使用二类调查数据对森林碳储量评估及多因素预测

为及时且准确地估算森林碳储量,以湖南省怀化市靖州县排牙山国有林场为研究对象,使用森林资源二类调查数据,在分树种(组)及龄组的情况下,采用联合国政府间气候变化专门委员会(IPCC)材积源生物法估算了研究区林场碳储量、碳密度及其分布。运用空间代替时间法,筛选碳储量的影响因子并对其量化,验证多因素方法预测的准确性。结果表明:林场乔木林总碳储量为192 508.07 t,林分平均碳密度为34.46 t·hm^(-2)。在人工抚育的林分中通过用胸径、株数密度、树种组成多样性因素参数化的多因素方法对碳储量进行量化。其预测结果较精确,而在大面积天然林中使用该方法结果则存在一定误差。碳储量多因素预测模型可以在较大面积的人工林中进行碳储量预测。

基于粗糙集与BP神经网络的多因素预测模型

运用粗糙集方法和信息熵概念,在不改变训练样本分类质量的条件下,按照输入影响因素相对于输出的重要度的大小,对输入参数集进行约简,确定神经网络输入层变量和神经元个数。通过对典型样本的学习,建立粗糙集BP神经网络多因素预测模型,将其用于导弹系统研制费用预测。结果表明,该方法减少了网络的训练时间,改善了学习效率,具有较高的预测精度,是可行的、有效的。

复杂线素图像多因素预测矢量化跟踪

针对具有稠密坐标网格和交叉线素的工程曲线图的矢量化,提出了坐标网格的剔除方法、多义线模拟样条曲线算法和缺口曲线修补策略,以及基于多因素预测跟踪算法。坐标网格剔除方法采用基于线检测算法来剔除坐标网格,再依据过滤后的图像灰度自动地修复被连带除去的趋于水平和垂直的曲线像素;多义线模拟样条曲线算法则是依据已知曲线节点生成若干线段来逼近曲线且它具有与样条曲线一致的局部几何特性;而多因素预测跟踪算法则是利用前面数个边界点的灰度、当前边界点切矢和它的24邻域内非背景像素之间的相对位置来预测曲线下一个边界点,监控曲线曲率角的变化,以避免"跑偏"和按层搜寻同曲线像素来跨越曲线断点。通过与R2V5.5和ScanIn5.1的矢量化对比,证明它具有更显著的智能化和自动化的优点。

基于投影寻踪和BP神经网络的多因素预测模型

文章运用投影寻踪方法,在不改变训练样本分类质量的条件下,按照输入影响因素相对于输出的重要度的大小,确定BP神经网络的输入层变量维数。通过对样本的学习,建立投影寻踪BP神经网络(PPCBPN)多因素预测模型,将其用于国际黄金价格预测。结果表明,该方法减少了网络的训练时间,改善了学习效率,具有较高的预测精度,是可行和有效的。

丝绸需求的多因素预测与分析

在运用模型测算丝绸需求量的基础上,建立影响丝绸需求的多因素模型。结果表明:经济发展因素是主导我国丝绸需求增长的主要因素,价格因素对丝绸需求的敏感性很弱。从而提出开拓国内市场,提高产品质量,增加科技投入,"后退一步,站高一步"的宏观管理等对策。

影响前列腺增生患者经PKRP治疗疗效的多因素预测研究

目的:分析影响前列腺增生患者经尿道前列腺等离子切除术(plasmakinetic resection of the prostate,PKRP)治疗疗效的影响因素。方法:回顾性分析2018年3月至2019年3月本院收治的96例前列腺增生患者临床资料,所有患者均进行PKRP治疗,分析治疗后影响PKRP治疗疗效的相关因素。结果:96例患者PKRP治疗都顺利完成,治疗有效率为86.46%(83/96),手术时间74~110 min,平均90.13 min;根据治疗疗效分组,两组患者糖尿病、高血压、冠心病等基础疾病比例、手术时间、QOL评分等比较差异无统计学意义(P>0.05);治疗有效组患者年龄、病程、术后尿导管留置时间、IPSS评分均小于、短于或低于治疗无效组(P<0.05),治疗有效组前列腺体积、长期饮酒人数大于或多于治疗无效组(P<0.05);年龄、术前尿路感染、IPSS、前列腺大小、长期饮酒是影响前列腺增生PKRP治疗疗效的独立危险因素。结论:年龄、术前尿路感染、IPSS、前列腺大小、饮酒是影响前列腺增生PKRP治疗疗效的独立危险因素,对于合并危险因素者,临床治疗过程中需引起重视。

基于面板数据的高速公路机电设备故障多因素预测模型研究

基于高速公路机电设备覆盖面积广、安放位置分散的特点,结合国内六条高速公路机电设备的故障类型、故障发生频率以及交通流量、气候因素等数据,对引起设备故障的多种因素进行建模分析,通过多个数据模型的比对,确定高速公路机电设备故障的主要影响因素,旨在为设备故障预测以及维修维护提供有力的数据支撑。

