基于趋势面模拟的城市用水量分析及预测

以山西省某市1999-2009年城市用水量为因变量,该市城镇化水平和GDP为自变量,建立了城市用水量变化趋势面模型,比较了不同阶次趋势面模型的拟合程度,并绘制了趋势面和残差等值线图.经分析得出,该市城市用水量与城镇化水平、经济状况等因素密切相关,并可通过预测将来某年的城镇化水平和GDP,进而预测所研究年份的城市用水量.     

小波随机耦合模型在查哈阳农场降雨量预测中应用

采用小波变换A Trous算法对小波信号进行分解后,对各小波变换序列进行互相关分析,建立各小波变换序列相应的随机模型,最后采用小波重构算法得到小波随机耦合模型.然后根据查哈阳农场1956-2008年作物生育期月降雨量数据资料,建立了小波随机耦合模型,对模型进行拟合预测精度检验,研究表明该模型拟合预测精度高,能够反映该地区的降雨量变化规律,是一种实用的预报模型.对当地制定合理的灌溉制度和高效利用降水资源具有重要意义.     

两种有效的预测方法理论分析及实践

预算实际上是一种建模,即根据过去和现在已有的信息建立一个从过去引伸到未来的模型。而时序分析法和灰色系统理论是两种有效的预测方法。为此,介绍了这两种预测方法的原理,并预测了新疆兵团的农机情况。其结果表明:未来10年,新疆农机总动力和投入将会有较大幅度的增长,而农业机械化程度将趋于最高值。     

农村电力系统负荷预测研究

针对黑龙江省庆安县农村电力系统的负荷进行系统的分析,对各种中长期负荷预测方法进行研究,搜集负荷的历史资料,并对搜集的负荷数据资料进行分析,找出负荷的变化规律,选择适合于黑龙江省庆安县农村电力系统的中长期负荷预测模型,为满足电力生产部门和管理部门的要求提供依据。     

电磁振动排种器振动特性的理论分析

排种器是播种机械的核心,是决定播种机性能的主要因素。在设计排种器时,首先要对其进行振动特性分析,找出影响排种器排种性能的因素,并作为后续设计的理论依据。为此,介绍了电磁振动排种器的工作原理,并对其振动特性进行了理论分析,从而为电磁振动排种器的设计提供了理论依据。     

城市需水量的混沌预测

混沌预测与传统的时间序列预测方法有较大的不同,它较传统确定性和随机性预测方法更多地利用了时间序列中包含的丰富信息,因此能够得到更精确的结果。城市需水量受众多因素的影响,各影响因素与需水量之间存在着高度的复杂性和非线性,利用混沌理论重构相空间方法,将需水量时间序列扩展到三维或更高维的相空间中去,充分表现需水量时间序列的信息。通过对某城市月需水量的分析,计算出相应的Lyapunov指数;由于Lyapunov指数大于零,定量地说明了月需水量序列具有混沌性,并估计了可预测的时间尺度,同时根据最大Lyapunov指数,建立了预测模型,其预测结果的相对误差较小,精度较高。因此基于混沌理论的城市需水量的预测分析是一种有意义的尝试。     

基于FLUENT分析弯度对翼型性能的影响

弯度对提高翼型性能具有显著的影响.基于工程上广泛应用的标准k-ε模型,对不同弯度的翼型进行数值模拟.数值计算结果表明,随着弯度增加翼型的升阻力均增加,但升力系数增加程度逐渐减小,最佳升阻比先增大后又呈减小趋势;弯度增加升力增大,翼型吸力面的最低压力减小,但不能使其低于流体的汽化压力.     

绥解长株潭城市群核心区水资源矛盾的对策

长株潭城市群为全国资源节约型和环境友好型社会建设综合配套改革实验区,水资源合理配置、水环境治理是两型社会建设的重要内容之一,通过对长株潭城市群核心区水资源及开发利用现状、水资源供需分析与预测及水环境容量分析,提出了建立节水防污型社会,合理配置核心区各河段最小流量,开辟新的供水水源等缓解核心区水资源矛盾的对策.     

基于信息扩散近似推理的年径流量预测模型

通过分析年径流时间序列的特性,利用信息扩散近似推理描述年径流量间的复杂非线性关系,建立起基于信息扩散近似推理的年径流预测模型.信息扩散近似推理将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可以将矛盾模式转换成兼容模式.通过与传统预测方法相比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值.     

神经网络和模糊逻辑在农业机械制造中的应用

农业机械制造技术与一般机械制造技术相比,具有特殊性。如今大多数农机企业的技术跟不上先进机械制造技术的发展,农业机械制造技术比较落后。为此,将动态神经网络和模糊逻辑技术应用在农业机械加工制造中,能够很好地预测和控制工件的尺寸与形状,大大提高了加工精度。为此,以农业机械的轴类零件为例,建立了纵向磨削的Elman动态神经网络尺寸预测模型,采用论域自调整策略和模糊自适应控制理论,建立了纵向磨削的自适应控制模型,选择工作台的进给速度作为控制变量。仿真和实验结果表明,所建立的神经网络尺寸预测模型和模糊自适应控制模型是正确的。