基于GM(1,1)的残差修正模型的电梯故障率预测

为研究某城市某品牌电梯故障率发展趋势,建立了该城市该品牌电梯故障率的GM(1,1)灰色预测模型,并对所建模型进行了数据检验,检验结果表明该预测模型的预测精度波动较大。为了提高GM(1,1)灰色预测模型的预测精度,利用对模型进行数据检验时得到的残差序列,建立GM(1,1)灰色预测模型的残差修正模型,利用该残差修正模型对原预测模型进行修正。利用经残差修正模型修正后的故障率预测模型对该城市A品牌电梯的故障率进行预测,结果表明:1)残差修正模型对原模型修正后的相对误差与修正前相比有升也有降,但精度有所提高且趋于稳定,表明残差修正模型有利于提高预测精度;2)利用所建立的故障率预测模型求得的预测故障率与实际故障率相比,相对误差不超过8.010%,表明该故障率预测模型的预测精度较高;3)修正模型预测值表明,在现有状态下该城市A品牌电梯的故障率呈上升趋势,应加强该品牌电梯的检维修与管理。     

消除酸性法测定高锰酸盐指数误差的方法

高锰酸盐指数的测定结果与溶液的酸度、高锰酸盐浓度、加热温度和时间等条件有关,因此,在测定时必须严格遵守操作的有关规定,使结果具可比性。     

生态足迹模型修正的初步探讨

针对生态足迹应用于区域可持续发展评价的不足之处,采取理论拓展、与其他指标结合、引入基于时间尺度的定量指标等方法,对生态足迹模型的修正进行了初步探讨,为生态足迹模型更好地应用于区域可持续性评价提供了科学指导,为进一步的实例研究提供了理论依据。     

种族鱼群优化支持向量机序列理论监测尾矿坝

为监测预警尾矿坝的变形位移,提出基于结构风险最小化理论的支持向量机进行学习预测。通过采集有效数据,对时间序列数据进行归一化序列处理,然后采取种族鱼群选择向量机参数,对处理后的数据进行支持向量机回归预测。将该理论应用到某尾矿坝监测系统,得到了较为准确的预测结果,表明该理论充分利用了数据的统计特性,精度和泛化能力都得到了明显提高,可作为尾矿坝监测系统的有效指导。     

工业企业厂界噪声监测中背景噪声测量和噪声测量值修正的探讨

对工业企业厂界背景噪声测量的必要性进行了论述,同时给出了背景噪声测量的一般方法和原则。通过分析噪声测量值修正的原理,对我国现行噪声监测技术规范中噪声测量值修正存在的误差进行了探讨研究。     

体积压力板仪试验操作误差分析

体积压力板仪不仅可用于测试非饱和土的脱湿曲线,还能测试其浸湿曲线,对研究土壤与水分之间的物理关系具有重要意义.本文对2bar体积压力板仪的试验操作原理和步骤进行了详细说明,重点对试验操作中可能产生的误差和各种影响因素进行了分析,并以武汉市汉阳黏土土-水特征曲线试验为例,分析了导致试验误差产生的各种影响因素,以为采用体积...     

基于支持向量机的巢湖富营养化程度评价研究

由于湖泊富营养化程度影响因素多,评价因素与富营养化等级之间关系复杂而且具有非线性特征。支持向量机是由Vapnik等人提出的建立在统计学习理论基础上的一种新的机器学习方法,由于其使用结构风险最小化原则代替经验风险最小化原则,解决了一些神经网络遗留的问题,又由于其应用了核函数思想,它可以较好地解决非线性问题,利用支持向量机多类分类算法,构建巢湖富营养化程度评价模型,取得较好的结果。     

PSO-SVM模型在化工事故风险预测中的应用研究

为了减少化工事故的发生,提高化工生产过程中事故风险预测的准确性,研究了粒子群优化算法与支持向量机(PSO-SVM)模型在事故风险预测中的应用.首先,统计分析近5年化工生产安全事故致因因素,得出化工事故风险因素统计特征,结合层次分析法,建立化工事故风险预测指标体系并确定各指标因素的权重值;然后,基于MATLAB计算生成的...     

气相色谱分析中样品介质不同对分析结果的影响

分析了用甲醇、乙酸乙酯和二硫化碳3种不同极性的介质配制的4种苯系物样品,在不同极性的石英毛细柱、不同的分流比、宽口径石英毛细柱、宽口径玻璃毛细柱和玻璃填充柱上的测量结果。指出不同介质的有机化合物样品在气相色谱上分析时,色谱柱的极性(非极性、中等极性、强极性)、色谱柱类型(毛细柱、宽口径毛细柱、填充柱)、分流比的大小、进样方式(分流、不分流)都对数据的一致性产生影响,但采用不分流方式的宽口径毛细柱或填充柱分析可使分析结果具有一致性或更准确。     

自动电位滴定法测定气田废水中的C1~-

利用电位滴定法在７１６ＤＭＳ型自动电位滴定仪上实现对气田废水中Ｃ１－的快速、灵敏、准确测定,避免了色度、浊度的干扰。对方法的检出限、标样和实际水样精密度、准确度,进行了全面的测定分析,并与硝酸银滴定法进行了对比。氯化物的检出限为０．３２ｍｇ／Ｌ;相对标准偏差小于等于２．１％,加标回收率在９８．９％１０１％范围内,对同一标样和实际样品的测定两种方法的结果吻合较好。