多元响应回归模型及其参数的非线性最小二乘估计混合算法

针对多元响应数据的特点，建立了一个多元响应回归模型，对参数的非线性最小二乘估计进行了探讨。结合拟牛顿法和信赖域算法建立了一个非线性优化的混合迭代算法，该算法在一定条件下具有全局收敛性和超线性收敛性，对参数的非线性最小二乘估计是有效的。     

粒子群算法优化BP神经网络

现实生活中绝大数系统都是非线性的,BP神经网络通过训练能否达到局部最优值、能否收敛以及训练的时间长短与初始值和阈值的选取关系密切.为此采用了具有动态惯性权重的粒子群算法对BP神经网络初始值进行优化.实验表明具有动态惯性权重的粒子群算法优化BP神经网络预测误差很小,能够跳出局部极小值,得到更优的结果.     

抗差估计理论与方法研究

对线性模型的线性迭代和非线性迭代求解方法的性质进行了详细研究，分析了抗差估计理论与方法的数学性质和特点，描述了线性与非线性两种方法的解特点和解轨迹，从理论上深入研究了测量数据处理中迭代抗差估计方法的有关性质，针对估计，分析了初始值和迭代限差与收敛性和解可靠性之间的关系，解决了抗差估计方案设计和技术实现过程中的几个技术难题。     

EM-ACO算法及其在多重超声回波参数估计中的应用

针对EM算法在估计多重超声回波参数时存在收敛速度慢和迭代结果强烈依赖于初始值的缺点,将蚁群算法应用到多重超声回波参数估计的EM算法中,提出一种新的多重超声回波参数估计算法——EM-ACO算法.该算法结合EM算法和蚁群算法的优点,不仅可以改善EM算法估计多重超声回波参数时估计结果强烈依赖于初始值的缺点,有效提高EM算法的收敛速度,而且可以获得更高的参数估计精度.根据超声回波的高斯回波模型,应用EM-ACO算法,在不同的信噪比条件下,对多重超声回波的参数向量组进行估计.仿真结果表明:EM-ACO算法能在各种不同的初始值条件下,以较少的迭代次数估计出多重超声回波的参数向量组,并且具有较高的估计精度.     

无失效数据下一种新分布的可靠性分析方法

根据无失效数据推导出分布失效率的Bayes估计,然后运用Virene算法和非线性回归最小二乘法,对分布的可靠性进行评估.最后,利用Monte-Carlo方法对所得结论进行了分析验证.结果表明,在无失效数据下,将非线性回归最小二乘法与Bayes方法相结合,可以很好地评估指数-威布尔分布的可靠性.     

机构综合的新型同伦算法研究

机构学问题的数学模型常可化为多元非线性方程组,一般求解多元非线性方程组需要初始值,而初始值的选择是相当困难的,同伦方法不需初始值就能求出全部解,为求解决这一问题提供了可行的方法,但需要编写专用的程序.通过构造新型同伦函数并结合Maple高级程序设计语言的通用工具箱,提出了同伦算法的原理与实现方法.运用该算法编写了MAPLE程序对3-RPR平面并联机构综合问题进行了研究,求出了全部解,为实际机构的设计提供了多种选择方案,为同伦方法提供了简便的实现方法.     

广义非线性模型的Bayes估计

针对广义非线性模型的参数估计问题,提出了从参数的条件后验分布中抽取观测值来估计参数值的Bayes估计法.利用贝叶斯统计分析中蒙特卡洛抽样方法中的M-H算法和Gibbs抽样算法相结合的混合算法进行分析,通过参数的条件后验分布抽取出每次迭代时的参数值,并利用参数的样本路径图和均值遍历图验证迭代时马尔科夫链的收敛性;计算马尔科夫链达到收敛后参数的后验均值得到参数的Bayes估计;通过对产品销售数据的实证分析,比较Bayes估计和极大似然估计的偏差,验证M-H算法和Gibbs抽样算法在对广义非线性模型的参数进行Bayes估计时的简洁性、有效性以及可行性.     

一类基于最小二乘法的声发射源组合定位算法

介绍了声发射源时差定位方法的基本原理及其常用的声发射源定位方法.针对声发射源三维定位常规算法中初始值的选取影响算法收敛速度和定位精度的问题,充分利用最小二乘算法的估计特性,改进定位算法,提出一类基于最小二乘法的Geiger优化迭代组合定位算法.数值仿真算例表明:该方法能有效解决迭代法的初始值问题,保证算法的收敛并且提高迭代算法的收敛速度.     

