厂商合作下订单的平均缺货水平分析

通过马尔可夫分析,构造了求解系统处于平稳状态概率的迭代算法,提出了计算订单的平均缺货水平的近似表达式。数值模拟表明该近似表达式的计算结果与模拟结果非常接近,算法非常有效。数值实验还分析了合作与否以及零件的调拨策略对订单的平均缺货水平的影响。     

基于ANN的电子商务水平测度指标权重的确定方法

总结了国内外电子商务水平测度的研究现状,分析了具有代表性研究的测算方法及其权重确定方法,提出了一种基于ANN的电子商务水平测度指标权重的确定方法,并给出了思路与算法。最后利用国家和12个省市的统计资料进行了实证分析,根据提出的MBP算法编程建立了神经网络,并确定了各指标权重。     

厂商合作下单的平均缺货水平分析

通过马尔可夫分析,构造了求解系统处于平稳状态概率的迭代算法,提出了计算订单的平均缺货水平的近似表达式.数值模拟表明该近似表达式的计算结果与模拟结果非常接近,算法非常有效.数值实验还分析了合作与否以及零件的调拨策略对订单的平均缺货水平的影响.     

一种基于主站多源信息的配电网故障定位方法研究

为提高配电网故障的快速处理与恢复能力,解决故障定位问题,利用配电自动化主站接入的多源量测信息与故障特征,设计了一种故障定位模型与算法,对配电网发生的故障进行了实例分析,验证了算法的正确性,该算法对提升地区电网配电自动化实用化水平有积极的推动作用。     

一种新的水平分布式隐私保护数据挖掘算法——NPPA算法

将多参数随机干扰与Pailler同态加密进行结合,提出一种新的基于隐私保护的面向关联规则的水平分布式挖掘算法,提高了面向关联规则的分布式隐私保护的安全性能。算法中计算候选项集的局部支持度是通过多参数随机干扰求得的,一方面具有不同事物所有相的性质,另外一方面改善了挖掘的准确。通过使用同态加密技术获得的整体支持度,有效控制了计算与通信的成本。分析仿真实验结果可知本文提出的基于隐私保护的面向关联规则的水平分布式挖掘算法性能比单纯以加密为基础的PPDAR算法优良,当最大频繁项集的最大长度与频繁项集的最大长度两者存在一定差距时,本文提出的算法性能优于以加密为基础的EPPDAR算法。     

基于Petri网的航班运行建模和延误波及分析

针对当前缺乏面向航班延误波及分析的精确航班运行模型、以及延误波及分析算法复杂度过高的不足,提出一种航班运行时间Petri网模型及延误波及分析算法。该模型对库所和变迁分别赋予时间区间约束,可精确描述航班机场过站时间以及航班飞行时间等关键性航班特征;同时,利用线性逻辑推理能力对所建模型进行约简,分别导出变迁和变迁序列的顺序激发规则,并在此基础上提出具有实时性的航班延误波及分析算法。考虑飞机起飞源机场不同的初始延误水平,建立相应模型并分析航班延误波及,结果表明,所给模型和算法能够有效预测航班在下游机场是否延误并快速给出延误水平。     

数据挖掘改进算法在学生成绩分析中的应用

针对现有学生成绩分析的单一性,为充分发挥成绩数据的潜在价值,提出了一种基于Apriori改进算法学生成绩分析方法。实验结果表明,与传统成绩统计分析方法相比,该算法能够对学生成绩进行聚类分析,找出学习态度、成绩相近的类别,用于教学管理者制订人才培养的方案和教师因材施教,提高教学管理水平。且改进后的算法速度更快,效率更高。     

大型桥梁造价预测交叉均衡算法仿真

大型桥梁建设工程巨大,影响因子较多,工程造价预测难以有效均衡,传统方法采用单因素灰色关联预测的工程造价预测设计,预测精度和均衡性不好。提出一种基于主成分分析的大型桥梁造价预测交叉均衡算法,对大型桥梁工程造价预测和控制进行数学模型构建,得到质量—效率—成本控制的多目标贴近度数学模型。分析大型桥梁消耗影响特征信息统计参量,得到主成分分析的成本特征方程,实现大型桥梁造价预测交叉均衡算法。实验结果表明,采用该算法,可以实现质量水平和效率水平较高,单位成本较低的目标,达到对工程造价预测交叉均衡的目的。     

浅论大数据处理技术对医院信息化建设的应用

在医院信息化建设过程,通过有效的应用大数据技术,利于不断提高医院信息化建设工作开展效率。基于此,本文分析了医院大数据特点和算法,总结了大数据技术的实践应用对策,希望分析能够全面提高医院信息化建设水平。     

大数据环境下大学生上网行为分析与决策——以六盘水师范学院为例

网络是把双刃剑,对学生来说有利也有弊。为了制定合理的管理措施,督促大学生及时规范自己的网络行为。该研究重点研究了数据挖掘算法的选择,最后选择决策树、关联规则、预测分析对学生上网行为中的重要数据进行挖掘,实现大数据网络行为属性与学生学习成绩之间相关属性分析。结果显示,在"流量数据"中,"上网时间长度长"无疑是导致在校学生正常学习水平差的罪魁祸首。研究结果:相当差的算法是逻辑关联回归,相对比逻辑回归好一点的是决策树挖掘算法,最优秀的数逻辑关联性和规则数据挖掘算法。     

