一般增长曲线模型中线性预测的可容许性

研究了一般增长曲线模型中线性可预测变量的最优预测,给出了可容许线性预测的定义,并分别在齐次线性预测类和非齐次线性预测类中得到了线性可预测变量的一个线性预测是可容许预测的充要条件．     

二次损失下一般Gauss-Markov模型的线性预测的Minimax的可容许性

对不带约束的一般Gauss-Markov模型的线性预测在齐次线性预测类中的Minimax可容许性作了较深入的讨论，得出线性预测在齐次预测类中Minimax可容许的充要条件．     

不等式约束增长曲线模型中线性预测的可容许性

根据线性预测可容许性的定义,利用矩阵的有关性质,得到了齐次线性预测(非齐次线性预测)在齐次线性预测类(非齐次线性预测类)中是可容许性预测的充分必要条件,推广了以往文献的有关结论.     

增长曲线模型中线性预测的泛容许性

在二次损失情况下,研究一般增长曲线模型中未来观察值线性预测的泛容许性.根据线性可预测变量泛容许预测的定义,得到了齐次线性预测和非齐次线性预测在对应的线性预测类中是泛容许预测时的充分必要条件.     

均值矩阵的线性估计在广义线性估计类中的可容许性

对于多元线性模型Y～(XΘ,σ2Σ(s)V),本文在最大特征值作为矩阵大小的比较标准下,讨论了XΘ的函数SXΘ的线性估计AY在齐次线性估计类中可容许与AY在齐次广义线性估计类中可容许的关系,还讨论了AY+D在广义线性估计类中可容许与AY在齐次广义线性估计类中可容许的关系.     

矩阵损失下带约束生长曲线模型中齐次线性估计的可容许性特征

证明了约束条件下生长曲线模型中线性估计的可容许性与约束条件下一元线性模型中,线性估计的可容许性在齐次线性估计类中具有等价性,得到了带约束生长曲线模型中线性函数KBL的估计DYF在齐次线性估计类中是可容许估计的充要条件.     

推广增长曲线模型中回归系数估计的可容许性

考虑推广增长曲线模型中回归系数的线性估计问题和在线性估计类中的可容许性,利用增长曲线模型结果,得到了线性估计在线性估计类中可容许的两个充分条件.     

多元线性模型回归系数的所有可容许线性估计

讨论了多元线性模型中 ,线性估计 AY a在一切估计类中是线性可估函数 SB的 A-可容许性估计、E-可容许性估计及 G-可容许性估计的主要条件 .     

不等式约束下多元线性模型中线性估计的可容许性

研究多元线性模型在不等式约束下齐次线性估计和非齐次线性估计的可容许性, 刻画了二者之间的关系, 得到了齐次线性估计(非齐次线性估计)在齐次线性估计类(非齐次线性估计类)中是可容许的充要条件.     

二次损失下增长曲线模型回归系数非齐次线性估计的可容许性特征

讨论了增长曲线模型回归系数非齐次线性估计在六种不同形式容许性定义下的可容许性，得到了在估计类中KBL的非齐次线性估计在这六种容许定义下可容许的充要条件。     

Real-time rapid prediction of variations of Earth’s rotational rate

Real-time rapid prediction of variations of the Earth＇s rotational rate is of great scientific and practical importance. However, due to the complicated time-variable characteristics of variations of the Earth＇s rotational rate （i.e., length of day, LOD）, it is usually difficult to obtain satisfactory predictions by con- ventional linear time series analysis methods. This study employs the nonlinear artificial neural net-works （ANN） to predict the LOD variations. The topology of the ANN model is determined by minimizing the root mean square errors （RMSE） of the predictions. Considering the close relationships between the LOD variations and the atmospheric circulation movement, the operational prediction series of axial atmospheric angular momentum （AAM） is incorporated into the ANN model as an additional input in the real-time rapid prediction of LOD variations with 1-5 days ahead. The results show that the LOD prediction is significantly improved after introducing the operational prediction series of AAM into the ANN model.     

