ARIMA模型在HIS预测中的初步研究

时间序列预测分析在医院信息系统中具有广泛的应用前景,而ARIMA模型是挖掘时间序列模式的一个有效的方法.介绍利用ARIMA模型发现时间序列模式的方法,并应用于医院时序数据预测,为管理层提供决策依据,完善医院信息系统.     

一个改进的二次规划型算法

建立非线性等式和不等式约束规划问题的一个序列二次规划(SQP)型算法.算法的每次迭代只需解一个确实可解的二次规划,然后对其解进行简单的显式校正,便可产生关于罚函数是下降的搜索方向,克服Maratos效应.在适当的假设条件下,还论证了算法的全局收敛性和超线性收敛性.     

国内外港口工作可作业时间分析方法

码头的可作业时间对于分析码头通过能力及优化总平面布置具有重要意义.文中给出了3种可作业时间的分析方法,对分析要点进行了说明.通过实例对考虑船舶全过程作业的可作业率分析方法的分析要素、步骤和注意事项等内容详细地论述,总结了该方法的分析要点及可拓展方向,为码头可作业时间的分析研究提供有益参考.     

考虑周期性的城市道路车流量预测模型

为提升城市车流量预测结果的准确性,基于某条道路的车流量数据,引入车流量的周期性特征,建立考虑周期性的差分自回归移动平均(Autoregressive Integrated Moving Average, ARIMA)模型。将该模型与不考虑周期性的ARIMA模型相对比,结果发现：不考虑周期性的ARIMA模型的拟合效果较差,模型中忽略了道路车流量可能存在的周期性规律;考虑周期性的ARIMA模型的拟合优度相比原模型有很大提升,能达到0.573,且预测的4 d车流量变化趋势与实际车流量较为吻合。由此可知,在建模时引入车流量的周期性特征,能提升车流量预测结果的准确性,从而为交通管理提供更可靠的数据。     

一种基于Arnold混沌映射的数字水印技术研究

数字水印技术作为版权保护的重要手段,已得到广泛地研究和应用．提出了一种基于Arnold混沌映射的数字水印技术和水印信息置乱效果评价方法,用Arnold变换对原始水印信号进行置乱,再经过M序列扩频,将处理后水印信号嵌入宿主图片小波域的低频系数中,通过对四组不同条件和嵌入方法的比较,通过实验证明该算法具有良好的稳健性．     

L3、L5、L6、L7、L8、L9……——青年莲花加快产品序列布局

2009年11月23日11时．随着青年汽车董事会主席庞青年按动开启旋钮,绛紫色莲花L3三厢轿车炫丽在舞台中央它标志着浙江青年乘用车集团有限公司生产的流淌着英国莲花血液的“莲花L3”三厢轿车正式上市．这距青年集团9月在成都车展发布“莲花L3”两厢轿车仅仅66天．     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

钢筋混凝土框架桥优化设计的序列线性规划法

本文介绍了应用具有运动极限的序列线性规划方法对钢筋混凝土框架桥进行截面优化设计的方法。文中着重研究了优化设计变量的选择、各种构件的钢筋和混凝土应力约束方程的建立，以及结构近似重分分析的方法，还提出了减少计算机时，提高计算精度和保证收敛的措施，获得了对钢筋混凝土框架桥进行整体优化的一个有效方法。     

FAULT IDENTIFICATION IN HETEROGENEOUS NETWORKS USING TIME SERIES ANALYSIS

Fault management is crucial to provide quality of service grantees for the future networks, and fault identification is an essential part of it. A novel fault identification algorithm is proposed in this paper, which focuses on the anomaly detection of network traffic. Since the fault identification has been achieved using statistical information in management information base, the algorithm is compatible with the existing simple network management protocol framework. The network traffic time series is verified to be non-stationary. By fitting the adaptive autoregressive model, the series is transformed into a multidimensional vector. The training samples and identifiers are acquired from the network simulation. A k-nearest neighbor classifier identifies the system faults after being trained. The experiment results are consistent with the given fault scenarios, Which prove the accuracy of the algorithm. The identification errors are discussed to illustrate that the novel fault identification algorithm is adaptive in the fault scenarios with network traffic change.