在实时视景显示中，为了使目标的运动轨迹平滑，针对传统AIS线性插值的弊端，本文提出一种综合考虑目标的航速、航向等运行信息的插值方法，该方法通过建立目标运动模型，对目标运动信息进行预测，构成该段时间内符合视景显示帧率插值的运行轨迹。
同时考虑AIS基站转发、数据接收等原因造成AIS丢包、相邻AIS信息时间跨度较大，在上述的插值方法基础上，还提出一种AIS未知点的预测方法。
最后本文利用实测AIS数据对上述方法进行验证，表明该方法可以较为逼真地还原真实航行轨迹，并有效解决AIS信息跨度大的问题。
同时考虑AIS基站转发、数据接收等原因造成AIS丢包、相邻AIS信息时间跨度较大，在上述的插值方法基础上，还提出一种AIS未知点的预测方法。
最后本文利用实测AIS数据对上述方法进行验证，表明该方法可以较为逼真地还原真实航行轨迹，并有效解决AIS信息跨度大的问题。
2023/3/19 22:24:06
3.62MB
1
MATLAB课程设计，关于JPEG压缩编码的使用。
基于Matlab的JPEG图像压缩编码的仿真，编程实现JPEG压缩算法，JPEG标准是静态图像的压缩编码和译码标准。
它包括两种基本的压缩算法，一种是基于DCT离散余弦变换的有损压缩算法，另一种是基于预测方法的无损压缩算法。
基于Matlab的JPEG图像压缩编码的仿真，编程实现JPEG压缩算法，JPEG标准是静态图像的压缩编码和译码标准。
它包括两种基本的压缩算法，一种是基于DCT离散余弦变换的有损压缩算法，另一种是基于预测方法的无损压缩算法。
2023/2/22 5:02:13
174KB
1
GM(1_1)模型建立与预测方法实例：根据GM（1,1）建模原理，经过对数据的累加生成和累减还原，得到2010—2015年的数据分别为2010：851.0925262011：858.2460062012：865.4596112013：872.7338462014：880.0692232015：887.466252平均误差：0.065%
2023/2/6 20:28:26
494KB
1
本书共分为三部分。
第一部分讲预测基础，次要涵盖预测概念理解、预测方法论、分析方法、特征技术、模型优化及评价，读者通过这部分内容的学习，可以掌握进行预测的基本步骤和方法思路；
第二部分讲预测算法；
第三部分讲预测案例。
第一部分讲预测基础，次要涵盖预测概念理解、预测方法论、分析方法、特征技术、模型优化及评价，读者通过这部分内容的学习，可以掌握进行预测的基本步骤和方法思路；
第二部分讲预测算法；
第三部分讲预测案例。
2023/1/18 10:46:12
79.57MB
1
针对数据量庞大引起模型参数更新时样本选择困难及训练速度慢的缺陷,提出基于投影寻踪回归的铜闪速熔炼过程关键工艺指标预测方法。
首先采用机器学习方式提取用于建模所需的类似样本集,借助投影寻踪回归思想,建立铜闪速熔炼过程关键工艺指标预测模型;然后利用基于实数编码的加速遗传算法进行模型参数的实时更新。
训练样本的机器选择可以避免人工选择带来的主观性和盲目性缺陷,模型参数的更新训练只在类似样本集中进行,可有效提高模型参数更新速度。
实际生产数据仿真结果验证了所提方法的有效性和可行性。
首先采用机器学习方式提取用于建模所需的类似样本集,借助投影寻踪回归思想,建立铜闪速熔炼过程关键工艺指标预测模型;然后利用基于实数编码的加速遗传算法进行模型参数的实时更新。
训练样本的机器选择可以避免人工选择带来的主观性和盲目性缺陷,模型参数的更新训练只在类似样本集中进行,可有效提高模型参数更新速度。
实际生产数据仿真结果验证了所提方法的有效性和可行性。
2018/3/12 21:46:20
868KB
1
BP神经网络适用于大样本数据的预测，至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络，不同的数据需要根据其本身特点选择不同的预测方法。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。
2021/7/14 15:13:28
6KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB