前向散射能见度仪与人工观测结果对比分析

利用中宁国家基本气象站2014年1月1日—2015年4月30日的前向散射能见度仪测量数据与人工目测能见度数据进行对比分析。结果表明:能见度1.0 km,有雾、沙尘暴天气现象时,前向散射能见度仪自动观测值均大于人工观测值,二者平均差值小、相关系数高;能见度在1.0~9.9 km,有轻雾、扬沙、浮尘天气现象时,能见度仪自动观测值均小于人工观测值,自动与人工观测能见度差值随着能见度值的增大而增大,但变化趋势一致;能见度≥10.0 km,无天气现象、能见度在10.0~20.0 km时,能见度仪自动与人工观测能见度差值较大,相关系数为0.87;能见度20.0 km时,二者的平均差值较小,相关系数为0.91。针对以上存在的差异,结合前向散射能见度仪的原理和人工观测的方法分析差异的原因,提出针对性的改进措施和记录天气现象时的注意事项。     

基于组合预测模型的可修设备寿命预估方法研究

可修设备寿命预估方法研究中,单一的预估方法由于自身的局限性往往表现出精确度不足,因此,为了取得较精确的预估结果,建立结合了两种或两种以上的预估方法的组合预估模型。即灰色理论预估和人工神经网络相结合的组合模型。既利用了灰色系统理论具有所需要的样本数据少、原理简单、运算方便、短期预估精度高、可检验等优点,也发挥了神经网络并行计算、容错能力强、自适立能力强等优点。     

对模拟纵向数据集缺失值处理的几种方法比较

运用SAS9.0、数据模拟技术,分别模拟纵向完整数据集和具有各种缺失率的随机缺失数据集,采用多重填补法(MI)、期望值最大化法(EM)和回归插补法(Regression)对各缺失数据集进行处理,对结果进行比较和分析.结果表明,对不同缺失率的数据集,MI、EM和Regression法对缺失值的处理各有优劣.     

半参数方法在缺失数据中的研究及应用

为了更多的利用缺失数据提供的信息,采用经验似然给出缺失协变量的条件分布的半参数方法对数据的缺失部分进行处理,并与几种比较常见的数据缺失处理方法——均值插补、多重插补、EM方法等进行了比较。模拟和实证研究中,在不同的缺失率下,运用Logistic模型,对几种方法的缺失处理效果加以比较,结果表明,随着缺失率的增加,几种方法的性能都受到影响,而半参数方法较其他几种方法更好。     

基于改进型SVM的城市污水处理过程异常数据清洗方法

针对城市污水处理过程数据存在噪声和缺失的问题,提出一种基于改进型支持向量机(improved support vector machine,ISVM)的异常数据清洗方法.首先,设计一种基于密度估计的噪声数据检测方法,实现对污水噪声数据甄别与剔除.其次,建立一种基于ISVM的缺失数据补偿模型,对缺失数据进行非线性拟合,获得数据缺失时刻的补偿值.最后,运用粒子群优化(particle swarm optimization,PSO)算法更新ISVM参数,提高缺失数据的补偿精度.将该清洗方法应用于城市污水处理过程中,实验结果表明,基于ISVM的异常数据清洗方法能够实现对异常数据的剔除以及缺失数据的补偿,提高了数据质量.     

沥青路面低温温度场的经验预估模型

为建立更为准确的沥青路面低温温度场预估模型,通过对3种典型沥青路面结构的温度数据进行长期采集,获得了沥青路面的低温温度数据,并引入日最低气温、日太阳辐射量、平均风速和平均湿度参数,建立了沥青路面低温温度场的经验预估模型,并与SHRP模型、C-SHRP模型以及LTPP模型的预估结果进行了对比分析.结果表明:沥青路面的温度变化规律与气温相似,但存在一定的滞后性,且深度越深滞后性越明显;路面最低温度出现在路表,且其值高于最低气温;所建立的沥青路面低温温度场经验预估模型相对于SHRP模型、C-SHRP模型以及LTPP模型具有更好的预估效果.     

部分端板连接梁柱组合节点抗弯承载力计算

目的对部分端板连接梁柱组合节点进行弹塑性分析,提出此类节点塑性抗弯承载力的计算方法.方法采用ANSYS有限元软件建立部分端板连接梁柱组合节点模型,与已有试验数据对比验证其模拟的可靠性.对部分端板连接梁柱组合节点进行参数分析,研究节点弯矩与转角之间的关系,探讨抗弯承载力的计算方法.结果提出了计算节点塑性抗弯承载力的精确计算方法,该方法的计算结果与有限元分析结果基本一致,相对误差小于10%,计算方法的精度优于欧洲规范计算方法.结论新方法能很好计算部分端板连接钢框架组合节点塑性抗弯承载力,可为制定相关规范提供借鉴.     

