劳裂纹扩展寿命预测模型,利用该模型预测了中心裂纹平板的疲劳裂纹扩展寿命,预测结果与试验值吻合得很好。     

基于灰色系统的大学生就业率预测

大学生就业受到经济、政策等多种因素的影响,使得当前大学生就业率预测误差大,为了解决该难题,设计基于灰色系统的大学生就业率预测方法。首先,对当前大学生就业率预测研究现状进行分析,找到引起误差的原因;然后,收集大学生就业率的历史数据,通过灰色系统对大学生就业率变化特点进行拟合,建立大学生就业率预测模型;最后,采用大学生就业率数据实现仿真测试。结果表明,灰色系统可以反映大学生就业率变化特点,获得了高精度的大学生就业率预测结果,预测误差远远小于当前其他大学生就业率预测方法,预测结果可以为大学就业管理部门提供一定的参考信息。     

数据挖掘在移动通信业大客户离网预测中的应用

大客户是各移动运营商利润的主要来源,也是竞争的焦点。随着市场竞争的日益激烈,如何降低大客户离网率,是摆在各运营商面前的战略性任务。采用数据挖掘技术,遵循数据挖掘标准流程CRISP-DM。从商业理解、数据理解、数据准备、建立模型、模型评估和结果部署等6个阶段,详细介绍了移动通信企业中大客户离网预测模型的建立过程和方法。同时对预测结果从技术和业务上进行深入分析,以辅助运营商及时采取措施进行挽留。     

数据挖掘在客户流失管理中的应用

客户流失是通信行业的难题。阐述了数据挖掘技术的数据分析、信息处理和预测功能,并举例介绍了数据挖掘在客户流失管理中的应用。     

BP神经网络在土壤水分预测中的应用

土壤水分预测是一个复杂的非线性系统,受土壤复杂结构和气象因子影响显著,很难建立一个理想的土壤水分预测数学模型。本文利用BP人工神经网络方法建立了土壤水分预测模型,该模型的预报精度较高,其最大绝对误差为3．12％,最小绝对误差为0．63％,平均绝对误差为1．38％。预测结果表明应用BP神经网络建立的土壤水分数学模型适用于土壤水分的预测,能够比较准确的预测土壤水分,具有较好的预测精度。     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。