导读:本文包含了消耗预测模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:消耗,模型,神经网络,组合,弹药,邻域,能源消耗。
消耗预测模型论文文献综述
谭宇宁,党伟超,白尚旺,潘理虎[1]（2019）在《LSTM网络模型在Web服务器资源消耗预测中的应用研究》一文中研究指出如何能够准确地对软件老化趋势进行预测,并及时采取相应恢复策略是当前预防软件老化的一个关键问题.为此,针对老化数据的时序特性,以循环神经网络(Recurrent Neural Network, RNN)及其变种长短时记忆单元(Long Short-Term Memory, LSTM)结构为基础,设计了一种基于LSTM网络的软件老化资源预测方法,并通过应用加速寿命测试实验搭建老化测试平台,对Web服务器因内存泄漏引起的老化现象进行建模和预测.实验结果表明,LSTM老化预测模型在处理Web软件老化的时间序列建模问题上,具有很强的适用性和更高的准确性,能有效提高软件系统的可靠性和可用性.(本文来源于《计算机系统应用》期刊2019年07期）
周家萱,徐常凯[2]（2019）在《基于特殊任务Prophet模型的航材消耗需求预测模型》一文中研究指出为了解决当前航材消耗需求预测方法难以处理特殊任务造成的异常消耗数据,对特殊任务数据的拟合和预测效果不佳的问题,应用考虑特殊任务因素的Prophet时序预测模型对航材的消耗过程进行建模。分析了特殊任务的航材消耗需求预测特点与要求,建立了特殊任务航材消耗需求预测Prophet模型,并与无特殊任务Prophet模型和传统时序预测模型进行了对比。结果表明:该模型能够有效拟合97%的特殊任务的航材消耗数据,具有更高的预测精度。(本文来源于《装甲兵工程学院学报》期刊2019年03期）
燕娜,王双义,孙小凡[3]（2019）在《基于ARIMA模型的美国能源消耗预测方法》一文中研究指出全球能源互联形成了以清洁能源为主体,以电力为中心的世界能源发展新格局,使能源资源在世界范围内得到了优化的分配。本文结合美国CA、AZ、NM、TX四个州能源消耗的数据进行时间序列分析并利用ARIMA模型来预测2025年和2050年小样本的的能源消耗。使用残差序列检验证明了残差之间不存在自相关关系,因此预测效果对美国的能源开发具有一定的指导意义。(本文来源于《中国新通信》期刊2019年09期）
韩戈白,陈迪,王博,杨绍雄[4]（2019）在《基于ARIMA和误差修正的航材消耗预测模型》一文中研究指出为了给航材保障提供科学决策服务,结合现有预测算法和航材消耗规律,提出一种基于ARIMA和误差修正的航材消耗预测模型。对航材数据进行数据抽取和数据预处理,得到完整、高质量的数据样本;通过对数据样本进行平稳性检测、纯随机性检测确定使用模型ARIMA(p,d,q);通过模型定阶确定最优参数p,d,q,得到初步预测值,结合误差修正得到最终预测值;通过对比真实值、初步预测值、最终预测值,得出结果表明该文提出模型的预测结果误差最小。(本文来源于《电子质量》期刊2019年02期）
田德红,何建敏[5]（2018）在《基于变异粒子群优化与深度神经网络的航空弹药消耗预测模型》一文中研究指出为了提高航空弹药的供应保障效率,将变异粒子群优化(MPSO)融入深度神经网络(DNN),研究航空弹药训练消耗预测问题。通过DNN确定网络各层的最优激活函数,基于MPSO参数寻优得到网络各层最优的权值和阈值,进而构建MPSO与DNN融合的航空弹药训练消耗预测模型。实验研究表明,该文组合预测模型在对5年数据的预测中均方误差为0.000 9,与粒子群优化-深度神经网络(PSO-DNN)模型、DNN模型以及反向传播神经网络(BPNN)模型相比具有更好的预测性能。(本文来源于《南京理工大学学报》期刊2018年06期）
田德红,何建敏,张保强[6]（2018）在《基于NRS-SVM模型的航空弹药消耗预测研究》一文中研究指出结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。(本文来源于《南京航空航天大学学报》期刊2018年05期）
