导读:本文包含了智能预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:BPNN,智能巡检,异常预测
智能预测模型论文文献综述
邓小清,王伦浪,王刚,蒲国林[1]（2019）在《一种基于BPNN的智能巡检异常预测模型的研究》一文中研究指出在传统网络巡检方法中,网络异常发现主要基于单一参数进行阈值触发,误报率较高,效率低.为了高效准确地发现网络异常,提出了一种基于BPNN的网络异常预测模型.首先对采集系统采集的数据进行特征提取和初始化处理;然后,将初始化后的数据作为神经网络样本进行训练,根据误差阈值调整网络参数,确定网络结构;最后,在Matlab环境下进行仿真实验,将提出的BP神经网络模型用于网络异常预测,结果表明本文提出的方法对网络异常预测有较高的预测率.(本文来源于《西南大学学报(自然科学版)》期刊2019年10期）
黄吉涛,樊博,周媛奉,胡婷婷,梁飞[2]（2019）在《基于随机森林的智能电表故障及寿命预测模型》一文中研究指出为解决智能电表累积采集信息量大、故障信息种类繁多和突发性强的问题,构建一种基于随机森林的电表故障及寿命预估模型。依靠大数据分析理论,通过对海量电表的累积数据进行挖掘分析,建立智能电表的故障预测及寿命预测模型来对故障和寿命进行预测,并同其他模型进行比较。实验结果表明:该预测模型是有效的和准确的,可为数据挖掘在智能电表管控研究提供参考。(本文来源于《兵工自动化》期刊2019年10期）
李莉红,杨秀军,李婷婷[3]（2019）在《不同人工智能模型对基于手腕部DR影像的骨龄预测比较》一文中研究指出目的探讨2种深度学习模型对基于手腕部DR影像骨龄预测价值,为骨龄评估提供合适的人工智能模型。方法搜集本院11858例0～18岁骨龄检测的左手腕部DR影像资料,构建基于其影像传统关注局部区域(AIM1)或数据驱动整体区域(AIM2)深度学习特征的骨龄预测模型。应用2种模型分别对本院2018年2月1216例(男415例,女801例)8个月～17岁儿童骨龄左手腕部DR影像资料进行测试,比较其骨龄预测值及与医师读数平均绝对误差(MAE)的差异,并评估其相关性,P<0.05为差异有统计学意义。结果参照儿科放射科医师基于GP图谱的骨龄读数,准确率AIM1为90.87%,低于AIM2的94.73%(P=0.001);MAE值AIM1为0.441±0.434,高于AIM2的0.437±0.328(P=0.929);其中,AIM2对女孩骨龄预测值更接近医师骨龄读数(P=0.78),AIM1对男孩骨龄预测值更接近医师骨龄读数(P=0.914);骨龄预测值2种模型之间及其与医师骨龄读数均具有显着相关性(P<0.01)。结论基于整体手腕部DR影像数据驱动人工智能模型对骨龄预测准确性高于基于临床先验知识的人工智能模型。(本文来源于《临床放射学杂志》期刊2019年08期）
靳小龙,穆云飞,贾宏杰,余晓丹,徐科[4]（2019）在《集成智能楼宇的微网系统多时间尺度模型预测调度方法》一文中研究指出针对含多智能楼宇的微网系统,提出一种基于模型预测的多时间尺度调度方法。首先,为有效利用建筑围护结构蓄热特性所带来的灵活性,构建了虚拟储能系统数学模型,并将其集成到智能楼宇微网多时间尺度调度方法中。随后,提出了基于模型预测的日内滚动修正方法,通过每个控制时域内的滚动优化,实现日内微网系统运行方案的精确修正。最后,以夏季制冷场景为例,利用含智能楼宇的微网系统验证了所提方法的有效性。结果表明,该方法可在保证楼宇室内温度舒适度的前提下,在日前经济优化调度阶段降低运行成本;在日内滚动修正阶段平抑由日前预测误差导致的微网联络线功率波动。(本文来源于《电力系统自动化》期刊2019年16期）
