带形状调整参数的一阶三角B样条曲线

给出了一阶三角B样条基函数的构造,讨论这种基函数的性质以及在具有重节点情形时的变化,并利用这类三角B样条基构造了相应的三角B样条函数及三角B样条曲线.还给出了用带调节参数的控制点方法生成一阶三角B样条曲线以便对曲线形状进行调整的方法.讨论了如何利用这类B样条基以及带参数的控制点方法生成可调形状的三角样条曲线的问题.     

函数系数部分线性模型的B样条估计

函数系数部分线性模型是一个比较广泛的模型,其常数项函数和系数函数具有不同的自变量,这给模型的估计带来了不小的挑战。利用B样条方法同时给出该模型的常数项函数和系数函数的估计,给出了估计的相合性、渐近正态性以及收敛速度,且该收敛速度达到了非参数最优收敛速度;最后,模拟说明了B样条方法对该模型的估计是有效的。     

插值样条δ-序列求解非线性对流扩散方程

提出了一种用广义函数δ序列求解偏微分方程的数值方法.首先对一阶B样条函数N1(x)进行卷积得到四阶B样条函数N4(x),用N4(x)的线性组合构造出三次样条插值基函数;然后用样条插值基序列逼近δ函数,利用δ函数的性质构造插值样条δ序列,该δ序列具有对称、Riesz基和插值性质.以非线性对流扩散方程(伯格方程)为例,用插值样条δ序列离散该方程的空间形式,用四阶龙格库塔方法描述发展过程,取得了较好的精度.为减少计算量,加快插值函数的收敛速度,进一步提高求解精度,对δ序列进行了改进,对同一算例进行数值实验,结果表明,改进后的算法求解过程稳定发展,能够有效描述局部快速变化的情况.     

基于五次B样条的对流-扩散方程数值解法

基于五次B样条函数,提出一种求解对流-扩散方程的五次B样条方法.先利用光滑余因子协调法,给出有界闭区间上的具有均匀节点的五次B样条基函数表达式.接着计算在有界闭区间两端点处具有重节点的B样条基函数表达式.最后,将五次B样条基函数应用于求解一类对流扩散方程,在此过程中,按时间步长τ对对流-扩散方程进行离散,建立五次B样条...     

一类带形状参数的三次均匀B样条曲线

利用三次多项式调配函数构造三次均匀B样条基,基于该基函数建立了一类带形状参数的三次均匀B样条曲线,形状参数的值用于调整曲线的形状,描述曲线接近其控制多边形的程度;选取的形状参数不同,得到的连续曲线不同.最后给出曲线设计的实例.     

基于规范化的B样条密度模型的聚类算法

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型,存在模型不匹配及非参数正交多项式密度估计不是概率密度函数的问题,提出了一种基于规范化的B样条密度模型的图像聚类算法.通过构建基于规范化的B样条密度函数的非参数混合模型,利用非参数B样条期望最大(NNBEM:Non-parametric B-spline Expectation Maximum)算法估计密度模型的未知参数,并根据贝叶斯准则实现图像的聚类.该方法不需要对模型做任何假设,可有效克服有参混合模型与实际数据分布不一致问题.对模拟图像和真实图像数据进行仿真的结果表明,规范化的B样条密度模型的聚类算法比其他算法具有更好的聚类性能.     

基于众数回归的变系数模型统一变量选择

研究了众数回归下变系数模型的统一变量选择问题.利用B样条基函数近似非参数部分,在众数回归下建立SCAD惩罚函数同时选择变系数模型中的重要变量并且识别具有常数效应的协变量,在一定条件下, 证明惩罚估计量相合性和稀疏性,通过数值模拟评估所提出的变量选择方法的有效性.     

顾及多因素影响的地壳形变回归——样条函数混合模型

本文利用三次B—样条和双三次B—样条分别建立单点变形模型和动态整体变形模型;为了使模型能够反映外界环境因素对地壳形变的影响,又建立回归—样条函数混合模型。算例表明,该方法对处理多因素影响的小样本变形观测序列是可行的。     

基于规范化的B样条密度模型的聚类算法

针对有参混合模型的聚类算法需要假设模型为某种已知的参数模型, 存在模型不匹配及非参数正交多项式密度估计不是概率密度函数的问题, 提出了一种基于规范化的B样条密度模型的图像聚类算法。通过构建基于规范化的B样条密度函数的非参数混合模型, 利用非参数B样条期望最大(NNBEM: Non parametric B splineExpectation Maximum)算法估计密度模型的未知参数, 并根据贝叶斯准则实现图像的聚类。该方法不需要对模型做任何假设, 可有效克服有参混合模型与实际数据分布不一致问题。对模拟图像和真实图像数据进行仿真的结果表明, 规范化的B样条密度模型的聚类算法比其他算法具有更好的聚类性能。     

基于split-and-conquer和非参数向前选择法的变量选择

变量选择是统计学界研究的重要课题之一.当处理高维数据时,一些常用的变量选择方法大多比较耗时,因此提出了一种既能筛选出高维数据中的变量又能节省时间的方法:基于split-and-conquer的非参数向前选择法.首先使用split-and-conquer方法将数据进行拆分,然后使用B样条函数逼近的非参数向前选择法进行研究.实验结果表明:基于split-and-conquer的非参数向前选择法可以较好地将变量选择出来,并且节省了大量时间.     

