一、概念 经济预测报告是指在对经济活动的历史和现状的调查基础上,运用科学分析的方法进行预计测算,推断未来经济的发展变化趋势而写成的书面报告

以恒应变速率凸轮压缩试验机得到的实验数据为基础,采用人工神经网络的方法建立了碳钢变形抗力与应变、应变速率及温度对应关系的预测模型,与多元非线性回归模型比较,神经网络模型具有较高的预测精度

矿用车辆无人驾驶是实现矿山无人化开采的关键技术, 而路径跟踪控制是无人驾驶系统的核心技术之一.路径跟踪控制系统是多变量、多约束系统, 采用传统方法在多约束条件下存在执行器饱和等问题.针对上述问题, 本文引入模型预测控制方法, 通过考虑车辆的姿态与位置之间的关系, 以跟踪路径的横向偏差最小化和车辆的航向角偏差最小化为目标对预测控制的目标函数进行优化, 以获得车辆速度和铰接角度的最优控制量, 实现对多变量、多约束系统的求解.针对模型预测控制算法不能提前判断道路曲率突变而导致跟踪超调的问题, 提出基于预瞄距离的控制方法, 通过提前判断道路突变信息, 提高车辆路径跟踪精确性和稳定性.使用Matlab/Adams仿真软件进行对比仿真试验, 结果表明: 使用模型预测跟踪控制器能够解决多变量、多约束系统控制问题, 有效防止执行器饱和; 而使用基于预瞄距离的模型预测跟踪控制器能够使车辆的横向位置偏差保持在±0.04 m, 航向角偏差保持在±1.8°范围内, 相较于改进前的控制器, 其横向位置偏差减少了80.9%, 航向角偏差减少了59.1%, 证明改进后的控制器具有更好的横向稳定性和精确性

廿四节气与江恩测市 20世纪上半叶的炒作大师江恩用科学的方法 得出与玄学一样的效果,通过数学、几何学 宗教、天文学的综合运用,建立起独特的分 析方法和测市理论,具有非常高的准确性。 江恩于1908年提出了著名的“控制时间因 素”,指出时间是决定市场走势的最重要因 素,时间可以超越价位平衡当时间到达时 成交量将推动价位升跌,时间作为预测走势 的一个因子,其最重要的作用在于预测市场 运动趋势转折点

提出了一种轧机偏心特性曲线概念.基于偏心测试信号的循环统计量建立线性预测模型,在线确定轧机偏心补偿量数据,实现轧机偏心的实时直接数据补偿控制.该方法能够准确反映并跟踪轧机偏心扰动的实际变化,满足对轧机偏心信号进行在线实时补偿控制的要求

一、市场调研 (一)市场调研的概念及作用 市场调研是企业运用一定的技术、方法、手段对影 响市场变化及发展的因素条件等所进行的收集资料、 掌握客观情况,提供市场信息为企业进行经营预测 制订正确的经营方针和合理的经营决策提供可靠依据 的一系列工作

针对高炉关键异常炉况悬料难以预测的问题，基于D-S证据理论，提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先，结合高炉生产过程和悬料现象，分析悬料形成的内在机理；其次，通过模糊专家推理提取基于专家规则的主观证据，再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据；最后，基于D-S证据理论完成主客观证据融合，实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力，能够提高预测精度.仿真结果表明本文提出的方法有效、准确

第一章 总论 第一节 现代管理会计的形成与发展 第二节 现代管理会计的特点 第三节 现代管理会计的职能 第二章 成本性态分析 第一节 成本的分类 第二节 成本性态分类 第三节 成本性态分析 第四节 变动成本法 第三章 本量利分析 第一节 贡献毛益 第二节 利润敏感性分析 第三节 本量利分析在经营决策中的应用 第四章 预测分析 第一节 预测的基本程序与方法 第二节 成本预测 第三节 销售预测 第四节 利润预测 第五章 短期经营决策 第一节 决策分析概述 第二节 生产决策 第三节 库存决策 第四节 定价决策 第六章 长期投资决策 第一节 长期投资决策特点 第二节 长期决策影响因素 第三节 长期投资评价方法及应用 第七章 全面预算 第一节 全面预算的作用 第二节 预算编制方法 第三节 全面预算的编制 第八章 成本控制 第一节 成本控制概述 第二节 标准成本系统 第三节 作业成本分析法 第九章 责任会计 第一节 不同责任中心的责任会计的主要特点 第二节 内部转移价格 第三节 员工激励制度

为提高无钟高炉炉喉料面的预测精度，建立了考虑炉料运动的炉料分布数学模型.在分析炉料运动的基础上，指出了炉料运动是影响炉料堆积过程的重要因素，采用尺寸比1∶10的无钟布料器模型试验分析了不同炉料分速度对炉料堆积行为的影响，建立了考虑炉料运动因素的料堆轮廓预测模型，并通过数值方法确定了料堆的位置和料面轮廓曲线，应用于料面形状的预测.结果表明：炉料的运动是造成料堆两侧堆积角差异、料堆横截面面积变化以及料面轮廓改变的重要原因，料堆轮廓采用直线段和曲线相结合的方式进行构造，炉料的堆积角和曲线过渡区域长度作为重要的模型参数均考虑了炉料速度的影响，模型构造的轮廓接近真实料堆形状，应用该模型实现了炉喉料面的准确预测

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确