李立欣,文海东,许健开[7]（2018）在《基于灰色马尔可夫模型的能源消耗预测》一文中研究指出本文针对我国能源消耗总量的预测,提出在灰色预测模型的基础上引入马尔可夫链的观点。在行业起到更加精准的预测及有效控制能源消耗量作用。如付诸现实将产生合理开采和生产能源等经济效益。(本文来源于《中国科技信息》期刊2018年15期）
赵月民[8]（2018）在《基于Actigraph GT3X的大学生自行车运动能量消耗预测模型研究》一文中研究指出研究目的:基于ActiGragh GT3X加速度传感器,以K4b2气体代谢分析仪能量消耗测量值为依据,确定自行车运动加速度传感器最佳适配位置,建立大学生自行车运动能量消耗和能量代谢当量MET预测方程,找出区分4.8MET和7.2MET对应的VM轴加速度计数最佳临界点。研究方法:选取101名在校大学生,按性别、年龄分成实验组(81人)和验证组(20人)。实验过程中受试者同时佩戴K4b2气体代谢分析仪和ActiGragh GT3X加速度传感器(腰部、大腿、脚踝),在功率自行车上依次进行不同强度(较低强度:37%～45%V02max;②中等强度:46%～63%V02max;③较大强度:64%～91%V02max)的骑行。采用描述统计、相关分析和强迫进入变量回归法对不同佩戴位置ActiGragh GT3X加速度传感器监测自行车运动能量消耗的有效性进行对比分析;选取逐步回归方法建立运动能量消耗预测方程;采用相关分析、绝对误差、相对误差以及Bland-Altman点图方法检验运动能量消耗预测方程的有效性;采用ROC曲线建立VM轴加速度计数最佳临界点。结果:1)在各单轴中,脚踝部位加速度传感器ACx轴counts均值最大。脚踝部位加速度传感器VM轴counts均值在5个轴中最大,感应加速度变化最为丰富。2)叁个部位加速度传感器各轴counts均值均与运动能量消耗存在显着的相关关系(P<0.01),其中大腿处 ACy 轴(r=0.83),脚踝处 ACz 轴(r=0.83)、VM 轴(r=0.84)的相关系数相对较高。3)除腰部加速度传感器ACx、ACh轴和大腿ACx轴外,其他各轴均与能量代谢当量MET线性相关关系显着(P<0.01),其中脚踝处ACz轴(r=0.87)、VM轴(r=0.89)与能量代谢当量MET的相关系数相对较高。4)脚踝处加速度传感器叁分轴对运动能耗(R2=0.70)和MET(R2=0.80)的解释力最高。5)运动能量消耗(kcal/min)=0.000219×VM+0.065×BW+0.145×SE-2.032(VM为合轴counts值,BW为体重(kg),SE为性别(女=0,男=1));R2等于0.88,S和S/Y(%)分别为0.61和11.55%。经验证组数据回代检验,各强度水平下方程预测值与K4b2实测值相关系数在0.82～0.86之间(P<0.01);绝对误差为0.38～0.61kcal/min,相对误差为8.37%～10.54%;95%的残差均落在Bland-Altman散点图Mean 土 1.96SD的区间内。6)能量代谢当量MET=0.00019007×VM+3.121,R2为 0.80,S 为 0.61,S/Y(%)为 10.33%。经验证组数据回代检验,各强度水平下方程预测值与K4b2实测值相关系数在0.80～0.85之间(P<0.01);绝对误差为0.42～0.73MET相对误差为8.69%～9.61%;95%的残差基本均落在Bland-Altman散点图Mean±1.96SD的区间内。7)4.8MET和7.2MET ROC曲线下的面积分别为0.926、0.901,敏感性分别为0.803、0.841,VM轴加速度计数对于确定运动强度具有较高的诊断价值。4.8MET对应的VM轴加速度计数最佳临界值点为9764 counts/min,7.2MET对应的VM轴加速度计数最佳临界值点为21138 counts/min。结论:1)脚踝处是自行车运动ActiGragh GT3X加速度传感器的最佳适配位置。2)可用脚踝处加速度传感器VM轴counts值、性别、体重叁个变量建立的方程有效的预测不同强度水平下的运动能量消耗,预测精度较高。3)可用脚踝处加速度传感器VM轴counts值建立的方程有效的预测不同强度下能量代谢当量MET,预测准确度较高。4)4.8MET和7.2MET对应的VM轴加速度计数最佳临界值点分别为 9764 counts/min和 21138 counts/min。(本文来源于《南京师范大学》期刊2018-03-10）
