物联网中基于KNN和BP神经网络预测模型的研究

物联网中,无线传感器网络由于环境、资源等因素的变化和限制,会导致部分数据异常或丢失,使数据传输的可靠性降低。因此常用的BP神经网络方法在根据最终获取数据进一步处理时的准确性不高。提出K近邻算法和BP神经网络相结合的二阶段预测模型,先使用K近邻算法对BP神经网络输入数据中异常或缺失数据进行估值和替换预处理,同时进行初步预测,然后将预处理后的数据输入BP神经网络,综合BP神经网络和KNN的预测结果给出最终结论。实际环境中实验表明,所提出的模型能够有效地提高物联网环境中预测的准确度和稳定性。     

应急管理GIS的数据管理

面对国内外自然灾害频发的现状,GIS的应用越来越广泛,尤其是在应急管理中的应用。本文主要通过分析应急管理GIS系统数据管理现存的问题,提出一种基于DOA架构的数据一体化管理方法。最后,基于WebService技术,在省级应急指挥GIS系统中验证该方法,使空间数据得到了一体化管理。     

矿井主运输系统火灾预测的RS-SVM模型

为了更高效、准确地预测矿井主运输传送带火灾的发生,提出了一种基于粗糙集-支持向量机RS-SVM的煤矿火灾预测算法。利用RS理论对8个变量映射为粗集知识系统进行离散化处理以及属性约简,去除冗余信息,排除对于实验不必要的干扰,获得知识系统规则集;通过训练确定RS-SVM模型,再回判来验证此模型的准则性,最后对RS-SVM、贝叶斯、RBF-NN三种预测算法进行样本的预测分析,结果表明RS-SVM算法与其他两种算法相比有着明显的优势,在少样本时的预测准确性更高、速度快、抗扰性好、非线性能力强,现场实用性强,使用范围广,对于火灾的预测具有重要意义。