利用尾矿废石制造微晶玻璃花岗岩的投资可行性分析

在论述尾矿废石利用现状的基础上,对利用尾矿废石制造微晶玻璃花岗岩的投资可行性进行了分析,提供了一套可用于此类决策的分析方法。     

应用逼近理想解法综合评价区域水资源承载能力

在多目标决策中,基于传统的逼近于理想解的技术,根据区域水资源承载能力的强与弱和待评价的对象(评价方案)的不理想(负理想)与理想(劣与优)这些典型的模糊概念,提出了基于模糊集合的逼近理想解法(TOPSISFS),并应用于区域水资源承载能力的综合评价中。TOPSISFS与投影寻踪模型法(PP法)、理想区间法(MODMIIM)相比,简单、有效。TOPSISFS可广泛应用于多目标决策中。     

基于决策树的多光谱影像分类研究

采用了辅以纹理特征的决策树方法进行分类,探讨了决策树在遥感数据分类方面的优势,提高了遥感影像的分类精度。     

空间决策支持技术在城市地震应急指挥软件系统中的应用

将空间决策支持技术SDSS引入城市地震应急指挥技术领域,利用决策支持技术DSS的多模型组合建模方法和地理信息系统的空间分析技术,建构了城市地震应急指挥空间辅助决策支持软件系统。详细讨论了该系统的整体规划与功能实现,并对系统数据库、模型库、方法库和知识库及其管理子系统的设计与开发作了详细阐述,以期为城市灾害与突发事件的防御与应急提供技术支持。     

利用多元地震属性预测测井特性

通过寻找井旁地震数据与测井曲线的关系,将这一关系应用到远离井的区域(只有地质数据,但无测井)来预测测井的有关特性,其方法有单属性分析和多属性分析[1]。本文通过实例描述了多属性分析的特点及预测结果。从单属性回归到多属性预测、再到神经网络预测过渡时,预测能力持续提高。同时对地震属性的选择和有效性进行了讨论,将结果应用到整个二维地震剖面上,能更好地确定井以外区域的测井特性。     

油气勘探开发项目投资决策路径的设计

研究油气勘探开发项目投资决策路径的根本目的在于规避风险,以利润极大化为原则,兼顾社会目标,正确选择投资方向,合理安排投资规模,保证石油化工企业油气资源的持续安全供应和可持续发展,提高集团的竞争力.油气勘探开发项目具有明显的实物期权特性,传统的NPV方法已经不适应此类项目的评价与决策,本文结合中石化的实际,从企业目标和社会目标2个方面着手,提出了基于实物期权的油气勘探开发项目投资决策路径,从而丰富了项目投资决策的思路和方法.     

测绘行业人力资源培训外包问题研究

系统培训是增加企业人力资本存量、提升企业核心竞争力重要的手段之一。因此,越来越多的企业将培训放到重要的位置上,整合组织的内外部资源进行有效的培训。将非核心培训项目外包,既利用外包供应商的专业水平和成本优势,又使企业人力资源部能专注于提升核心竞争力的活动。     

城市湖泊水华预警模型研究——以北京“六海”为例

采用决策树方法和非线性回归方法建立湖泊水华预警模型。决策树方法预测水华爆发时机,非线性回归方法预测水华爆发强度,并运用信号灯显示方法,划分出水华爆发的预警区间。以北京六海为例,模型结果表明来水水量Q,温度T和总磷浓度是影响“六海”湖泊水华爆发的主要影响因子,选择叶绿素a(Chl-a)<30 μg/L的预警信号为绿色,30 μg/L60 μg/L为红色。当每月来水量Q>79.0万m3或来水量Q<79.0万m3,水温<13.4℃,预警指标为绿色;Q<79.0万m3,水温T>13.4℃,水华预警为黄色;Q<38.7万m3时,T>23.25℃,TP>0.13 mg/L,水华预警为红色。对模型结果分类进行了验证。结果表明:模型对于限制因素发生变化时的水华预测结果更为准确,并且结构简单,输入输出关系明显,结果易于解释。     

数据挖掘技术在水文预报中的应用及水文预报发展趋势研究

数据挖掘作为知识发现过程中的重要步骤,是从大型数据库中提取未知的、有价值的和可操作性的关系、模式和趋势用于决策支持的过程。我国目前在防洪领域存在着大量水文数据,如何充分有效地利用各种智能算法对这些数据进行分析与挖掘,以形成相应的水文预报模型进行准确的水文预报是防洪决策支持系统完善和发展的重要方面。本文首先全面地介绍数据挖掘的功能分类及以数据挖掘为基础的水文预报体系,然后对数据挖掘技术在水文预报中的应用进行了探讨和研究。     

基于决策树的高光谱数据特征选择及其对分类结果的影响分析

本文利用OM IS高光谱数据,研究了决策树算法（Decision Tree,DT）特征选择的特点以及特征选择对决策树分类结果的影响。设计了三种特征选择方法：SEP,MDLM和RELIEF,将它们与DT特征选择的结果以及特征选择后的分类精度（考虑了三种分类器：最大似然法、后向传播神经网络、最邻近法）进行对比,并分析了这三种特征选择方法对决策树结构和分类精度的影响。结果显示,DT是一种比较好的特征选择方法;经过特征选择后再生成的决策树比直接生成的决策树,用到更少的特征（平均减少了43.36%）、有更多的节点（平均增加了18.61%）和更高的分类精度（平均提高了0.35%）,当样本数量少时,分类精度的提高幅度最大,而树的大小却基本没有增加。