采矿权评估价值合理性探讨

在采矿权交易过程中,交易双方根据采矿权评估价值及其他因素确定交易价格,采矿权评估价值是采矿权评估机构对采矿权评定估算的数值结果,是采矿权交易双方确定价格的主要依据,因此,采矿权评估价值是否合理,越来越受到矿业界的关注.     

近红外光谱对天然岩石中矿物成分含量测定的研究

使用科学而高效的方法检测天然岩石中矿物成分对于矿物的合理利用有重要的影响。文章使用近红外漫反射光谱仪获取由高岭土、白云母和蒙脱石3种岩石矿物粉末混合成的模拟天然岩石样本的近红外漫反射光谱信息,通过标准归一化的方法对光谱数据进行预处理,采用随机森林进行数学建模,对岩石样本的组成成分进行预测,预测得到3种岩石成分最小均方根误差分别为:0.0880,0.0956,0.1212。实验结果表明应用近红外漫反射光谱来测定天然岩石中各种矿物成分的含量是可行的,为今后岩石成分的快速检测提供了理论依据。     

全国煤炭合同汇总会在桂林召开,煤电双方继续"顶牛"电煤涨价已成定局

继2006年12月27日,国家发改委"2007年煤炭供需衔接视频会议",提出"今后一个月重点煤炭产运需三方根据市场供求关系自行确定价格"的要求后,2007年1月10日～17日,全国煤炭合同汇总会在广西桂林召开.据介绍,到目前冶金、化肥、炼焦等行业用煤合同已全部签订,平均上涨3%～5%.部分电煤合同价格未谈拢,但电煤涨价已成定局.     

近红外光谱对天然岩石中矿物成分含量测定的研究

使用科学而高效的方法检测天然岩石中矿物成分对于矿物的合理利用有重要的影响。文章使用近红外漫反射光谱仪获取由高岭土、白云母和蒙脱石3种岩石矿物粉末混合成的模拟天然岩石样本的近红外漫反射光谱信息,通过标准归一化的方法对光谱数据进行预处理,采用随机森林进行数学建模,对岩石样本的组成成分进行预测,预测得到3种岩石成分最小均方根误差分别为:0.0880,0.0956,0.1212。实验结果表明应用近红外漫反射光谱来测定天然岩石中各种矿物成分的含量是可行的,为今后岩石成分的快速检测提供了理论依据。     

我国通货膨胀预测模型研究

准确预测未来的通货膨胀率对于货币政策的制定和实施效果都起着关键性作用。由于货币政策的实施效果存在一定程度的滞后性,利用当期通货膨胀率所制定的货币政策只能对下一期产生作用。这就需要对未来的通货膨胀率做出预测。央行可以根据通胀预测值来预测未来的经济形势,减少货币政策时滞性带来的效果偏差,使宏观调控更加准确到位,最终提高货币政策的有效性。因此,本文选取单变量时间序列、向量自回归VAR和新凯恩斯菲利普斯曲线三类模型,利用我国1997年到2013年的季度数据对通货膨胀率进行预测,并根据均方根误差RMSE比较各模型的预测效果,选出适合我国的通胀预测模型。     

基于改进LSTM的原烟仓储堆垛内部温度预测方法

原烟作为一种高价值生产原料,在养护过程中需要对仓储堆垛内部的温度变化进行严格的监控和预测,以降低火灾发生导致巨额经济损失的风险。基于粒子群算法的混合长短记忆模型（PSO-SOM-LSTM）,首先对数据进行预处理,将数据归一化再采用SOM聚类分别构建各类数据集;其次构建LSTM神经网络结构,输入训练数据进行训练;随后,基于PSO算法优化SOM-LSTM的网络权重,带入神经网络进行数据预测,并与四种不同的预测方法进行对比,证明了PSO-SOM-LSTM算法的优越性;最后通过均方根误差（RMSE）等指标来衡量实验结果,计算出均方根误差为0.043 5左右。实验结果表明,在RMS指标下,PSO-SOM-LSTM比SOM-LSTM减少了2.46%,比单一神经网络减少了8.94%,具有较优的预测效果。该算法可以实现较为精确的原烟仓储堆垛内部温度预测。     

基于聚类神经网络的人体行为识别研究

本文提出了基于融合特征的聚类神经网络人体行为识别方法。采用了傅里叶描述子提取人体动作外形轮廓,利用外接矩形长宽比及变化率表征人体运动特征;提出了聚类分离度和紧密度相结合的Silhouette宽度,定义了训练参数目标误差为均方根误差RMS,采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明,该方法能有效识别人体行为类别,应用效果满足实际要求。     

带多普勒量测的序贯SCKF雷达目标跟踪算法

为提高非线性观测条件下雷达目标的跟踪性能,将序贯处理方法引入均方根容积卡尔曼滤波（SCKF）,提出一种带多普勒量测的序贯均方根容积卡尔曼滤波（SSCKF-D）雷达目标跟踪算法,该算法通过建立伪量测去除径向距离和径向速度量测误差方差之间的相关性。基于SCKF算法,按照量测精确度的高低顺序对方位角、俯仰角、径向距离和伪量测序贯处理。Monte Carlo仿真表明,与SCKF和带多普勒量测的均方根容积卡尔曼滤波（SCKF-D）算法相比,SSCKF-D算法跟踪精度更高,较后者提高20%以上,收敛速度更快,更适用于空间目标跟踪。     

基于门控循环神经网络的客运站客流预测

分析客运站历史客流数据并进行客流量预测,可以帮助客运人员掌握车站客运调度情况,应对客流突发事件等,对旅客运输组织的优化极为重要。以北京北站全年实际发送客流量为样本数据集,采集客流数的频率为30 min,将全年数据集以8:2比例划分为训练集和测试集。首先对数据集做预处理,通过分析数据的周期性和波动性特点,采用Z-Score方法进行标准化处理。利用循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环神经网络(GRU)对标准化后的数据集进行训练,并对最后1天的客流量进行预测。通过对3种模型的预测结果进行波形观察与均方根误差(RMSE)比对,基于GRU模型的客流量预测具有更好的波峰响应与更低的误差,更接近原始波形。