结合非线性GRAPPA与SENSE的并行磁共振成像

针对SENSE并行磁共振成像中采用补零缺失数据方法估计敏感度分布不准确性的问题,提出采用非线性GRAPPA方法估算缺失的K空间欠采样数据.计算并行线圈的敏感度分布,将这些敏感度分布应用于SENSE并行磁共振成像.采用不同加速因子的脑磁共振K空间欠采样数据以验证提出算法的重建性能.实验结果表明,与单一的非线性GRAPPA和SENSE重建算法相比,该混合NLGRAPPA-SENSE算法在加速因子较大时可以重建出更加准确的磁共振图像,具有更低的噪声功率(AP)和更高的信噪比(SNR)性能.     

基于高频数据的统计套利组合策略研究

采用沪深300股指期货当月连续合约与次月连续合约的1min高频数据,借鉴组合思想,引入伯努利随机变量,将GARCH(广义自回归条件异方差模型)模型与Ornstein-Uhlenbeck模型进行组合,设计出新的统计套利组合策略,并在改进的统计套利策略的基础上进行套利.我们采用动态交易的方式对改进后的交易策略的实际交易效果和模型的有效性进行检验,实证检验结果表明:对单一套利模型进行组合是必要的,组合后的整体套利收益水平相较单一模型套利收益来说明显提高了.     

个人信用评估的Logistic-RBF组合模型

针对个人信用评估中单一模型存在的不足,提出了利用组合预测模型进行个人信用评估的方法.基于不同单一模型在个人信用评估中所体现的优势,选择具有代表性的Logistic回归和径向基函数神经网络方法,建立了2种单一评估模型,在此基础上构建了基于二者的组合模型.利用某商业银行的数据进行2类模式的分类,应用结果表明,组合模型有效地提高了预测的精确性和模型的稳健性,对于商业银行控制消费信贷风险具有更好的适用性.     

LSTM-RF的中长期风电功率组合预测方法

风电功率的准确预测是减少风电并网对电网造成冲击的有效手段之一。利用深度学习算法中的长短期记忆网络(LSTM)对中期风电功率出力进行了预测,综合考虑功率数据、气象数据等多维特征,采用LSTM算法和随机森林(RF)算法搭建预测模型,预测风电场1～7日的风电功率出力。基于某风电场2014年1月到2016年12月的实际发电数据,通过实验对比BP神经网络、支持向量机(SVM)和自回归积分滑动平均模型(ARIMA)等算法可知,提出的预测方法在较为突变的天气状况下仍能保持较高的预测精度,能为风电并网和电网调度提供辅助支撑。     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

利用气象条件预测西安市可吸入颗粒物浓度

建立3层BP神经网络模型,采集气温、露点、相对湿度、能见度、天气情况等18种气象条件数据,将天气情况转换成天气情况系数,从中选择和PM10浓度相关度较大的11种数据作为神经网络输入向量,利用历史数据训练神经网络,并用较新的数据进行网络仿真,较准确地预测了PM10的浓度.     

基于SVM的老年痴呆症智能诊断研究

为了验证支持向量机（SVM）更适用于基于血常规数据的老年痴呆症的预测诊断,通过仿真实验,将BP神经网络、RBF神经网络、SVM支持向量机分别应用于老年痴呆症的预测诊断,建立3种算法对应的诊断模型,并对3种模型的预测结果进行分析比较,仿真实验在Matlab软件平台上进行. 结果表明,与BP、RBF神经网络方法相比,SVM模型预测准确度高,建模时间短,整体性能好,更适用于基于血常规数据的老年痴呆症预测诊断,实际应用时可以此结论作为理论指导.     

