局部散射理论在高超声速边界层转捩预测中应用的检验

eN方法是物理意义明确的转捩预测方法之一, 但它无法考虑边界层中的局部突变(如粗糙元、缝隙、台阶等)对转捩的影响. 而后者在飞行器表面经常出现. 近期发展的局部散射理论框架提供了该问题的有效解决途径. 该理论框架从转捩的物理机理出发, 定量刻画局部感受性和线性模态的局部散射两个机制, 并用参数化的感受性系数和透射系数修正转捩判据. 为了验证该理论框架的有效性, 设计了一套高超声速边界层的直接数值模拟方案: 分别在光滑壁与粗糙壁两种工况下引入相同的初始失稳模态, 计算它们触发转捩的过程, 并定量考察粗糙元对转捩的影响. 数值模拟结果与描述线性模态局部散射机制的理论预测吻合很好.      

基于EMD-GRU的高速公路行程时间组合预测模型

考虑到高速公路行程时间影响因素繁多且行程时间序列非线性、非平稳特征显著,设计了基于经验模态分解和GRU神经网络的高速公路行程时间组合预测模型.首先,利用高速公路收费数据中车辆进出高速公路的时间信息获取路段行程时间序列;然后,利用经验模态分解算法,将复杂的行程时间序列分解为若干时间尺度不同、相对平稳的本征模态函数分量和残差分量;接着,使用GRU神经网络对各本征模态函数分量和残差分量进行预测与集成操作.实例分析表明:经验模态分解可有效提高LSTM、GRU神经网络的预测精度;在相同参数设置的情况下,GRU神经网络的预测精度优于LSTM神经网络.     

高原驻训航材有寿件需求预测研究

高原驻训航材保障中,有寿件重要度较高,部队必须携带足够的备件数量来满足任务需要.根据高原驻训条件下航材有寿件需求特点,将有寿件的需求分为到寿更换需求和随机故障消耗产生的需求两部分,分别用数学公式和仿真计算方法进行预测,再将两者结果相加为总需求量.通过实例分析验证,采用工程测算方法可以避免逐一分析器材寿命的繁杂,而单独考虑随机故障消耗可以进一步保证有寿件备件不短缺率在90%以上.该预测,该模型可以为航材有寿件到寿情况分析以及有寿件的携行方案制定提供参考.     

基于改进灰色GM(1,1)模型的新疆人口总量的分析与预测

利用Lagrange插值理论重构了GM(1,1)预测模型的背景值,以提高改进GM(1,1)模型的预测精度和实效性,进而利用该模型对新疆人口发展态势进行了科学分析与预测.     

基于PCA-GM-BP神经网络的猪肉价格预测分析

针对猪肉价格上下波动呈非线性关系和影响因素复杂等难以预测的问题,提出了基于PCA-GM-BP神经网络预测模型对猪肉价格进行有效预测.以2010年1月-2018年12月的月度价格数据作为样本,共计108组数据,利用PCA对影响猪肉价格变化的12种因素进行降维处理,选用对猪肉价格的主要累积贡献率超过96%的5个主成分,构建PCA-GM-BP神经网络猪肉价格预测模型.结果表明:与传统的BP神经网络、GM-BP神经网络预测模型相比,PCA-GM-BP神经网络预测模型在提高聚类效果的同时,增加了预测结果的精确性,对我国猪肉价格预测具有更高的适用性与参考价值性.     

基于NARX神经网络方法的汽轮机转子关键部位应力预测

汽轮机启动过程中,对转子进行应力预测具有重要意义.为满足在线预测国产某350 MW超临界汽轮机转子关键部位应力的需要,提出了一种基于具有外部输入的非线性自回归(NARX)神经网络的应力预测方法.根据转子实际尺寸建立二维轴对称有限元模型,确定了相应的边界条件,并对有限元计算结果进行验证,得到了转子在冷启动工况下的温度场和应力场,确定了转子的危险点.再根据冷启动规则,构建了288个典型启动工况,并对每个启动工况分别进行有限元计算,获取了每个工况下机组运行参数以及转子危险点处应力的时间历程数据,进而建立了神经网络训练样本库,并使用NARX神经网络对危险点处应力进行预测.此基于NARX神经网络的预测方法可以准确预测出汽轮机转子危险点处的应力变化趋势,其预测值与有限元仿真结果吻合良好,可以满足转子应力在线预测的需求.     

基于子空间多核学习的企业财务困境预测方法

财务指标的异构性是影响企业财务困境预测精度的重要因素,现有多核学习方法能够用于解决异构数据学习问题。本文首先介绍了子空间多核学习财务困境预测理论框架,在此基础上根据子空间学习的最大化方差准则、类别可分性最大化准则、非线性子空间映射原理,提出了三种子空间多核学习方法,分别为最大化方差投影子空间多核学习、类别可分性最大化子空间多核学习、非线性子空间多核学习。利用采集的我国上市公司数据进行实验,对比所提出的方法同现有代表性财务困境预测方法,并对实验结果进行分析。实验结果表明,本文提出的子空间多核学习财务困境预测框架行之有效,该框架下所构造的子空间多核学习预测方法能够有效地提升财务困境预测精度。     

P2P网贷平台风险预测研究

随着大数据和机器学习的流行,其在破产预测和风险预测领域逐渐崭露头角。本文运用爬虫技术得到885家网贷平台的16815条数据,通过因子分析及模型验证挖掘出了若干能较好评估P2P平台风险的因子。然后本文通过选取的指标体系建立了Logistics回归、支持向量机、BP神经网络、LightGBM等单模型以及融合模型进行学习训练,所建立的融合模型在测试集中得到最高的准确率,说明本文所建的融合模型能较好地评估网贷平台的风险。本文还选取决策树绘图以及对特征进行重要性排名,选取出了对识别问题平台有重要作用的十项特征。这对投资者选取安全平台进行投资或者监管者选取重点平台进行监管有很好的借鉴意义。     

基于网络搜索数据和机器学习的票房预测模型

电影票房预测对于管理部门一直是一项重要而复杂的工作。电影票房相关变量复杂多变,且数据获取难度较大是制约当前研究的主要因素。相比之下,网络搜索数据是互联网公司发布的用于记录网民搜索行为的结构化数据,能客观及时反映事物的发展趋势。本研究建立了基于网络搜索数据的混合预测模型。首先,匹配与测试集最相似的训练数据构建最优训练集(OTS)。其次,应用帝国竞争算法(ICA)选择最小二乘支持向量机(LSSVM)的最佳参数组合。最后,使用优化模型进行预测。为了测试模型的效果,使用中国大陆上映的电影票房数据进行模拟实验。结果表明混合模型具有更高的预测精度。本研究所构建的模型适用于中国电影业的票房预测,可为有关部门提供决策参考。     

基于排序预测的带交易费用在线投资组合策略

在线投资组合决策过程中频繁调整资产头寸会产生较多的交易费用。本文提出了一个综合考虑预期收益和交易费用的在线投资组合策略。通过预测资产的排序计算组合的预期收益,利用相对熵距离衡量交易费用,构造了一个极大化预期收益和极小化交易费用的优化模型,从而得到了一个在线投资组合更新策略。然后,从理论上证明了该策略具有BH泛证券性,即该策略与离线的最优购买并持有策略具有相同的渐近平均指数收益率。最后,采用中美股票市场实际数据,对该策略进行了数值分析。结果表明,该策略的表现优于已有的在线投资组合策略,且对模型的参数不敏感。