《数据库设计》课程设计 一、 设计目的 数据库设计是一门应用性很强的学科，在学习时必须使理论与实践相结合。课程设计的目的是通过实践使同学们经历到一次综合训练，以便能较全面地理解、掌握和综合运用所学的知识。 二、 设计任务与要求 （１） 对实际系统进行分析，写出需求分析说明（数据需求和事务需求）。 （２） 概念结构设计 说明本数据库将反映的现实世界中的实体、属性和它们之间的关系等（E-R图，可以用基本E-R图或扩展E-R图）。 （３） 逻辑结构设计 将概念结构映射为数据库全局逻辑结构（关系模型），包括所确定的关键字和属性、重新确定的记录结构和所建立的各个表文件之间的相互关系。 三、 设计环境与工具 要求使用辅助设计工具，如Power Designer或者ERWin等，转换为：SQL Server、Access或其它的DBMS数据库（不作统一要求）。 四、 设计步骤 参考《数据库设计实例指导书》 五、 设计题 教材P58面：3.8课程设计A、B、C任选一题 六、 设计成果 设计结果以书面形式于17周交付。 七、 成绩评定 （１） 独立完成 （２） 文档完整 （３） 满足用户需求 这是研究生数据库课程设计
标签： 数据库设计
上传时间： 2015-03-03
上传用户：498732662
落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系。人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法。基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究。结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快 该预测模型的应用可为采掘工作面瓦斯涌出量的动态预测提供可靠的基础数据,为采掘工作面落煤残存瓦斯量的确定提出了一种全新的方法和思路。
上传时间： 2015-03-12
上传用户：熊少锋
用Burg算法估计AR模型参数，进而实现功率谱估计. 形参说明： x——双精度实型一维数组，长度为n，存放随机序列。 n--整型变量,随机序列的长度。 p--整型变量,AR模型的阶数。 a--双精度实型一维数组，长度为(p十1)。存放AR模型的系数a(0),a(1),...,a(p)。 v--双精度实型指针,它指向预测误差功率，即AR模型激励白噪声的方差。
上传时间： 2013-12-21
上传用户：330402686
计算ARMA(p，q)模型的功率谱密度。 形参说明： b——双精度实型一维数组，长度为(q+1),存放ARMA(p，q)模型的滑动平均系数。 a——双精度实型一维数组，长度为(p+1),存放ARMA(p,q)模型的自回归系数。 q——整型变量,ARMA(p,q)模型的滑动平均阶数。 p——整型变量,ARMA(p,q)模型的自回归阶数。 sigma2——双精度实型变量,ARMA(p,q)模型白噪声激励的方差。 fs——双精度实型变量,采样频率(Hz)。 x——双精度实型一维数组,长度为len。当sign＝0时，存放功率谱密度；当sign＝ 1时，存放用分贝表示的功率谱密度。 freq——双精度实型一维数组，长度为len。存放功率谱密度所对应的频率。 len——整型变量，功率谱密度的数据点数。 sign——整型变量,当sign＝0时，计算功率谱密度；当sign＝1时，计算用分贝表 示的功率谱密度。
上传时间： 2015-04-09
上传用户：qiao8960
销售预测系统，可以根据历史销售数据对未来的销售量进行有效预测，采用BP神经网络对预测模型进行训练，可以达到不错效果
标签： 销售预测
上传时间： 2014-01-20
上传用户：whenfly
销售预测系统，可以根据历史销售数据对未来的销售量进行有效预测，采用BP神经网络对预测模型进行训练，可以达到不错效果
标签： 销售预测
上传时间： 2015-04-25
上传用户：xz85592677
基于局域法多步预报模型的混沌时间序列预报模型，对多个典型混沌序列的仿真测试表明，本算法具有良好的多步预测精度和较好的抗噪声能力
上传时间： 2015-05-07
上传用户：洛木卓
本源代码是本人亲自编写的关于模糊神经网络模型的实现，它结合了模糊逻辑和神经网络的优点，具有全局逼近的功能。本代码提供了简单的界面，输入学习样本，可以进行预测并能输出预测结果。
上传时间： 2013-12-28
上传用户：秦莞尔w
初步研究神经网络模型的构造方法，并利用多输入单输出切比雪夫神经网络模型建立世界干散海运量各年的海运量预测模型解决具体问题
标签： 神经网络模型
上传时间： 2015-06-04
上传用户：ccclll
burg法估计AR（P)模型参数的算法。里面ef是前项误差bf是后项误差，mse是预测误差的均方值。程序的最后输出的是把各阶预测误差放在一个下三角距阵中
上传时间： 2013-12-20
上传用户：wmwai1314