三油楔固定瓦滑动轴承动特性解析模型的建立

以通过数值计算所得轴承不同结构参数下的动特性系数作为原始数据,采用多元非线性回归方法建立滑动轴承动特性系数的非线性回归解析模型.回归过程中,采用拟牛顿法与通用全局优化算法相结合的混合优化算法,以非线性最小二乘估计为准则,通过迭代计算获得模型的回归参数,建立了一种无初始模型的数据建模方法;实现了自动寻找隐含于数据间的数学模型,且无需人为提供参数初估值;以残差值为依据验证了所建模型的有效性.结果表明,所建解析模型保证了计算精度,同时克服了数值计算效率低的问题.     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

IT上市公司投资价值的统计分析研究

在将财务指标数据进行合理化处理变换的基础上，应用多元统计分析数学中的主要成分分析方法，对我国在深、沪上市的部分高科技IT企业的财务状况和经营业绩进行定量化、可比性评价研究，为该类企业的股票市场投资者提供一种投资参考。     

基于小波协方差的中国股市波动序列相关性的实证分析

在综述相关系数与概率中变化协调的相关性度量方法基础上,提出了基于小波协方差的相关性度量方法,并对沪、深股市波动序列之间的相关性进行了实证分析,结果表明沪深股市波动序列在整体上具有一定的正相关性,不同尺度下沪、深股市波动序列之间的相关性不同,小尺度下相关性小,因此以小尺度为基准,采用组合投资分散风险较好。     

沉淀-SBR组合工艺处理生活污水工程设计

介绍了采用沉淀-SBR组合工艺处理深圳龙华科技园小区生活污水的工程设计实例,经过沉淀-SBR处理后的废水达标排放.此组合工艺启动快、效率高、操作管理简便,通过调节运行方式,在单一池内进行脱氮一除磷反应;占地面积小,投资少、运行费用低,为科技园小区废水处理提供了一种新工艺.     

一种线性移动自回归预测模型

应用线性回归分析和移动平均理论，对按时间次序排列的单一数据序列，给出了一种线性移动自回归预测模型，并对原始数据受不确定因素影响而产生的随机振荡，给出了合理的控制区间和运行通道。将其应用于深圳证券交易所股价指数每日收盘指数序列，得到了与实际情况相符合的结果，预测的准确性相当之高，具有一定的创新性和实际应用价值。     

亚式期权与欧式期权的实证比较

讨论了用欧式看涨期权和连续情形下的几何平均亚式期权中的看涨期权进行投资时收益和风险之间的关系。从上海和深圳证券交易所随机选取10只股票收盘价的数据进行实证分析,得出采用几何平均亚式期权进行投资比采用欧式期权进行投资风险更小,这与几何平均亚式期权的设计是相符的。     

基于麻雀搜索算法优化支持向量回归的装配式建筑施工安全投入优化

为提高装配式建筑施工安全水平,减少社会经济损失,对施工安全资源投入的合理分配进行研究。选取20组装配式建筑施工安全投入与事故经济损失数据作为样本,通过基于麻雀搜索算法优化的支持向量回归模型对样本进行非线性拟合,以事故经济损失最小化为目标函数,安全投入资源为约束条件,构建安全投入优化模型。以某装配式建设项目为例进行实证分析,结果表明:基于麻雀搜索算法-支持向量回归的施工安全投入优化方法能有效降低安全事故损失、节约投入资金,具有良好的优化效果,可为装配式建筑施工安全投入决策提供科学有效的依据。     

管理层持股比例下的公司投资行为与公司价值

以中国1998～2003年沪、深两市319家上市公司为研究对象，采用面板数据方法和建立联立方程模型，对管理层持股比例的内生性问题进行了实证检验．结果发现：以ROA度量公司价值，公司价值影响管理层持股比例，但逆向关系不成立；而当以Tobin’s Q度量公司价值且没有控制变量时，公司投资影响公司价值并进而影响管理层持股比例，反过来，管理层持股比例变动对公司价值有显著影响，但对公司投资的影响不显著．这些结果验证了管理层持股比例的内生性问题．     

深圳市地面水环境保护规划

本文根据深圳市的具体情况,采用相对分散控制的方法,划分十个地面水环境单元,针对每个单元的不同环境目标和未来人口发展规模,提出相应的规划方案(包括污水厂设计规模、管理方法和环保投资)。     

基于模糊聚类技术的股票投资价值评价指标选择

从实证角度为价值投资理论在中国股市的应用建立了股票投资价值评价指标集.首先深入分析股票投资价值的诸多影响因素,然后以全部上市公司为样本,采用模糊聚类技术对股票投资价值的各影响因素进行聚类,并依据相关指数对同类指标进行筛选,最终得到一个科学的和有操作性的股票投资价值评价指标集.该股票投资价值评价指标集基本涵盖了股票投资价值所包含的有效信息,因此可以用多维数组来刻画一支股票的价值信息,从而为人工智能方法在股票价值投资方面的应用提供了实证依据.     

非均衡数据的债券违约预警研究

将上海交易所和深证交易所发行的30只违约债券和468只未违约债券作为研究样本，将债券是否违约设定为一个二分类问题进行识别分析，针对该问题构建了基于SVM的ADmR-AdaboostSVM分类模型；从企业资本结构、盈利能力、现金流量、偿债能力4个评估因素中筛选16个预警指标，运用ADASYN方法进行过采样合成新样本点，将特征提取mRMR方法引入债券违约领域，得出长期负债率、资本收益率、成本费用利润率以及股权比例这4个变量作为债券违约的最终预警指标，在此基础上运用AdaboostSVM模型进行风险识别。研究结果表明：在建模过程中克服了样本非均衡化问题使得分类精度显著提高，同时通过解决高维数据冗余问题，识别违约债券的准确率进一步提高，反复验证表明该模型具有较强的稳健性和有效性，具有一定的应用价值。