杨帆,周敏,戴超男,曹军[5]（2019）在《基于人工智能算法的催化裂化装置汽油收率预测模型的构建与分析》一文中研究指出基于某石化企业的LIMS(Laboratory information management system)及DCS(Distributed control system)系统中的工业生产数据,结合工业经验中已知的影响催化裂化产品收率的重要因素,通过分析监控指标与实际汽油收率的相关性,筛选出与汽油收率的正负相关性较高的分析指标。在此基础上,基于梯度提升决策树GBDT算法构建了催化裂化汽油收率的预测模型,并预测了相应的汽油产率。结果表明:由GBDT算法构建的汽油收率预测模型预测结果的准确率为98.9%,R~2系数为0.236,平均绝对误差为0.531%;模型预测结果与实际汽油产率相比,误差率小于1%,表明构建的模型能精确预测催化裂化装置中汽油等产品收率,有助于在实际生产中优化催化裂化装置的操作条件,从而进一步提升催化裂化装置的经济性能。(本文来源于《石油学报(石油加工)》期刊2019年04期）
杨顺辉,豆宁辉,赵向阳,柯珂,王志远[6]（2019）在《多层合采智能井井筒温度场预测模型及应用》一文中研究指出智能井多层合采过程中为了优选温度监测设备和确定测点位置,需要准确预测井筒温度剖面。根据智能井多层合采过程中的井筒内流体流动特征,考虑流体经过流量控制阀时,节流效应对井筒内流体流动参数的影响,建立了含流量控制阀的单油管多层合采井筒温度预测模型,并结合生产井的工况进行了数值模拟。模型预测结果表明,井筒温度随产层产出液性质、产液量、产层厚度、产层配比和地层温度梯度的变化呈规律性变化;与各产层单独开采相比,合采时的井筒温度高于各产层单独开采时的平均温度,且合采时的温度梯度最低。为了有效应用多层合采井筒温度场预测模型,基于流量控制阀处温度测量误差最小的原则,提出了温度传感器指标及测点的优选方法;基于井筒温度、温度梯度及流量控制阀处温降变化规律,提出了产层温度异常的解释方法。多层合采智能井井筒温度场预测模型为多层合采智能井温度测量装置的优选和温度变化规律的解释提供了理论依据。(本文来源于《石油钻探技术》期刊2019年04期）
李晓飞,吕阳,周胜龙[7]（2019）在《基于神经网络的智能交通动态预测模型》一文中研究指出交通供给和交通需求之间的矛盾日渐显现,交通拥堵已经成为人们出行关心的重要问题之一。智能交通动态预测模型是以交通诱导为基本,基于动态的交通分配理论,对路网上的流量空间进行预测,以及对实时变化的路网交通状态进行分析。为了提高交通系统的快速反应能力以及对交通的预见性,本文研究了基于神经网络的智能交通动态预测模型,并通过仿真数据进行实验,并且通过实验验证了模型的有效性和可行性。(本文来源于《营销界》期刊2019年29期）
徐辰华,谢春,黄清宝,喻昕[8]（2019）在《基于综合指标评估模型的铝电解槽状态智能预测》一文中研究指出在电解铝生产中,准确判断电解槽的运行状态是实现过程优化的前提条件。目前生产中槽状态及其变化趋势的解析主要靠人工经验,为了提高槽状态评判与预测的准确性,提出了一种基于综合指标评估模型的铝电解槽状态智能预测方法。首先,从全局的角度建立关于能量平衡、物料平衡、稳定性的槽状态综合指标模型;其次,为了准确分类槽状态,采用模糊C均值聚类算法构建槽状态评估模型,根据综合指标大小将槽状态分为优、良、差叁类;最后,建立基于模糊神经网络的槽状态预测模型,实现24 h后的状态预测。采用实际生产数据对模型进行验证,结果表明,该方法能够准确判断当前槽状态并预测未来槽状态,对稳定的电解铝生产、实现节能降耗有一定指导意义。(本文来源于《广西大学学报(自然科学版)》期刊2019年03期）
陈厚合,李泽宁,姜涛,李雪,张儒峰[9]（2019）在《基于模型预测控制的智能楼宇用能灵活性调控策略》一文中研究指出提出一种基于模型预测控制的智能楼宇用能灵活性调控策略。首先,根据楼宇蓄热特性,构建考虑楼宇内部不同制热区域的智能楼宇能耗预测模型,并将楼宇系统作为灵活可控单元集成到配电网中;然后基于模型预测控制方法,通过楼宇内部暖通空调系统在温度舒适度范围内对室温进行优化调节,实现楼宇系统的能耗灵活管理,降低楼宇运行成本;最后,在冬季制热场景下,对不同暖通空调控制方法下的楼宇集群进行优化调度分析,并对比分析了楼宇集群优化调度对于配电网运行状态的影响。结果表明,所提方法在保证温度舒适度的前提下可充分发掘智能楼宇的需求响应潜力,降低楼宇运行成本,同时可有效解决由可再生能源出力预测数据误差而导致的楼宇日前调控方案与实际运行场景偏差较大的问题,在预测不确定性环境下具有较强的鲁棒性。(本文来源于《电力系统自动化》期刊2019年16期）
