黑龙江省人口的GM(1,1)组合预测模型

在黑龙江省2001年至2007年人口数据的基础上,分别应用Logistic增长模型,灰色系统的GM(1,1)理论,构建了人口预测模型,并将预测值和实际值进行比较,分析,表明该模型误差较小,可应用于实践.其次,考虑到模型的确定性,将两种模型有机的结合起来,建立一种更加合理的符合实际的模型,以提高模型的预测准确度.最后,利...     

改进的Leslie离散型人口模型在黑龙江省人口预测中的应用

根据人口发展特点,应用改进的Leslie离散型人口预测模型,对黑龙江省人口进行预测.通过与其他几种人口模型比较可以看出,利用改进的Leslie离散型人口预测模型预测结果相对较好.     

基于二孩政策下人口结构的分析与预测

针对二孩政策下的人口结构,通过模糊综合评价法,Logistic阻滞增长模型,指数增长模型,人口发展模型等一系列方法,综合分析了人口的各项指标对人口结构的影响,依托模糊综合评价模型,以十个具有代表性的地区为分析对象,分析得到所选择地区人口结构的评级.同时采取Logistic阻滞增长模型等对上海地区未来人口结构进行预测,以此改善该地区人口结构,促进地区经济的发展.该文采用国家统计局中给出的准确具体的数据,保证了分析预测方法的可信度.     

Logistic人口增长模型的混沌数据系统及反馈控制研究

针对Logistic人口增长模型由稳定状态,通过控制参量的变化进入倍周期分岔及混沌,提出了一种基于Lyapunov指数的状态反馈控制策略,使混沌状态的Logistic模型变成为可测。该控制策略可将混沌状态的Logistic人口增长模型快速的收敛于给定的任意值,并进行了数字仿真。所有计算及作图由MathCad7.0实现。     

中国人口Logistic预测模型

考虑了自然资源、环境条件等因素对人口的增长起着阻滞作用,且随着人口的增加,阻滞作用越来越大.运用数值微分技术对Logistic模型进行参数估计,结合Matlab软件对数据进行了拟合.较好地反映出我国人口的增长趋势,并对2011—2030年人口数量进行了预测.     

基于神经网络误差修正的灰色广义预测控制

提出一种基于神经网络误差修正的多步灰色广义预测控制算法,采用神经网络对灰色系统的建模误差进行预测,同时根据新信息优先的原则,用最新预测误差不断更新神经网络建模数据,对新出现的误差具有动态补偿动力,最终预测值为模型预测值与预测误差之和,有效地抑制模型误差的影响,增强灰色广义预测的鲁棒性.仿真结果验证了该算法的有效性.     

小波变换和时间序列模型相结合的降雨量预测

针对降雨量预测问题大多采用时间序列分析的方法,但是对于准确预测降雨量和降雨变化规律,提高降雨量的预测精度等问题,如果仅采用时间序列的方法误差相对来说比较大.提出一种小波变换和时间序列预测模型(ARMA)相结合的降雨量预测方法.在预测过程中,对降雨量进行归一化处理,利用小波变换对原始降雨量进行降噪,降低其预测中的误差,采用正确的时间序列模型对降噪后的降雨量进行分析,建立最优降雨量预测模型.对实际降雨量进行仿真测试,结果表明,改进的方法预测精度比传统方法要高,且能更好地反映降雨量变化规律,为降雨量的预测提供了一种新的途径.     

基于两次改进的灰色-马尔可夫模型的太原房价预测

针对灰色-马尔可夫预测模型,先是利用多项式拟合对灰色预测曲线进行改进,然后利用递进转移概率矩阵对上述模型再次进行改进.最后将上述五种模型对太原最近两年的房价进行预测,并对各个模型的结果进行平均相对误差、后验差比值等分析,结果表明,两次改进的灰色马尔可夫模型优于其它四种模型.     

基于B-样条的波动方程数值解法

利用S24(△(2)mn)中的2组均匀B-样条D1i,j(x,y)和D2i,j(x,y),给出波动方程的一种数值解法,并利用这2组B-样条所构造的拟插值算子讨论数值解的误差估计.得到D2i,j(x,y)为基底的数值解比以D1i,j(x,y)为基底的数值解要精确的结果.     

改进的BP小波神经网络预测模型应用研究

针对BP小波神经网络模型易陷入局部极小和收敛速度慢等问题,结合Morlet小波函数、训练样本数量进行权值和阈值设置,引进隐含层饱和度并构建新的误差函数,以此提高模型收敛速度和预测效果。从模型精度、后验差比值和训练次数这三个指标进行对比分析。结果表明,改进的模型预测效果更满意。     

ANN-CE:一种预测DNA结合位点的改进神经网络方法

基于误差平方和最小原则的神经网络方法并不适于解决DNA结合位点的预测问题,提出了一种改进的神经网络方法(ANN-CE)被用于对DNA结合位点进行预测.这是一个以交叉熵函数为目标函数的三层反向传播神经网络.计算结果表明,与基于误差平方和最小原则的同规模BP网络相比,其对DNA结合位点预测的敏感性Sn(sensitivity)和特异性Sp(specificity)可分别提高11.40%和11.91%.     

