吸毒人口趋势的定量研究

通过＂S＂形曲线建立了某地区吸毒人数的预测与控制模型,模型预测了该地区的注册吸毒人口总数,并且根据模型分析找到了控制吸毒人数增长的时间段,最后结合实际给禁毒部门提出了若干建议。     

指数平滑法在边防情报分析中的应用

介绍了指数平滑法,以某地区吸毒人数为实例,进行三次指数平滑分析,对未来的趋势做出较为准确的判断预测,并对结果进行分析和评价,为边防决策提供依据.     

新疆吸毒问题原因透视

新疆紧邻世界最大毒源地“金新月”,处在“金三角”和“金新月”两面夹击之下。近年来,新疆的毒品犯罪活动日趋突出,吸毒群体不断扩大,严重影响了新疆的社会稳定和经济发展。从宏观社会环境、微观环境及吸毒者个体因素三个方面对新疆吸毒问题产生的原因进行了深入分析,以期为新疆禁吸毒工作提供决策依据。     

LEACH—DRT算法中基于神经网络的数据预测算法

为了保证无线传感器网络中数据的完整性,针对基于LEACH路由协议的动态轮时间算法存在的问题,提出一种基于人工神经网络的数据预测算法。该动态轮时间算法中,部分簇因调整后的轮时间不足以完成数据的采集而丢失数据。数据预测算法结合传感器节点数据具有时空相关性的特点,将时空延迟算子引入神经网络模型,并通过建立的神经网络模型对数据进行预测。仿真时采用伯克利英特尔实验室的传感器数据,通过Mafl软件对模型进行测试并分析仿真结果。实验结果表明：该算法对连续多个数据的预测效果理想,预测误差始终保持在较低水平。     

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。     

基于卷积神经网络与滤波融合算法的某惯导系统剩余寿命预测模型建立

在对产品中具备大量运行观测性能数据的关键系统部件进行剩余寿命预测的过程中,因寿命数据稀少难以建立寿命分布模型。而对产品性能观测数据进行退化建模,传统退化过程分析模型对于产品性能观测数据适应性差导致产品寿命预测精度低、有效性弱的问题,充分挖掘部件退化数据信息,依据相关退化分析技术,基于统计模型中的滤波预测方法与机器学习技术中的回归卷积神经网络（regressive convolutional neural networks, RCNN）预测方法建立产品剩余寿命预测融合模型。融合模型结合了滤波预测模型对产品退化状态的挖掘能力、不确定表达能力与RCNN网络模型良好的数据适应性、预测的准确性,提高了产品退化数据分析的准确性及有效性,可对产品关键部件的寿命进行有效预测,为产品中具备大量运行观测数据的关键系统部件健康管理提供辅助参考。     

基于历史数据挖掘的战场气象环境数据模糊预测算法

现代模拟仿真训练过程中,对于虚拟战场气象环境的仿真,大多采用重现训练场地某一段历史战场气象环境数据的方法.而战场气象环境预测大多为通过数据挖掘技术预测未来短期的气象数据,缺乏长远的预测方法.针对上述缺点,对战场气象环境历史数据进行处理,给出了一种基于历史数据挖掘的未来战场气象环境数据模糊预测的算法.     

基于神经网络集成方法预测膜蛋白类型

由Chou等人提出的预测膜蛋白分类的机器学习算法在近年来不断改进,使得预测膜蛋白类型的准确率越来越高。但是由于膜蛋白类分布不均衡而导致少数类的预测准确率非常低,使用神经网络集成方法能解决此问题。该方法中Bagging算法通过对多数类欠采样和少数类过采样来解决膜蛋白训练数据集不均衡问题。此外,用神经网络集成方法对已训练数据集和独立数据集进行分类测试,得出神经网络集成方法预测效果优于单个最好神经网络。该方法为解决蛋白质分类预测问题提供了一种新的策略,特别是训练数据集不均衡时,该方法的优势更加明显。     

基于灰色Verhulst优化模型的电子装备故障预测方法

针对平均故障工作时间数据样本量少的特点,提出利用灰色Verhulst模型预测电子装备故障;又针对灰色Verhulst模型存在预测精度不高的问题,研究了灰色Verhulst模型参数的优化方法。通过实际试验数据对2个模型进行了仿真验证,并基于灰色关联度对2个模型的模拟预测精度进行了比较分析,结果表明：基于灰色Verhulst优化模型适合于电子装备故障预测,并具有较高的拟合预测精度。     

基于维纳过程金属化膜电容器的剩余寿命预测

金属化膜电容器是惯性约束聚变激光装置能源系统最重要的元器件,对个体电容器的剩余寿命进行有效的预测对整个装置的可靠性水平有着重要的影响.为有效地预测个体电容器的剩余寿命,提出了融合单个电容器性能退化数据与先验性能退化数据信息的预测方法.采用Wiener过程对其性能退化过程进行建模,并根据先验退化数据信息构造参数的先验分布...     

基于磨损的柴油机性能灰色预测

柴油机性能传统的预测方法需要大量的统计数据,在数据较少的情况下无法使用.文中对磨损与漏气量的关系以及漏气量对柴油机性能的影响进行了分析,基于一组磨损与漏气量的数据,采用灰色预测理论对柴油机性能进行了预测.结果表明,预测值与实测值两者基本一致.     

