基于大数据的传感网络链路稳定性检测系统设计

传统检测系统在对链路检测过程中,经常受到移动环境的影响,导致检测结果的完整性以及准确率较低,为解决这一问题,提出并设计了基于大数据的传感网络链路稳定性检测系统。对传感网路传输端、数据中心服务器以及检测端三部分进行具体分析,完成系统硬件设计。为尽量减小移动环境的影响,在软件设计部分,采用直接链路和间接链路稳定性相结合的检测方法,共同完成基于大数据的传感网络链路稳定性检测系统设计。实验结果表明,该系统检测结果的完整性较高,且检测准确率平均值可高达93.5%左右,验证了该系统的优越性能。     

基于极限学习机的橡胶配方性能预测

以三元乙丙橡胶(EPDM)胶料配方和天然橡胶(NR)胶料配方为例,将配方中各组分的用量作为输入,硫化橡胶的基本物理机械性能作为输出,建立了基于极限学习机(ELM,extreme learning machine)神经网络的配方性能预测模型,并给出两种配方的预测结果和相对误差。结果表明,ELM神经网络模型能够准确预测出EPDM配方和NR配方硫化橡胶的基本物理机械性能,且平均相对误差在7%以内,具有较高的预测精度。     

基于多元统计的PM2.5分析与预测

随着网络的高速发展,海量的数据充斥着人们的生活。多元统计分析恰好是为了得到各类现象的内在规律而对多维数据集合进行收集、整理、显示、分析。本文以西安地区为例,收集了2017全年的PM2.5数据,运用多元统计分析方法进行分析及预测。通过绘制PM2.5和影响因素的散点图,发现存在线性关系,进一步建立多元线性回归模型,并对模型进行验证,选用逐步回归分析方法和调整R的平方最大的原则确定了最终模型。最后采用不同的不相等系数对模型的预测效果进行了检验,效果较好。     

时态神经网络模型及其在股票分类预测上应用

对具有时间属性的数据进行数据挖掘称为时态数据挖掘，用以发现数据在时间上的知识，当数据变化不规律时，如股票交易数据,就很难发现有价值的规律与规则。而神经网络具有并行、容错、可以硬件实现以及自我学习的优点,可作为股票分类预测应用的一种方法。通过将股票数据与时态型相结合，将股票数据转换成时态型股票数据，提出时态神经网络模型的分类方法，对收集的若干上市公司十年内的股票数据进行分析，构建了时态股票数据神经网络分类器对股票进行分类预测。经过实验验证，相比改进前的神经网络和支持向量机方法，该分类器具有更高的分类准确率。结果证明，这种时态数据神经网络模型对于多只股票的分类预测是非常有效的，可以很好地运用到股票市场的分类预测中。     

多运营商高铁隧道移动网络覆盖方案

高铁移动网络覆盖是国内三大通信运营商的一个重点,而高铁隧道内移动网络覆盖更是运营商的一大难点痛点。文章根据我国中部省份某高铁线路覆盖规划实例,采用“设备+POI+泄漏电缆”模式,即三家运营商信号源设备通过同一POI(point of interface,多系统接入平台)接入,信号输出到泄漏电缆进行隧道覆盖,隧道口场坪站安装宽频切换天线对隧道外进行延伸覆盖,通过链路预算合理布置各运营商主设备信号源,从而实现隧道到室外的无缝覆盖。最后,根据已有成熟网络覆盖解决方案,对未来5G高铁隧道移动网络覆盖方案进行了探讨。