基于时序模型对黄河水沙通量变化的研究

根据2023年“高教社杯”全国大学生数学建模竞赛E题提供的黄河某水文站近6年的历史监测数据,对水沙通量变化规律进行研究。首先,基于年均比值关系和Pearson相关系数探讨了含沙量与水位、流量和时间的关系,结合统计方法估算年总排水量、年总排沙量;其次,以年、月为单位时间粒度分别对水沙通量的突变性、季节性和周期性进行探索性分析,进一步检验数据服从正态分布,以天为单位时间粒度,基于ARIMA时序模型对水沙通量变化规律进行拟合;考虑到“调水调沙”工程对水沙通量变化存在一定的影响,在前者的基础上,以月为单位时间粒度,建立SARIMA季节性时序模型,并预测未来2年水沙通量的变化趋势。实验结果表明,模型拟合效果显著,且“调水调沙”工程对水沙通量的影响呈明显的一致性。

基于K-means聚类分析的农产品消费群体画像构建及精准营销策略研究

在当今大数据时代,数据挖掘技术能够构建消费群体特征画像,实现农产品的精准营销。为了更好地实现农产品在大数据时代的精准营销,通过获取百度AI Studio上面的客户个性分析项目数据,进行了数据清洗、数据分析、K-means聚类分析以及客户分群与信息挖掘,构建了农产品消费客户画像。结果表明,基于K-means聚类分析技术可以借助智能算法认识客户,从而进行准确地定义目标客户、定义核心产品以及定义营销模式,通过新媒体途径实现对客户的精准营销,使产品有效对接客户需求,让企业借助时代红利实现快速增长。

基于关键点位特征对中药材产地的高效鉴别研究

特征降维能够有效地消除无关和冗余的数据,有效提升模型效率。然而,现有的降维技术对于一些特定领域下的高维数据并不适用。本文针对中药材的产地鉴别这一特定领域问题,提出了一种基于关键点位特征的降维技术方法,结合Matlab分类工具箱开展模式识别应用研究。通过与PCA、NMF等降维方法进行对比,实验结果表明,本文提出的降维方法能更好地提升中药材产地鉴别模型的效率和精度。

基于端到端实现齿轮故障检测及诊断的研究

针对齿轮机故障样本不平衡的问题,以及故障检测与状态诊断分离的机制,提出了一种基于端到端实现齿轮故障检测与诊断的方法。首先,对原始状态信号进行小波降噪,利用方差、标准差等探索性分析获取状态信号的分布空间,根据特征频数细分特征范围,将数据划分为样本组集合;其次,基于XGBoost构建故障检测的二分类模型,利用网格搜索探索最优参数组合,结合样本组集合训练相互独立的模型组;最后,利用DNN神经网络构建状态检测的多分类模型,对编码后的故障状态信号特征进行多分类,从而诊断故障类型。实验结果表明,该方法故障检测准确率达96.21%,状态诊断F1值达99.3%,在实际应用中具备强鲁棒性、高精度。