E 级超级计算机故障预测的数据采集方法

随着超级计算机规模向E级迅速发展,其可靠性面临巨大挑战,基于故障预测的主动容错技术成为提高系统容错能力的有效方法之一。数据采集是故障预测的基础,现有用于超级计算机故障预测的数据采集方法采集数据属性少、开销大,影响了故障预测的准确性和效率。本文面向未来E级超级计算机,提出数据采集框架（Failure Prediction Data Collection Framework, FPDC）,能够全面采集与计算结点故障相关的状态数据,采用自适应多层分组数据汇集方法,有效解决了随着系统规模增长数据汇集过程开销过大的问题。在TH-1A超级计算机上的实现和测试表明,该数据采集框架具有开销小,扩展性好的优点,能够适应未来大规模系统故障预测数据采集的需求。     

SVM异常数据识别的比例风险预测模型

剩余寿命预测在设备维修管理中扮演着重要的角色,准确的剩余寿命预测对制定维修策略起着至关重要的作用,从而可以有效避免设备故障的发生.提出一种基于支持向量机(SVM)异常数据识别的比例风险模型(PHM)用于剩余寿命的预测,该模式利用支持向量机和比例风险模型分别实现异常状态数据的识别和剩余寿命的预测.案例研究表明,SVM -PHM模型较PHM模型具有更好的预测精度.     

神经网络在靶场动态精度预测射击精度中的应用

在靶场,动态精度试验可以得到较为充分的样本量,射击精度试验样本量往往相对不足。利用动态精度预测射击精度可以增加射击精度试验样本量,不过如何利用动态精度预测射击精度,一直是靶场舰炮武器系统试验中不易解决的难题。利用神经网络技术,结合靶场试验数据,建立了动态精度预测射击精度的模型,实现了动态精度数据预测射击精度。结果表明,...     

一种用于大闭环火控系统的脱靶量预测模型

本文以一组靶场试验数据为依据,分析了文献[1]——[6]中介绍的闭环校正算法在小样本多步预测时存在的问题,对靶场试验数据进行了统计分析,针对小样本多步预测问题建立了简单实用的脱靶量预测模型,并用不同的模型对靶场数据进行了仿真计算。结果表明,新模型对小样本多步预测问题是适用的。     

灰色GM(1,1)模型在电子装备寿命预测中的应用

介绍了传统装备可靠性试验数据评估的不足,为此根据灰色预测的基本原理,用GM(1,1)模型并通过精度修正,给出了实际应用中的预测方法.最后通过具体实例,对电子装备未来可能发生故障的范围进行了预测,取得令人满意的结果,从而证明了该预测方法能为装备的维修保养提供重要的数据支持,对研究武器装备的可靠性具有重大现实意义.     

基于灰色模型预测门诊病人人均医药费用的研究

本文介绍了两种常用的灰色模型,并结合已有数据对未来5年门诊病人人均医药费用进行了比较预测。对预测结果给予了解释,这些数据可以为医疗保险及相关政策制定提供参考。     

基于混合数据挖掘模型预测用户流失

用户流失预测问题广泛应用在银行、金融、电信等多种领域。对用户行为进行有效的预测和分析有助于企业的竞争和了解瞬息万变的市场规律。采用3种混合的数据挖掘模型对用户流失问题进行了研究,以形成一个准确高效的用户流失预测模型。这3种模型应用于数据挖掘的两个阶段:聚类阶段和预测分析阶段。在第1阶段中,对用户的数据进行过滤。第2阶段对用户行为进行预测。第1个模型采用了二分k-means算法进行数据过滤和多层感知人工神经网络(MLP-ANN)相结合进行预测。第2个模型采用层次化聚类与MLP–ANN相结合进行预测。第3个模型使用自组织映射(Self-Organizing Maps)与MLP-ANN进行预测。这3种模型预测分析基于真实数据,用户流失率采用3种模型混合计算的方式得出结果并同真实值进行比较。分析结果表明采用多模型的混合数据挖掘模型的数据准确度优于普通的单一模型。     

几种野值剔除准则在目标预测中的应用研究

观测数据中的野值会影响目标预测的精度。分析比较了几种常用的野值剔除准则,包括最常用的3σ准则、奈尔准则、格拉布斯准则和狄克逊准则,将其应用到目标预测的数据预处理中,并比较了各种方法的野值剔除能力和对目标预测精度的影响。仿真结果表明:野值剔除准则的引入可有效减少数据中野值的数量,提高目标预测的精度。其中,格拉布斯准则的实用效果尤为明显,且误剔除率也得到了较好的控制。     

基于神经网络的复杂导弹系统可靠性预测

介绍了如何利用神经网络对复杂导弹系统可靠性进行预测。对利用导弹地面测试数据和可靠性数据预测未来导弹可靠性问题进行了描述。给出了建模思路和方法框架。探讨了基于因子分析的可靠性数据特征选择方法、循环神经网络(RNN)、长短时记忆网络(LSTM)、门循环网络(GRU)以及输出数据融合方法。在实例中利用该方法对其飞行可靠性进行了预测,验证了方法的可行性与有效性。该方法可以充分利用复杂系统地面测试数据、可靠性数据中隐含的信息以及多种神经网络的优点,具有一定的通用性与实用性。