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
出版社的资源配置问题2006年“高教”杯全国赛A题国家一等奖摘要在充分理解题意的基础上，我们提出了合理的假设。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
2020/9/6 17:48:06
982KB
1
出版社的资源配置问题2006年“高教”杯全国赛A题国家一等奖摘要在充分理解题意的基础上，我们提出了合理的假设。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
2019/3/9 17:15:20
982KB
1
MFC语言编写的灰色预测模型EXCEL预测分析.doc多变量灰色预测模型算法的Matlab程序.pdf多变量灰色预测模型算法的Matlab程序.txt灰色模型代码GM(1，1)模型的改进与应用及其MATLAB实现.pdf关于GM(1,1)灰色模型MATLAB的程序.pdf用EXCEL实现灰色数列模型GM(1,1)的预测.pdf企业马尔可夫预测的Excel+VBA实现.pdf灰色模型GM(1,1)结合Excel实现药品销售预测.pdf基于EXCEL建立人口灰色预测模型的研究.pdfVBA编程轻松实现.pdf用Excel建立灰色数列预测模型的研究.pdf
2018/9/15 14:07:36
3.93MB
1
为了提高网络热点话题的预测精度，针对传统回声状态网络存在的不足，提出一种改进回声状态网络的网络热点话题预测模型。
首先将一维的网络热点话题时间序列重构成多维时间序列，然后采用改进回声状态网络对多维时间序列进行学习，建立网络热点话题预测模型，最后对模型功能进行仿真测试。
结果表明，改进回声状态网络可对网络热点话题的变化趋势进行准确刻画，网络热点话题的预测精度得以提高，而具有更好的应用价值。
首先将一维的网络热点话题时间序列重构成多维时间序列，然后采用改进回声状态网络对多维时间序列进行学习，建立网络热点话题预测模型，最后对模型功能进行仿真测试。
结果表明，改进回声状态网络可对网络热点话题的变化趋势进行准确刻画，网络热点话题的预测精度得以提高，而具有更好的应用价值。
2019/5/16 1:55:30
616KB
1
为了提高网络热点话题的预测精度，针对传统回声状态网络存在的不足，提出一种改进回声状态网络的网络热点话题预测模型。
首先将一维的网络热点话题时间序列重构成多维时间序列，然后采用改进回声状态网络对多维时间序列进行学习，建立网络热点话题预测模型，最后对模型功能进行仿真测试。
结果表明，改进回声状态网络可对网络热点话题的变化趋势进行准确刻画，网络热点话题的预测精度得以提高，而具有更好的应用价值。
首先将一维的网络热点话题时间序列重构成多维时间序列，然后采用改进回声状态网络对多维时间序列进行学习，建立网络热点话题预测模型，最后对模型功能进行仿真测试。
结果表明，改进回声状态网络可对网络热点话题的变化趋势进行准确刻画，网络热点话题的预测精度得以提高，而具有更好的应用价值。
2019/5/16 1:55:30
616KB
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