邹强,王城超,王栋,贾汝娜[9]（2018）在《战时航母编队导弹消耗预测模型研究》一文中研究指出针对战时航母编队导弹消耗预测存在可使用的导弹消耗样本数据少、导弹消耗预测准确度低等问题,在对总体作战任务进行分解的基础上,利用案例推理法生成了导弹消耗预测所需的样本数据,建立了基于熵判别法的导弹消耗预测模型,并以对空防御作战中的导弹消耗预测为例,分别用熵判别法、回归预测法、灰色预测法和数理统计法进行实例分析。结果表明:案例推理生成的样本数据可用,熵判别法相对误差最小,预测准确度高。该方法在某种程度上解决了导弹消耗样本数据缺失的问题,为战时航母编队导弹消耗预测提供一种新思路和新方法。(本文来源于《兵器装备工程学报》期刊2018年02期）
龚立雄,刘世雄,王灿林[10]（2017）在《基于BP神经网络的煤炭量消耗预测模型研究》一文中研究指出针对目前煤炭量消耗预测方法的不足,提出了一种基于BP神经网络的煤炭量消耗预测模型。首先,分析了神经网络的结构和算法。然后,对影响煤炭量消耗的因素进行总结,根据《中国统计年鉴》数据,提炼出7个煤炭量消耗影响因素作为BP神经网络的输入,构建了结构为7-10-1-1形式的双隐层BP神经网络煤炭量消耗预测模型。实例研究表明,该模型回归系数接近1,训练误差和测试误差较低,能准确预测中国煤炭量等能源的消耗。(本文来源于《湖北工程学院学报》期刊2017年06期）
消耗预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了解决当前航材消耗需求预测方法难以处理特殊任务造成的异常消耗数据,对特殊任务数据的拟合和预测效果不佳的问题,应用考虑特殊任务因素的Prophet时序预测模型对航材的消耗过程进行建模。分析了特殊任务的航材消耗需求预测特点与要求,建立了特殊任务航材消耗需求预测Prophet模型,并与无特殊任务Prophet模型和传统时序预测模型进行了对比。结果表明:该模型能够有效拟合97%的特殊任务的航材消耗数据,具有更高的预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
消耗预测模型论文参考文献
[1].谭宇宁,党伟超,白尚旺,潘理虎.LSTM网络模型在Web服务器资源消耗预测中的应用研究[J].计算机系统应用.2019
[2].周家萱,徐常凯.基于特殊任务Prophet模型的航材消耗需求预测模型[J].装甲兵工程学院学报.2019
[3].燕娜,王双义,孙小凡.基于ARIMA模型的美国能源消耗预测方法[J].中国新通信.2019
[4].韩戈白,陈迪,王博,杨绍雄.基于ARIMA和误差修正的航材消耗预测模型[J].电子质量.2019
[5].田德红,何建敏.基于变异粒子群优化与深度神经网络的航空弹药消耗预测模型[J].南京理工大学学报.2018
[6].田德红,何建敏,张保强.基于NRS-SVM模型的航空弹药消耗预测研究[J].南京航空航天大学学报.2018
[7].李立欣,文海东,许健开.基于灰色马尔可夫模型的能源消耗预测[J].中国科技信息.2018
[8].赵月民.基于ActigraphGT3X的大学生自行车运动能量消耗预测模型研究[D].南京师范大学.2018
[9].邹强,王城超,王栋,贾汝娜.战时航母编队导弹消耗预测模型研究[J].兵器装备工程学报.2018
[10].龚立雄,刘世雄,王灿林.基于BP神经网络的煤炭量消耗预测模型研究[J].湖北工程学院学报.2017
论文知识图