基于机器学习的短期电力负荷预测方法比较及改进研究

针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。     

基于领域限定网络检索的术语相似度计算

在分析基于搜索引擎的术语相似度算法基础上,设计并实现了基于领域限定网络检索的术语相似度算法,通过将语义上下文和领域上下文引入检索式构造过程,有效提升了特定领域术语相似度计算效果。     

一种广义预测隐式算法的仿真分析

广义预测控制作为一种随着自适应控制的研究而发展起来的预测控制方法,具有柔化作用,多步预测,滚动优化和在线自适应校正等优点。修正算法有多种,大体上可分为显示算法和隐式算法,文章介绍了一种广义预测隐式自校正控制算法,并对其进行仿真分析。总结主要参数的改变对整个系统性能的影响。结果表明,此算法具有优越型和可行性。     

Hierarchical gradient- and least squares-based iterative algorithms for input nonlinear output-error systems using the key term separation

This paper considers the parameter identification problems of the input nonlinear output-error (IN-OE) systems, that is the Hammerstein output-error systems. In order to overcome the excessive calculation amount of the over-parameterization method of the IN-OE systems. Through applying the hierarchial identification principle and decomposing the IN-OE system into three subsystems with a smaller number of parameters, we present the key term separation auxiliary model hierarchical gradient-based iterative algorithm and the key term separation auxiliary model hierarchical least squares-based iterative algorithm, which are called the key term separation auxiliary model three-stage gradient-based iterative algorithm and the key term separation auxiliary model three-stage least squares-based iterative algorithm. The comparison of the calculation amount and the simulation analysis indicate that the proposed algorithms are effective.     

基于径向基函数网络的改进算法的股市数据预测

径向基函数网络的性能在很大程度上取决于径基函数中心位置的选取。本文通过结合输入输出矢量从而得到扩展矢量的方式改进了常用的确定径基函数中心的HCM算法。股市数据预测的实验结果表明：改进的HCM算法的网络的性能有了明显的改善。     

Augmented complex-valued normalized subband adaptive filter: Algorithm derivation and analysis

In this paper, a novel augmented complex-valued normalized subband adaptive filter (ACNSAF) algorithm is proposed for processing the noncircular complex-valued signals. Based on the augmented statistics, the proposed algorithm is derived by computing a constraint cost function. Due to contain all second-order statistical properties, the ACNSAF algorithm can process the circular and noncircular complex-valued signals simultaneously. Moreover, the stability and mean square steady-state analysis of the proposed algorithm is derived by using the energy conservation principle. Computer simulation experiments on complex-valued system identification, prediction and noise cancelling show that the proposed algorithm achieves the improved mean square deviation and prediction gain compared to the ACNLMS algorithm. And the simulation results are consistent with the analysis results.     

基于链路分析的作者合著关系预测研究——以图情领域为例

作者合著关系的预测对于提高科研合作效率和有效的科研管理具有重要的意义。本文以中国知网中图书情报领域核心期刊作为信息来源,获取15年（2001-2015）的文献信息。通过计算指标方差和指标性质确定对合著关系预测的指标体系,同时对比基于单指标的无监督方法和基于分类算法的监督式机器学习方法（逻辑回归、支持向量机和随机森林）的预测效果,本文最终确定基于随机森林和指标体系所构造的合著关系预测模型。通过实例应用证明该模型具有较好的准确性和稳定性。     

基于模糊自适应变权重的经济时间序列组合预测模型研究

组合方法首先选取支持向量机预测算法和一阶指数平滑法对经济时间序列分别进行预测,来建立模糊自适应变权重组合预测模型。为对比模糊自适应变权重的经济时间序列组合预测模型的预测效果,选取了两种定值加权组合预测模型:平均加权模型、误差平方和最小组合预测模型。通过实验比较分析:模糊自适应变权重组合预测可以综合利用各单项预测方法的优点,比单一模型预测结果精度有了很大提高,且优于定值加权组合预测,在经济时间序列的预测方面有较高的应用价值。     

An improved particle filtering-based approach for health prediction and prognosis of nonlinear systems

Health monitoring of nonlinear systems is broadly concerned with the system health tracking and its prediction to future time horizons. Estimation and prediction schemes constitute as principle components of any health monitoring technique. Particle filter (PF) represents a powerful tool for performing state and parameter estimation as well as prediction of nonlinear dynamical systems. Estimation of the system parameters along with the states can yield an up-to-date and reliable model that can be used for long-term prediction problems through utilization of particle filters. This feature enables one to deal with uncertainty issues in the resulting prediction step as the time horizon is extended. Towards this end, this paper presents an improved method to achieve uncertainty management for long-term prediction of nonlinear systems by using particle filters. In our proposed approach, an observation forecasting scheme is developed to extend the system observation profiles (as time-series) to future time horizon. Particles are then propagated to future time instants according to a resampling algorithm instead of considering constant weights for the particles propagation in the prediction step. The uncertainty in the long-term prediction of the system states and parameters are managed by utilizing dynamic linear models for development of an observation forecasting scheme. This task is addressed through an outer adjustment loop for adaptively changing the sliding observation injection window based on the Mahalanobis distance criterion. Our proposed approach is then applied to predicting the health condition as well as the remaining useful life (RUL) of a gas turbine engine that is affected by degradations in the system health parameters. Extensive simulation and case studies are conducted to demonstrate and illustrate the capabilities and performance characteristics of our proposed and developed schemes.     

水电系统中长期水文预报方法研究

水库径流预测一直是水文水资源研究领域最重要的问题之一,本文将自回归预报方法应用于水库中长期径流预报当中,建立水文预报模型。实验表明,自回归预测在径流预报中有较好的实用性和广泛的应用前景。