湖南省主要内生成矿事件的构造格局控矿特征及动力机制

湖南省内生矿产资源丰富,内生成矿事件主要有加里东期(以志留纪为主)、印支晚期(晚三叠世)、燕山中晚期(晚侏罗世—早白垩世)等3期。以区域矿产资料为基础,结合大地构造、成岩成矿年龄、矿床成因机制等研究成果,对上述3期内生成矿事件的构造格局控矿特征和动力机制进行探讨。①受加里东运动自东南向西北扩展以及深部岩石圈结构差异控制,加里东期湖南省自东南往西北分为成矿特征有别的3个构造带。湘中—湘东南构造岩浆带(Ⅰ)发生后碰撞花岗质岩浆活动,于局部产生与岩浆活动相关的W、萤石等成矿作用; 雪峰构造带(Ⅱ)东部的雪峰冲断带(Ⅱ₁)形成了以构造活化成因为主的金矿和锑金矿; 雪峰构造带(Ⅱ)西部的武陵低缓褶皱带(Ⅱ₂)及湘西北构造抬升带(Ⅲ)内形成了与寒武纪同沉积断裂活动、加里东运动后的伸展活动以及相应的热液活动有关的汞铅锌矿。②印支晚期受深部岩石圈结构差异控制,湖南省自东南至西北分为3个构造带:湘中—湘东南构造岩浆带(Ⅰ)因后碰撞减压熔融而发生大规模花岗质岩浆活动,从而于其东南部形成钨锡铅锌多金属矿床,西北部形成锑金钨多金属矿床; 雪峰构造带(Ⅱ)可能无内生热液成矿作用; 湘西北褶皱带(Ⅲ)发育小型脉型铅锌矿。③燕山中晚期,湖南省自东南往西北分为3个构造带:湘中—湘东构造岩浆带(Ⅰ)受岩石圈拆沉、软流圈上隆、陆内碰撞后期增温减压、俯冲板块崩塌等深部构造作用控制而发生大规模花岗质岩浆活动,形成了大量的有色金属矿床和金矿床; 雪峰西部构造带(Ⅱ)成矿作用弱,局部存在Au、Hg成矿作用; 湘西北褶皱带(Ⅲ)发育少量低温热液充填型萤石矿和砷矿。     

Application Research of Robust LS-SVM Regression Model in Forecasting Patent Application Counts

A forecasting system of patent application counts is studied in this paper. The optimization model proposed in the research is based on support vector machines (SVM), in which cross-validation algorithm is used for preferences selection. R esults of data simulation show that the proposed method has higher forecasting p recision power and stronger generalization abi1ity than BP neural network and RB F neural network. In addition, it is feasible and effective in forecasting paten t application counts.     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于SSA-BP-SVM模型的云龙湖水质反演研究

利用遥感技术进行水质监测,全面地掌握水质分布情况对水环境保护具有重要意义.水质参数与地表反射率并非简单的线性关系,BP神经网络和支持向量机(SVM),因其非线性模拟的特点,被广泛应用于水质反演.传统BP神经网络存在收敛缓慢、容易陷入局部最优的问题;SVM虽然具有很好的拟合能力,但受惩罚系数及核函数参数影响较大.以云龙湖为研究区域,利用Sentinel-2影像和实测数据,针对重要水质参数电导率和浊度,提出一种基于麻雀搜索算法(SSA)优化BP神经网络及SVM的水质反演耦合模型,利用SSA对BP神经网络及SVM进行参数寻优,基于验证集MAE计算模型权重,对SSA-BP、SSA-SVM模型测试组输出层加权计算后获得最终反演结果.与BPNN、SVM、SSA-BP、SSA-SVM模型对比,结果表明:1)Sentinel-2影像对电导率及浊度的敏感波段均为可见光及短波红外波段;2)SSA-BP-SVM水质反演耦合模型精度更高,电导率及浊度反演模型R²分别为0.92、0.89;3)云龙湖具有典型的城市水体特征,电导率受上游南望净水厂排水影响较大,浊度受社会生产活动带来的颗粒污染物影响较大.基于Sentinel-2影像利用SSA-BP-SVM模型进行水质反演具有较好的应用潜力,能够为云龙湖水质监测以及制定保护措施提供一定的技术支撑.     

基于数据融合的ABC-SVM社区疾病预测方法

针对现有社区医疗服务中的疾病预测方法存在数据利用率低、疾病分析类型单一、自动化程度差、疾病预测效果不理想等不足,提出在物联网大数据环境下可用于社区医疗的健康数据融合及疾病预测方法. 通过主成分分析(PCA)和聚类分析对社区中居民的生理指标数据进行特征提取;结合人工蜂群(ABC)算法构造支持向量机(SVM)非线性分类器对数据进行特征级融合分析并预测潜在疾病. 实验结果表明,所提方法的疾病识别准确率达到93.10%,相较于传统SVM方法和BP神经网络方法分别提高17.24% 和72.41%. 该方法能够在提高数据利用率、降低计算资源消耗的前提下有效识别多种潜在疾病,可实现疾病早发现、早预防、早治疗;可广泛应用于社区健康管理、老年社区监护甚至临床医疗.