导读:本文包含了自记忆原理论文开题报告文献综述及选题提纲参考文献，主要关键词:软土地基沉降,预测,自记忆原理,数据机制模型
自记忆原理论文文献综述
黄仁东,金浩,汪宏[1]（2013）在《基于动力系统自记忆原理的软土地基沉降预测》一文中研究指出基于软土地基沉降的过程是一个非线性的动力系统演变过程,为较为准确地对软土地基的沉降量进行预测,将"动力系统自记忆原理"引入软土地基沉降预测。采用双向差分原理反导出软土地基沉降的非线性常微分方程,将其作为微分动力核,建立软土地基沉降自记忆模型,并将该模型用于汕汾高速公路软土地基沉降的预测。研究结果表明,将自记忆原理引入软土地基沉降的预测中,提高了预测的精度和适用范围,为软土地基沉降的预测提供了一种新的方法。(本文来源于《科技导报》期刊2013年09期）
王伟,谢学斌,黄东[2]（2010）在《基于自记忆原理的深基坑位移预测方法》一文中研究指出传统灰色GM(1,1)预测模型对非负递增时间序列有较好的预测精度,但对波动幅度较大的时间序列预测精度较低。为了提高预测精度,本文在趋势曲线模型和自记忆理论的基础上,建立趋势曲线-自记忆组合预测模型,将该模型应用于深基坑位移预测中,并与灰色GM(1,1)预测模型和趋势曲线预测模型比较,该模型具有较高的预测精度。(本文来源于《河北工程大学学报(自然科学版)》期刊2010年04期）
黄东,谢学斌,黄晓阳,王伟[3]（2010）在《基于灰色自记忆原理的煤矿瓦斯浓度预测》一文中研究指出井下瓦斯浓度预测是预防煤矿瓦斯事故的重要环节和基础工作。以预测煤矿瓦斯浓度为研究目的,采用灰色系统理论与自记忆原理相结合的方法,将灰色系统理论导出的煤矿瓦斯浓度变化微分方程代入由自记忆原理推导的离散形式自记忆方程,利用最小二乘法求得记忆系数,建立了煤矿瓦斯浓度预测的灰色自记忆模型。结合李雅庄煤矿304综采面瓦斯浓度实测值,由试算法确定最优回溯阶p=7,建立瓦斯浓度预测灰色自记忆模型,并与G(1,1)模型进行对比分析。研究表明,灰色自记忆模型综合了灰色系统理论和自记忆原理的优越性,能够准确拟合与预测出井下瓦斯浓度变化的总体趋势与波动细节,有较好的工程适应性和较高的预测精度,为井下瓦斯浓度预测提供新的途径。(本文来源于《科技导报》期刊2010年17期）
李家科,李怀恩,沈冰,李亚娇[4]（2009）在《基于自记忆原理的非点源污染负荷预测模型》一文中研究指出尝试将自记忆原理引入非点源污染负荷的预测研究中,并对一般形式的自记忆模型进行改进,建立了改进的非点源污染负荷自记忆预测模型。采用1976～1999年渭河华县站总氮非点源负荷及与其产生关系密切的径流、泥沙、上游流域降雨资料,前21 a资料用作训练,后3 a资料用作检验,经计算表明,该文所提出的改进的非点源污染负荷自记忆模型预测效果良好,该方法是一种可行的非点源污染负荷预测方法。(本文来源于《农业工程学报》期刊2009年03期）
自记忆原理论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
传统灰色GM(1,1)预测模型对非负递增时间序列有较好的预测精度,但对波动幅度较大的时间序列预测精度较低。为了提高预测精度,本文在趋势曲线模型和自记忆理论的基础上,建立趋势曲线-自记忆组合预测模型,将该模型应用于深基坑位移预测中,并与灰色GM(1,1)预测模型和趋势曲线预测模型比较,该模型具有较高的预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自记忆原理论文参考文献
[1].黄仁东,金浩,汪宏.基于动力系统自记忆原理的软土地基沉降预测[J].科技导报.2013
[2].王伟,谢学斌,黄东.基于自记忆原理的深基坑位移预测方法[J].河北工程大学学报(自然科学版).2010
[3].黄东,谢学斌,黄晓阳,王伟.基于灰色自记忆原理的煤矿瓦斯浓度预测[J].科技导报.2010
[4].李家科,李怀恩,沈冰,李亚娇.基于自记忆原理的非点源污染负荷预测模型[J].农业工程学报.2009