时间序列在路面平整度预测中的应用

为了解决国际平整度指数IRI预测模型准确性不高的问题,以京沪高速公路实测IRI数据为基础,对log istic回归、多元回归、时间序列这3种建模方法分别进行分析.并根据京沪高速公路平整度实测数据,建立了几个有不同数量滞后值的时间序列路面平整度预测模型,根据与实测值的比较,找出最优的时间序列路面平整度预测模型.分析结果表明:利用传统的log istic回归和多元回归方法难以建立准确预测路面平整度发展趋势的模型;时间序列方法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

铝合金点焊过程中电极振动信号的建模

以时间序列与模态分析为基础，研究了电阻点焊过程中的电极振动信号特征，建立了点焊过程中的电极加速度信号的振动方程，通过建立自回归AR（n）模型计算了阻尼比、振动模态的角频率和自回归功率谱函数，并将计算结果与实际熔核质量检验结果进行对照分析．结果表明，阻尼比、振动模态的角频率和自回归功率谱函数与熔核质量有较强的相关性，可以作为铝合金点焊质量判别的特征量并且区分点焊的不同焊接工况，     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

利用虚拟变量对季节指数的估计

利用季节虚拟变量建立回归模型,通过季节虚拟变量的参数估计间接地估计季节指数,并且利用模型进行了一些传统的季节指数方法无法进行的推断统计,是一种分析季节指数和季节变动的新思路.但是,由于时间序列数据直接应用到回归模型会与古典假设不相符合,在参数估计以及推断检验中就需要采用一些新的方法,这也正是利用季节虚拟变量估计季节指数时存在的问题,这个问题还有待于以后解决.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

基于支持向量回归和高斯过程回归的水文时间序列特征提取方法

水文时间序列受多种环境因素影响,表现出明显的综合性,传统的利用单一神经网络进行特征提取解释性不足。提出一种基于支持向量回归和高斯过程回归的水文时间序列特征提取方法。首先,罗列水文时间序列候选特征,将特征组合等价于0-1规划,并将各特征组合分别进行支持向量回归与高斯过程回归建模;其次,利用遗传算法演化求解一组最优特征组合,使得支持向量回归和高斯过程回归输出误差同时最小;最后,为了证明所提方法的高效性与准确性,以屯溪流域水文时间序列数据为对象进行验证。实验结果表明,基于支持向量回归和高斯过程回归特征提取方法的水文时间序列预测结果优于传统神经网络特征提取方法。     

线性回归模型精化方法

为了解决由试验观测数据建立的回归拟合模型存在的模型误差,用基于回归残差的神经网络方法精化模型.采用给定方程获得模拟数据,通过数据结构散点图建立回归模型趋势项,利用经典最小二乘法估计趋势项参数,由趋势项参数计算回归残差,借助误差分级迭代的改进BP算法对趋势项进行精化,将两部分叠加获得精化模型.试验结果验证了基于回归残差的神经网络方法精化模型的有效性:神经网络方法精化后的模型能提高回归模型的拟合及预测精度5倍以上,优于最小二乘配置法和半参数法精化结果.神经网络方法精化模型既克服了单一神经网络模型的不可解释性,使模型具有物理意义,又具有较高的预测精度.     

SARS经济预测模型

利用经济预测方法，建立了非典数学模型，分别利用0．618法、时间序列的指数平滑技术及温特法对数据进行纵向和横向处理，得出了数据预测趋势走向图和统一预测公式．     

我国货币供给函数的协整与误差校正模型

传统的线性回归建模常假定时间序列是平稳的,以保证普通最小二乘法得到的估计量一致.而多数经济时间序列却是非平稳的,对其做线性回归可能产生所谓的“伪回归”.在协整理论基础上,借助统计和整理的经济数据,运用计量经济学的Eviews统计软件对我国货币供给进行实证分析,建立了误差校正模型.对误差校正模型残差的自相关性、异方差性进行检验,结果表明该模型在我国货币供给中是有效的,克服了“伪回归”现象,且具有很好的经济解释意义.