范谨麒[10]（2019）在《多样本多维数据的智能分类预测模型及其应用》一文中研究指出多样本多维数据是指由大量的具有多维属性的样本组成的数据集。此类数据普遍存在于材料、医疗、航空航天、电力电子等领域,通过挖掘和分析这些数据,构建预测模型,可推演出上述领域中某个指定目标变量的可能性结果。然而,尽管近年来大数据分析与预测理论获得了较大发展,但因上述多样本多维数据具有模糊性、不确定性、耦合性和多维属性特性,直接采用现有的机器学习算法和统计分析方法,较难获得高预测精度。本课题的研究目的是提出多样本多维数据分析与智能预测理论与方法,并应用它解决牙周炎疗效的分类预测问题,也为其他领域的多样本多维数据挖掘与预测提供可借鉴的方法。本文的主要创新性工作包括:(1)在分析一维云的基础上,为了适应数据多维度的特性,分别提出了二维云模型和多维云模型构建方法,给出了二维和多维前件云产生云滴的算法过程和二维与多维单规则发生器的算法步骤,解决了多样本多维数据的模糊性和不确定性引发的预测精度低的问题。(2)在详细分析Xgboost、PCA和BP神经网络的优缺点的基础上,提出了Xgboost-PCA-BPNN组合预测算法,降低了多样本多维数据的耦合性和多维性对预测性能的影响,提升了预测准确度。(3)在分析北京某口腔医院牙周炎治疗过程4.5万例位点数据的基础上,分别将所提出的多维云模型和Xgboost-PCA-BPNN组合预测算法应用于牙周炎治疗效果预测,获得了较好的预测效果。测试结果表明,Xgboost-PCA-BPNN组合预测算法精度达82%,优于多维云模型和其他机器学习方法,如逻辑回归、Xgboost和Xgboost-逻辑回归组合算法。(本文来源于《冶金自动化研究设计院》期刊2019-06-01）
智能预测模型论文开题报告
（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：
为解决智能电表累积采集信息量大、故障信息种类繁多和突发性强的问题,构建一种基于随机森林的电表故障及寿命预估模型。依靠大数据分析理论,通过对海量电表的累积数据进行挖掘分析,建立智能电表的故障预测及寿命预测模型来对故障和寿命进行预测,并同其他模型进行比较。实验结果表明:该预测模型是有效的和准确的,可为数据挖掘在智能电表管控研究提供参考。
（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。
智能预测模型论文参考文献
[1].邓小清,王伦浪,王刚,蒲国林.一种基于BPNN的智能巡检异常预测模型的研究[J].西南大学学报(自然科学版).2019
[2].黄吉涛,樊博,周媛奉,胡婷婷,梁飞.基于随机森林的智能电表故障及寿命预测模型[J].兵工自动化.2019
[3].李莉红,杨秀军,李婷婷.不同人工智能模型对基于手腕部DR影像的骨龄预测比较[J].临床放射学杂志.2019
[4].靳小龙,穆云飞,贾宏杰,余晓丹,徐科.集成智能楼宇的微网系统多时间尺度模型预测调度方法[J].电力系统自动化.2019
[5].杨帆,周敏,戴超男,曹军.基于人工智能算法的催化裂化装置汽油收率预测模型的构建与分析[J].石油学报(石油加工).2019
[6].杨顺辉,豆宁辉,赵向阳,柯珂,王志远.多层合采智能井井筒温度场预测模型及应用[J].石油钻探技术.2019
[7].李晓飞,吕阳,周胜龙.基于神经网络的智能交通动态预测模型[J].营销界.2019
[8].徐辰华,谢春,黄清宝,喻昕.基于综合指标评估模型的铝电解槽状态智能预测[J].广西大学学报(自然科学版).2019
[9].陈厚合,李泽宁,姜涛,李雪,张儒峰.基于模型预测控制的智能楼宇用能灵活性调控策略[J].电力系统自动化.2019
[10].范谨麒.多样本多维数据的智能分类预测模型及其应用[D].冶金自动化研究设计院.2019