Logistic回归分析在结肠癌肿瘤标志物诊断中的应用

以结肠癌早发现为出发点,使用Excel中的单因素方差分析筛选出差异具有统计学意义的肿瘤标志物,其中CEA,CA199,CA724,CA125,CA242,Tu M2-PK在不同人群中所表现的差异性都具有统计学意义.将6种肿瘤标志物纳入多因素Logistic回归模型进行多因素分析,剔除不显著的因素CA125,建立CEA,CA199,CA724,CA242,Tu M2-PK等5种因素的Logistic回归模型.通过分析多因素模型所得理论结果,借助数值模拟,建立基于Logistic回归分析的ROC曲线模型.ROC曲线的下面积为0.99,明显大于任何单一肿瘤标志物的下面积,表明所建立的多因素诊断模型比单因素模型诊断更为有效,为结肠癌诊断方法的改进提供了理论支持.     

容县人口现状分析和未来预测

本文首先对容县四十多年来人口的发展变化趋势及现状特点进行分析，然后用自然平均增长法，回归预测法，灰色系统ＧＭ（１．１）模型，中国人口模型及逻吉斯蒂模型等方法对该县未来人口的发展作了预测，经地预测结果进行分析比较，选取了中国人口模 预测结果。     

二阶非线性扰动微分方程的振动准则

讨论了二阶非线性扰动微分方程(a(t)x′(t))′ Q(t,x)=P(t,x,x′)的振动性,通过利用推广的Gronwall不等式理论,改进和推广了由W intner和Lighton[2]建立的关于微分方程(a(t)x′(t))′ q(t)x(t)=0的所有解振动的一个经典结果,最后的注解给出了充分的说明.     

长春市城市人口的Logistic模型预测

本文在总结分析人口预测模型的基础上，利用Logistic人口预测模型对长春市城市人口进行了预测，并取得了理想效果。     

肝炎疫情预报的数学模型与预测

对肝炎疫情进行未来预测 ,目前所采用的方法误差较大 .而且这种误差随着时间的推移而愈来愈大 .究其根本原因之一就是该系统的时变性与进行预测的数学模型参数非时变性之间存在差异 ,在对系统预测时 ,把一个时变参数的动态过程当作了非时变参数的静态过程 ,用非时变参数模型预测时变参数系统的状态 ,这必然会带来较大的误差 .为了克服上述这些缺点 ,我们给出了动态预测方法 ,其误差小 ,符合率高 ,提高了预测精度 .     

平行双关节坐标测量机建模

平行双关节坐标测量机是一种新型非正交坐标测量设备. 文中利用改进四参数DH模型导出平行双关节坐标测量机的测量模型,在此基础上建立该坐标测量机的误差模型. 利用测量机的误差模型验证测量模型的正确性,并与理想模型进行比较. 该方法为进一步研究平行双关节坐标测量机的设计和误差分配提供了理论基础.     

基于随机森林与合成分析法建立脂肪肝合成预测模型

研究脂肪肝预测模型,旨为脂肪肝易发人群健康管理及风险评估提供参考.选取2006—2016年在西部战区总医院健康体检中心定期健康体检人群作为研究对象(体检中心为该人群建有专门软件用于管理体检数据资料),将随机森林算法筛选脂肪肝危险因素的效果与Logistic回归模型、人工神经网络、单棵决策树分类模型相比较.4种方法筛选脂肪肝影响因素准确率分别为88.0％、83.3％、83.9％、86.0％,随机森林筛选脂肪肝危险因素的准确率高于Logistic回归模型、人工神经网络和单棵决策树分类模型.基于随机森林算法与合成分析法建立脂肪肝合成预测模型,并评价其预测效能.研究结果表明,Logistic回归预测模型、Cox比例风险模型和脂肪肝合成预测模型的ROC曲线下面积分别为0.732、0.681、0.710,约登指数分别为0.340、0.269、0.330,灵敏度分别为0.589、0.503、0.639.脂肪肝合成预测模型ROC曲线下面积和约登指数介于Cox比例风险模型与Logistic回归模型之间,灵敏度最高.脂肪肝合成预测模型具有优于传统纵向数据分析模型的预测能力,且不需要大量纵向数据,是一种简单便捷的脂肪肝预测方法.     

二阶非齐次微分方程解的平方可积性与有界性

本文借助于一类带有参数m,n∈R的辅助函数，得到了二阶非齐次线性微分方程（r(t)x′ p(t)x′ [q1(t) q2(t)]x=f(t)的所有解均平方可积及所有解都有界的判定准则。所得结果改进和推广了现有的许多判定准则。     

GM(1,1)模型的改进及其在西安市人口预测中的应用

人口规模对大中型城市的发展非常重要,为提高人口预测模型的预测精度,分析了GM(1,1)和等维递补动态预测模型的特点,并以2007—2012年西安市人口数据资料为依据,应用灰色系统理论构建等维递补GM(1,1)动态预测模型,预测了西安市2013—2016年城市人口规模,结果分别为859.757 3万人(2013年),864.010 6万人(2014年),868.285 0万人(2015年),872.580 5万人(2016年)。统计检验和误差分析结果表明,该模型方法简便可行,预测精度高,结果符合实际,可靠性强,为市域经济发展的研究和决策提供了科学依据。