短阵型室性心动过速的心电图多因素预测价值分析

短阵型室性心动过速(NSVD)是一种严重的室性心律失常,主要发生于器质性心脏病患者,常由动态心电图监测发现,而患者常不自知,而延误治疗。本文根据动态心电图监测,以探讨预测NSVT的因素。 1 资料与方法 选择动态心电图记录117例,其中男88例,女29例。根据病情分为三组:Ⅰ偶发室早组(室早【599次/24小时)42例;Ⅱ频发室早组(室早】600次/

基于SSA-CG-Attention模型的多因素采煤工作面涌水量预测

矿井工作面涌水量预测对确保矿山安全、优化资源配置、提高工作效率等都具有重要作用。为提高预测结果的准确性和稳定性,基于钻孔水位和微震能量数据与涌水量的强关联性,选择其作为多因素特征变量,提出SSA-CG-Attention多因素矿井工作面涌水量预测模型。该模型在门控循环单元(GatedRecurrentUnit,GRU)提取时序特征的基础上,与卷积神经网络(ConvolutionalNeuralNet-work,CNN)融合形成新的网络结构提取数据的有效非线性局部特征,并且加入注意力机制(Atten-tion),在预测过程中将注意力集中在输入元素上,提高模型的准确性。最后通过麻雀搜索算法(Spar-row Search Algorithm,SSA)优化模型参数,避免局部最优解的问题。将提出的模型分别与传统的BP神经网络、LSTM、GRU单因素涌水量预测模型以及MLP、SLP、SVR、LSTM、GRU、SSA-LSTM、SSA-GRU多因素涌水量预测模型的预测结果进行对比分析,结果表明:SSA算法以最少迭代次数快速寻优,避免了局部最优解的缺陷;SSA-CG-Attention多因素涌水量预测模型整体预测指标绝对误差(E_(MA))、均方根误差(E_(RMS))以及平均绝对百分比误差(E_(MAP))分别为5.24 m^(3)/h、7.25 m^(3)/h、6%,指标方差和为8.90。相较于其他预测模型预测精度更高,相较于单因素涌水量预测模型,多因素涌水量预测模型预测结果更加稳定。研究结果为矿井工作面涌水量预测提供了新的思路与方法,对矿井工作面涌水量预测及防控有着借鉴与指导作用,具有一定的理论价值和现实意义。

基于注意力机制的ADE-Bi-IndRNN模型的中国粮食产量预测

为更加准确地预测我国粮食总产量,基于自适应差分进化算法来智能地选择基于注意力机制的双向独立循环神经网络的超参数,并考虑了粮食作物单位产量、农业生产条件、科技因素、农业保险、市场及经济因素五大类影响因素,构建了基于注意力机制的ADE-Bi-IndRNN粮食产量预测模型。经过预测分析得出我国2020—2024的粮食产量分别为6.67亿吨、6.72亿吨、6.80亿吨、6.99亿吨、7.02亿吨,总体呈现震荡上涨趋势,平均年增长率为1.15%。同时,通过对多个变量进行的注意力权重的分析,发现现阶段对我国粮食总产量预测贡献最大的三个变量为:谷物单位面积产量,粮食作物总播种面积,耕地灌溉面积,且政府对农业保险的政策性补贴、粮食进口量、谷物生产价格指数、农业生产资料指数也有助于提升我国的粮食总产量,并据此对我国粮食行业发展提出了建议。

基于多因素的混炼胶质量预测模型

根据密炼机胶料混炼流变理论和瞬时功率控制法等理论,基于填充因数、转子功率、转子转速、排胶温度和压砣压力5个因素建立混炼胶粘度预测模型。检验结果表明,门尼粘度预测值与实际值很接近,两者差的平均值为0.827,预测效果良好。

基于LSTM算法的碳排放权交易价格多因素预测研究

科学预测碳排放权交易价格对我国碳排放市场建设以及“双碳”目标实现具有重要意义。本文在综合考虑能源价格、气候环境、国际碳排放权交易市场以及工业发展水平等多种影响因素后,引入LSTM算法对碳排放权交易价格进行多因素预测,并将实证结果与单因素预测相对照,实证结果发现:多因素预测比单一因素预测更加精准,能够有效地预测未来短期碳排放权交易价格的趋势与波动,为市场参与者的交易策略提供参考依据,发挥其价格信号功能,从而进一步推进我国碳排放交易市场的发展与稳定。

LSTM-WBLS模型在日降水量预测中的应用

基于长短时记忆网络(Long Short-Term Memory, LSTM)降水量预测模型存在过拟合、时滞现象,而宽度学习系统(Broad Learning System, BLS)无需多次迭代的特点有助于解决LSTM的上述缺点.加权宽度学习系统(Weighted Broad Learning System, WBLS)通过在BLS中引入加权惩罚因子约束分配样本权重,降低噪声和异常值对降水量预测精度的影响.本文提出一种LSTM-WBLS日降水量预测模型,选取湖北省巴东站日降水量进行实证研究,并考虑气压、气温、湿度、风速和日照等因素对降水量的影响.实验结果表明,与现有的预测模型相比,LSTM-BLS模型在RMSE、MAE和R^(2)等评价指标上均有显著提升.不同时间步长下,本文模型预测精度均优于现有模型,验证了其稳定性.与LSTM相比,WBLS直接计算权重的特点使得LSTM-WBLS的运算效率并未降低.

