云工作量的自适应预测算法

一篇复杂网络链路预测算法，个人感觉比较有借鉴意义

支持向量机负荷预测算法

为了改善差分灰狼预测算法的早熟收敛、搜索能力不均衡、容易陷入局部最优等问题,提出了一种改进的混合灰狼优化(HGWO)预测算法,可自适应改进和调整差分进化中的变异算子、交叉算子和变异策略。嵌入具有分类预测功能的支持向量机(SVM),同时引入莱维飞行全局搜索更新狼群位置,优化SVM核函数参数γ和惩罚因子C,构建了HGWO-SVM预测算法预测推焦车大车道内物体的运动轨迹。结果表明,与已有算法相比,该算法对行人、自行车、电瓶车、电动三轮车、大中小型四轮汽车的位置预测相对实际值的误差分别降低了4.21、4.14、7.91、2.03、25.53个百分点,预测时间减少了8.8~10 s。可以克服焦炉恶劣的环境影响,准确预测推焦车车道内运动对象的轨迹,为推焦车无人化运行提供主动安全的预测控制方法。

回归模型是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。

1绪论 1 1.1 选题背景 1 1.2 主要内容及研究意义 1 1.3 论文组织结构 2 2水稻害虫特征概括及防治措施 3 2.1水稻害虫的分类、特征及其生存环境 3 2.2 水稻害虫的防治措施 4 3设计算法的方法简介 6 3.1线性回归模型 6 3.2 判别分析 7 3.3 BP神经网络 7 4数据处理与分析 9 4.1数据预处理 10 4.2线性回归模型分析 11 4.2.1 一元线性回归分析 11 4.2.2 多元线性回归分析 14 4.3判别分析 17 4.3.1 模型建立 17 4.3.2 模型优化 19 4.4 BP神经网络分析 20 4.4.1 模型建立 20 4.4.2 模型优化 22 4.4.3 建模重建 25 5预测模型结果及分析 27 5.1线性回归模型预测结果 27 5.2 判别分析预测结果 27 5.3 BP神经网络预测结果 28 5.4三种模型预测结果对比分析 29 6总结 30 致谢 31 参考文献 32

针对传感器在信号采集时易受噪声干扰影响检测精度的问题,提出一种基于卡尔曼预测的指定次谐波电流无差拍控制方法.该方法是通过离散傅里叶谐波检测方法检测出电网中指定次谐波含量,建立当前的谐波方程,通过卡尔曼算法预测出下一补偿时刻该次谐波的相位和幅值,从而确定该补偿时刻的指令电流.研究结果表明:卡尔曼算法预测同时可以滤除干扰信号,实现指定次谐波电流的高精度无差拍控制.研究结果突破了传统无差拍控制受噪声干扰的问题,实现了电网中含量较高的5、7次谐波采用单独检测与单独补偿,对提高有源电力滤波器补偿精度具有实际应用价值.

提出了一种基于卡尔曼滤波和AR模型的、针对由于移动台高速移动而引起的信道状态变化的信道预测方法。在研究传统的LRP信道预测算法的基础上抽取采样数据,通过训练序列得到AR模型系数,采用LRP信道预测算法进行信道预测,并引入一个决策模块,当信道状态变化较大时,采用Kalman滤波进行替代预测,可获得较好的预测性能。

自适应系统中基于场景的信噪比预测算法

客流预测算法(无实验对比).zip