基于数据挖掘技术的上市公司财务危机预警实证分析

为了能够对上市公司的财务困境进行预测,采用样本上市公司的财务数据,建立了BP人工神经网络财务预测模型.研究结果表明,建立的计量模型预测准确度较高,不仅对企业财务困境的研究具有一定的理论价值,而且对证券分析行业相关人员进行上市公司的财务预测具有一定的现实意义.     

结晶器漏钢预报系统

对连铸机结晶器漏钢预报系统的控制原理,功能,结构进行了说明,该系统对提高连铸机作业率具有重要意义。     

基于灰色预测的多变量自适应PID控制器

针对汽轮发电机组具有多变量、强耦合、大时滞等特点,提出一种基于灰色预测的多变量自适应PSD控制算法。该方案通过一组灰色系统预测模型GM（1,N）对多变量系统的输出预测实现对角解耦。采用无辨识智能自适应PSD控制算法优化PID控制器的参数,用优化后的PID控制器对每个子系统进行控制。该方案不需要精确的数学模型,在线估计参数少,计算简单。仿真结果表明,与其他方法相比,这种控制方法响应速度更快,而且具有更好的自适应性和鲁棒性。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于用户回答顺序的社区问答答案质量预测研究

近年来,随着互联网的普及和知识爆炸性的增长,社区问答网站积累了大量的用户和内容,同时也产生了大量的低质量文本,极大地影响了用户检索满意答案的效率,因此如何提升答案质量预测的性能十分重要。目前,社区问答答案质量预测方面的研究大都是使用点方式(pointwise)来实现分类模型,但由于问题的难度不同,对答案的要求也有所差异,使用点方式会忽略掉部分答案的特点,所以该文使用点对方式(pairwise)来预测答案质量。另外,已有的研究工作表明,社区问答中同一问题下的答案数量特征对答案质量预测没有效果,甚至有冗余作用。对于时间差也有相同的结论,即不能提升预测性能。该文提出了一种将上述两者结合在一起的新特征,实验结果表明,该特征能显著提高社区问答答案质量预测的性能。     

AH36钢两相区非平衡凝固路径的数值预测

应用多元合金两相区凝固显微偏析数学模型,对AH36钢在一定冷却条件下的非平衡凝固路径进行了数值计算,获得了相应的局部固相分数与局部温度之间的变化关系,为该钢种对应的连铸浇铸过程仿真及其它凝固过程仿真提供了必要而准确的耦合数据,具有重要的理论意义和广泛的适用性.     

基于柯氏熵的汽车发动机状态预测的可行性研究

由于非线性系统存在长期不可预测性，基于此，建立了基于时间序列的柯尔莫哥洛夫熵求解方法，并利用柯尔莫哥洛夫熵求取了复杂机械系统状态的最大可预测的点数。这一研究为确立复杂设备状态预测的可信区间提供了理论支持，所获得的方法为复杂机械系统状态预测的可预测时间的界定提供了行之有效的技术方法。     

Forecasting with unequally spaced data by a functional principal component approach

The Principal Component Regression model of multiple responses is extended to forccast a continuous-time stochastic process. Orthogonal projection on a subspace of trigonometric functions is applied in order to estimate the principal components using discrete-time observations from a sample of regular curves. The forecasts provided by this approach are compared with classical principal component regression on simulated data.     

Classification and prediction of burr formation in micro drilling of ductile metals

In the micro drilling of precision miniature holes, the formation of exit burrs is a topic of interest, especially for ductile materials. Because such burrs are difficult to remove, it is important to be able to predict various burr types and to employ burr minimisation schemes that consider burrs’ micro-scale characteristics. In the present work, an artificial neural network (ANN) was used to predict the formation of burrs in the micro drilling of copper and brass, along with burr formation/optimisation analysis specialised for micro drills. The influence of cutting conditions, including cutting speed, feed and drill diameter, upon exit micro burr characteristics such as burr size and type was observed, analysed and classified. Based on the results, an empirical equation to predict micro burr height is proposed herein. The classification results were compared with conventional burr cases using burr control charts. Then, micro burr types were predicted by means of an ANN, using the influential parameters as input vectors. The usefulness of the proposed scheme was demonstrated by comparing the experimental and prediction/analysis results.     

瓦斯突出预测敏感指标的确定方法研究

通过模糊数学与概率论相结合分析,提出确定预测敏感指标的数学模型,把抽象的敏感指标确定问题通过具体的数值表示出来。实践证明,该模型预测的结果与实际相吻合,该模型的建立对突出矿井确定其敏感指标具有一定的参考价值。