大坝基础渗流量预测的交替学习人工神经网络方法研究

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理，具有高度非线性、自适应、自学习等一系列优点，广泛应用于物理量的预测预报中。为此提出并建立了基于交替学习迭代算法的人工神经网络模型，结合清江隔河岩水电站的实际，研究了这种模型在大坝基础渗流量预测中的应用，其预报精度较高，可望推广应用到大坝安全监控中去。     

基于SVM的分类预测

简单介绍了SVM的理论背景，详细介绍了基于SVM的分类预测方法。给出了基于SVM的分类预测技术的性能测试结果。指出该分类预测技术可将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性辨别函数来实现原空间中非线性辨别函数。     

多元线性模型与最佳预测

运用多元回归模型方法建立了多指标预测模型,在矩阵损失下,利用正交投影阵及矩阵分析等知识找到了预测指标的最优线性估计类,且从中得到了几个最优线性估计,使其应用范围更加广泛.     

改进的时间相关序列股票价格混合预测模型研究

金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道。本文首先通过构建科学性较强的自回归移动平均与支持向量机（ARIMASVM）模型分析一维金融时序数据的线性成分,对我国股价波动进行样本内预测并与真实数据作比较,再利用改进的支持向量机（TGDSVM）模型基于金融面板时序数据处理线性预测后剩余的非线性成分信息。采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对比例误差（MAPE）、回归指数（WIA）、百分标准误差（SEP）与Nash系数六个预测精度指标检验五只股票日收盘价的预测精度。仿真结果表明：改进的时间相关序列（ARIMA-TGD-SVM）股票价格混合预测模型可以很好的弥补传统支持向量机（SVM）模型对解决多分类问题存在困难和对大规模训练样本难以实施的不足,并有效解决其利用欧式距离表征时序数据内部真实相互关系不足的缺陷,能够为股市预测提供理论依据和实际应用奠定基础。     

西方国家的“成矿规律和成矿预测”的发展和现状

本文从三个方向总结了近年来西方国家在成矿规律和成矿预测方面的发展 :(1)利用板块构造理论作为成矿规律和成矿预测的理论思想 ;(2 )根据实际观测资料和前人观测记录的文献资料总结矿床分布规律 ,在此基础上进行成矿预测 ;(3)利用数字化地学图件和GIS技术进行成矿规律和成矿预测     

简单随机截距模型参数估计与响应预测的最优设计

研究简单随机截距模型中固定和随机效应线性组合的估计和个体未来观测值的预测的最优设计问题.在模型的方差分量假定为已知的情况下,分别利用估计量的均方误差和预测量的预测均方误差建立设计准则,给出若干最优设计测度的解析解或精确设计数值算法.     

补偿预测误差的非线性系统广义预测控制

将一类非线性系统等价表示为时变线性系统,研究了非线性系统的广义预测控制。利用三次样条基函数多项式逼近时变系数,将时变参数的估计转化为定常参数的估计。为了提高输出预报精度,采用小波网络对预报误差进行预测,作为输出预报的补偿。仿真研究结果表明了所提方法的有效性。     

基于数据驱动模式的波浪能装置短期发电功率预测方法

 分析了随着波浪能发电技术的逐步成熟带来的功率预测技术现状,阐述了功率预测对规模化利用波浪能的现实需求,研究了不同模型的预测机理和特性,并在传统物理模型技术上提出了基于深度学习的数据驱动模型。基于长短时记忆网络的深度模型能够对波浪发电装置的短期功率开展预测,并通过与支持向量机、神经网络等模型的比较,证明了长短时记忆网络模型预测方法能够获得更优的短期预测结果。     

ENSO ensemble prediction: Initial error perturbations vs. model error perturbations

Based on our developed ENSO （El Nino-Southern Oscillation） ensemble prediction system （EPS）, the impacts of stochastic initial-error and model-error perturbations on ENSO ensemble predictions are examined and discussed by performing four sets of 14-a retrospective forecast experiments in both a deterministic and probabilistic sense, These forecast schemes are differentiated by whether they con- sidered the initial or model stochastic perturbations, The comparison results suggest that the sto- chastic model-error perturbations, which are added into the modeled physical fields to mainly represent the uncertainties of the physical model, have significant, positive impacts on improving the ensemble prediction skills during the entire 12-month forecast process, However, the stochastic initial-error perturbations have relatively small impacts on the ensemble prediction system, and its impacts are mainly focusing on the first 3-month predictions.