基于WebGIS的供水管网震害预测信息系统研究

阐述了供水管网震害预测信息系统的组成部分及其功能，应用MapX建立了基于WebGIS的供水管网地理数据库，采用综合概率预测方法建立了震害预测模型，以提高供水管网的震害预测准确性，并利用VB＋ArcObject服务器组件开发技术建立供水管网震害预测信息系统，以实现震害预测信息网上发布、检索和分析。     

土坝震害预测

 本文用数理统计分析法,找出了影响土坝震害的主要因素,并分别给出了地震烈度为7,8,9度时的土坝震害预测经验公式.     

基于遗传神经网络的多层砖房震害预测研究

多层砖房在遭遇地震时破坏较为严重,会给人民的生命与财产造成巨大的损失。将神经网络与遗传算法相结合,建立遗传神经网络对多层砖房的震害进行了预测。样本的预测结果与实际结果一致,说明应用遗传神经网络算法对多层砖房的震害进行预测是可行。     

基于神经网络方法对多层砖房震害预测

强烈的地震给人们生命财产带来巨大损失,为了能够在地震之前预测出建筑物震害,提出一多层砖房为例。利用MATLAB神经网络工具箱,建立一种基于贝叶斯正则算法的BP神经网络模型,并以过去发生地震地区的多层砖房调查数据为震害因子的震害预测方法。结果表明:对多层砖房的震害样本的预测达到理想效果。     

基于BP神经网络的农村用电量预测的研究

农村用电量预测是县级供电部门的重要工作之一，其受国民生产总值和上年度用电量的影响，具有一定的随机性。利用BP神经网络建立了农村用电量预测模型。通过应用实例分析表明，预测结果和实际结果有很好的一致性。     

基于建筑密度的农村院落空间布局分异研究

为合理利用农村院落规划用地,探讨空间布局分异规律,以山东省346份调查问卷为主要资料,在已有研究的基础上,利用所调查的农户截面数据,选择合适的指标,采用有序Logistic回归模型研究确定影响农户院落布局分异的驱动因素。影响因素共分为宏观概况、人口情况、经济状况、家庭特征4大类11小类。研究结果表明：院落位置对分异方向产生重要影响,经济因素是影响农村院落空间布局分异的主要因素。除此之外,户主年龄对布局分异产生一定影响。     

基于农村旅游发展的历史建筑再生研究

在当今城乡一体化发展背景下,将农村旅游和建设社会主义新农村有机结合起来是一个有效途径.笔者以农村旅游发展为视角,对两个农村地区的历史建筑进行调研,以评分的方式从经济、社会、环境等方面分析历史建筑改造及再生中的影响因素,希望能为后续的研究提供一定的参考价值.     

基于灰色理论的我国农村能源消费的预测研究

农村能源是农村经济发展的基石,对农村能源消费科学、合理的预测,可为制定农村能源政策提供依据。采用灰色理论中的GM(1,1)模型对我国农村能源消费量以及所占总能源消费比例进行预测,2015年我国农村能源消费量将达到14.1亿t标准煤、所占总能源消费比例将达到23.76%,其相对误差和后验差检验均合格,最后对农村能源发展提出了政策建议。     

农村电力系统负荷预测研究

农村电力系统规划和运行在负荷预测方面是非常重要.主要叙述了时间序列分析的构思,模型构建方法的过程及步骤,假设时间序列,运用MATLAB软件试验,实现了模型参数的估计的过程和模型的定阶.运用灰色理论法进一步建立灰色模型GM（1,1）,且通过灰色关联分析进一步分析出不同模型的灰色关联度,这样才能更好地选择模型.     

农村建筑火灾的研究与分析

根据最新调研的数据,进一步证明虽然近些年农村人口逐渐减少,但仍占据总人口的重要组成部分,指出农民自身防患意识薄弱的问题,引出农村火灾的发生频率和伤亡情况.通过分析该类火灾的特点,说明农民意识严重制约农村经济的发展和威胁农民生命和财产安全,并提出一些改善措施,从而减少该类火灾对农民造成的伤害和损失.     

基于气象因子的科尔沁右翼前旗草原鼠害预测模型研究

基于气象因子,本文使用Back-propagation (BP) 神经网络模型对内蒙古自治区科尔沁右翼前旗草原鼠害发生面积进行预测,结果表明：BP神经网络模型的预测效果良好,其精度可高达91%以上,符合预测草原鼠害发生面积的业务要求.     

北流市乡村公共建筑适宜度评价

以北流市木棉村、河村、司马第、中灵村的7种公共建筑为研究对象,选取安全性、可达性及认知度等8项评价指标,利用熵权法确定指标权重,然后采用灰色关联度法对北流市乡村公共建筑在乡村建造的适宜度进行定量分析.结果表明,评价指标对乡村公共建筑适宜度的影响程度由大到小排序为可达性、安全性、功能实用性、文化性、认知度、归属感、地域性...     

基于K-mer-SVM的piRNA预测

采用支持向量机(SVM)结合K-mer分布特征预测piRNA.利用多种生物的非编码RNA序列数据库,从中挑选出piRNA序列作为正样本,并以由该数据库构建的非piRNA序列作为负样本,将正样本和负样本构成的数据随机取出50%作为训练集,将剩余的数据作为测试集;提取正样本和负样本序列的K-mer分布特征构建特征矩阵;用SVM对其进行分类,实现piRNA预测.结果表明K-mer-SVM在准确率、正例覆盖率、MCC和F测度等分类指标上均明显优于K-mer-LDA,说明K-merSVM是更好的piRNA预测算法.