粉煤灰混凝土的多因素寿命预测模型

通过快速碳化试验，研究了不同粉煤灰掺量（0—60％）、不同养护龄期（1，3，7，28，90d）、不同弯曲荷载率（0，25％，50％）对m（W）／m（C）=0．34混凝土的碳化影响，并建立了综合考虑粉煤灰掺量、养护龄期、荷载率、环境温度、结合能力以及混凝土的CO2扩散系数时间依赖性的多因素寿命预测模型．结果表明：混凝土的CO2扩散系数与粉煤灰掺量成二次函数关系，粉煤灰掺量30％左右最佳．混凝土的CO2扩散系数随养护龄期的增加而降低，随荷载率的增加而增加．其关系分别符合指数关系和乘幂关系．使用多因素碳化寿命预测模型对大桥的箱梁和索塔进行预测，箱梁的运营寿命为211年，索塔为167年．增加养护龄期或提高保护层厚度是提高大掺量粉煤灰结构混凝土寿命的重要途径．

信息熵和多因素灰色系统模型在碳排放的分析与预测

碳排放是引起气候变化的重要原因.针对影响碳排放的因素和预测问题,以2007-2016年广西碳排放10年的数据为样本,提出了利用信息熵与灰色系统理论分析能源结构、能源强度、人口数量及碳排放之间的相关性和相关程度,建立了多因素预测模型对碳排放量进行了预测.通过评价指标P=0.98和C=0.14,表明了预测模型具有良好的精度.

基于多因素灰色模型的技术技能型人才需求预测与分析——以天津市为例

现代职业教育的发展需要对技术技能型人才需求进行准确预估。基于灰色GM（1,1）预测模型和线性回归原理,构建以第一、二、三产业增加值、固定资产投资、社会劳动力资源增量、口岸进出口总额为主要因素的技术技能型人才多因素灰色预测模型,预测2013~2017年天津市技术技能型人才的需求状况和发展趋势,结果显示：技术技能型人才需求规模与区域经济发展状态存在一定的耦合性,但在劳动力成本不断上涨等因素的影响下,第三产业对于技术技能型人才需求呈现＂弱化＂现象。

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。

水泥改良风积沙无侧限抗压强度影响因素分析

为了研究水泥掺量、压实系数、养护龄期等因素对水泥改良风积沙无侧限抗压强度的影响,开展一系列无侧限抗压强度试验。试验选取的水泥掺量为4%,5%,6%,9%和11%,养护龄期1,3,7,14,28,56和90 d,压实系数为0.90,0.93和0.95。试验结果表明,水泥掺量、压实系数、养护龄期以及水泥掺量与压实系数的交互作用对水泥改良风积沙无侧限抗压强度的影响都具有显著性。水泥改良风积沙的无侧限抗压强度随着水泥掺量的增大呈幂函数增大,水泥掺量从4%提升至11%时,试样的无侧限抗压强度提升了6.2~6.26倍;水泥掺量越大,无侧限抗压强度增长比越大。水泥改良风积沙的无侧限抗压强度随着压实系数的增大而增大,压实系数从0.90增大到0.95时,试样的无侧限抗压强度增大了20%~67%;但强度增长幅度随着压实系数增大而降低,低压实系数下的水泥增强效果更显著。随着养护龄期的增长,水泥改良风积沙的无侧限抗压强度呈双曲线函数增长,28 d龄期的无侧限抗压强度为7 d龄期的1.21~1.50倍,90 d龄期的无侧限抗压强度为7 d龄期的1.31~1.78倍,强度增长率随着养护龄期逐渐减小。建立了水泥改良风积沙无侧限抗压强度受水泥掺量、压实系数、养护龄期等因素影响的多元非线性预测模型,预测效果好。研究成果可以为风积沙地区铁路路基基床设计提供参考。

基于回归的多因素预测与偏差分析法——应用与展望

基于回归的多因素预测与偏差分析法是近来在学习者语料库研究领域出现的一种新方法。它主要关注的是学习者语言在哪些方面,以及为什么会偏离母语者的语言。该方法已在学习者语料库研究、英语变体研究,以及翻译研究等领域获得了广泛应用。本文梳理了该方法提出的背景,介绍了该方法的分析程序,归纳了该方法的应用现状。同时,本文还指出了该方法的优点和缺点,并对其发展前景做出展望。

多因素量化预测高血压脑出血预后

目的 研究量化多种因素预测高血压脑出血预后的可能性。方法 回顾性分析 1995年以来 15 6例高血压脑出血病例 ,量化多因素 ,从入院时临床表现和放射学结果来评价预后。结果 经统计学处理 ,发现GCS、呼吸和瞳孔的改变、是否合并其他系统疾病、出血的部位和多少、出血后的占位效应、脑室内的情况与高血压脑出血的预后密切相关。结论 综合分析多种因素并量化后 ,能前瞻性预测高血压脑出血病人的预后 ,指导选择合理的治疗手段。