含方差扩大的一般均值漂移模型的Score检验统计量

该文研究了含方差扩大的一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher信息阵,获得了检验的Score统计量.     

具有Rao简单结构的多元t-模型的异常点检验

异常点识别是统计诊断的主要研究问题之一.本文利用均值漂移模型和似然比检验,研究了具有Rao简单结构的多元t-模型的异常点识别问题,给出了判别异常点的方法.     

时空加权回归模型的影响分析

基于数据删失模型,探讨各组观测数据对模型拟合的影响程度,给出Cook统计量;基于均值漂移模型,利用两步估计法对模型进行拟合,研究异常点检验问题,并构造检验统计量.     

具有异方差的线性回归模型的统计诊断

为了诊断具有异方差的线性回归模型的异常点,建立了具有异方差的均值漂移模型和数据删除模型.采用Score诊断统计量对具有异方差的均值漂移模型的均值是否漂移进行诊断,证明了异方差存在条件下均值漂移模型和数据删除模型的等价性.这一结果表明,在诊断具有异方差的线性回归模型的异常点时,可考虑采用更加便于处理的均值漂移模型.最后,用Score诊断统计量对镀锌数据进行了异常点的诊断.     

基于多表观模型的鲁棒跟踪算法

针对传统的均值漂移算法中目标表观模型单一且缺乏必要的更新策略的问题,提出了一种基于多表观模型的多尺度均值漂移跟踪算法.该算法通过对模板集进行稀疏主成分分析获得多个表观模型,并分别在每个模型下以多个尺度并行运行均值漂移算法得到多个收敛点.利用前面求得的多个收敛点求取加权中心,并以此为依据寻找当前时刻的目标状态.实验结果表明,与其他跟踪算法相比,本文提出的算法在应对目标姿态变化、背景干扰及遮挡等复杂情况时具有更好的稳定性和鲁棒性.     

基于均值漂移模型的异常值检测方法

由于异常值的存在对统计推断有很大影响,因此异常值检测是数据分析中的一个重要步骤。对于横截面数据的线性模型,改写模型的设计矩阵后,基于均值漂移模型,利用系数压缩估计方法来进行异常值检测。由于系数压缩估计中调节参数的选择对检测效果有很大影响,基于两种调节方法的加权,提出了一种新的调节方法。数值模拟结果表明,使用这种基于均值漂移模型的异常值检测调节方法,可以显著降低犯两种错误的概率。     

非线性回归的诊断问题

讨论了非线性回归的诊断问题,给出了非线性均值漂移模型的贝叶斯诊断方法和Ｓｃｏｒｅ检验统计量,非线性方差扩大模型的Ｓｃｏｒｅ检验计量,并将一些线性模型中的诊断统计量推广到非线性模型中。     

多元约束线性回归中异常值检验

讨论了带约束的多元线性回归模型中异常值的检验问题,证明了带约束的多元数据删除模型与相应的均值漂移模型的统计量之间的等价性,得到了异常值检验的似然比统计量及其分布。     

基于判别式序列表的均值漂移目标跟踪算法

针对目标周围的背景信息对目标跟踪算法的影响,基于判别式序列表提出了一种改进的均值漂移目标跟踪算法.利用目标外观特征来描述目标模型与候选目标,同时通过判别式序列表对目标外观建模并对目标周围的背景信息进行描述.基于均值漂移跟踪框架,把目标外观模型与判别式序列表目标外观模型相结合来改进传统的均值漂移跟踪算法.在几个图像序列上...     

面向高分辨率卫星图像的几种图像分割算法稳定性对比分析

将基于均值漂移和图模型的图像分割算法及这两种算法的混合算法应用到高分辨率卫星光学图像,并对比了它们在分割遥感图像时的稳定性。均值漂移算法是一种基于核密度梯度估计的特征空间分析算法,其实质是一种统计优化过程。基于图模型的算法将一幅图像抽象为一个无向图,通过不断合并图结点,将这个图分割为多个连通分量,进而实现一幅图像分割。混合算法首先利用均值漂移技术对图像进行滤波,然后再使用图分割算法对图像进行分割。实验结果显示,均值漂移算法分割结果对其参数变化较为敏感,而基于图模型的算法和混合算法则较为稳定。     

Seasonal Least Squares Support Vector Machine with Fruit Fly Optimization Algorithm in Electricity Consumption Forecasting

Electricity is the guarantee of economic development and daily life. Thus, accurate monthly electricity consumption forecasting can provide reliable guidance for power construction planning. In this paper, a hybrid model in combination of least squares support vector machine(LSSVM) model with fruit fly optimization algorithm(FOA) and the seasonal index adjustment is constructed to predict monthly electricity consumption. The monthly electricity consumption demonstrates a nonlinear characteristic and seasonal tendency. The LSSVM has a good fit for nonlinear data, so it has been widely applied to handling nonlinear time series prediction. However, there is no unified selection method for key parameters and no unified method to deal with the effect of seasonal tendency. Therefore, the FOA was hybridized with the LSSVM and the seasonal index adjustment to solve this problem. In order to evaluate the forecasting performance of hybrid model, two samples of monthly electricity consumption of China and the United States were employed, besides several different models were applied to forecast the two empirical time series. The results of the two samples all show that, for seasonal data, the adjusted model with seasonal indexes has better forecasting performance. The forecasting performance is better than the models without seasonal indexes. The fruit fly optimized LSSVM model outperforms other alternative models. In other words, the proposed hybrid model is a feasible method for the electricity consumption forecasting.     

桂林地区气温与降水量的时间序列预测模型

根据桂林地区2001～2010年各月平均气温和1987～2010年每年6月份降水量的实测数据,利用时间序列的季节指数法和线性外推法分别建立气温预测模型和降水量预测模型,再利用模型对桂林市2011年各月的气温和2011年9、11、12月的降水进行预测,得到比较理想的预测效果.     

基于季节性时间序列模型的林业产值预测分析

【目的】针对林业产值预测,提出一种基于季节性时间序列的方法,为林业部门制定合理规划提供重要依据。【方法】对林业产值序列采用CH检验方法检验其平稳性,考虑序列的周期性和趋势性特点,建立基于季节性时间序列的林业产值预测模型,并与传统的GM(1,1)模型进行对比分析。【结果】与传统的GM(1,1)模型相比,季节性时间序列模型不仅可以预测以年度数据为单位的经济序列,而且可以预测以季度数据和月度数据为单位甚至是每日数据为单位的经济序列,且具有更高的预测精度。【结论】季节性时间序列模型可有效地预测林业产值的周期性和趋势性,且可大幅度提高预测精度,可用于林业部门对林业产值的预测和规划。     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

月蒸散发能力解集模型研究

针对目前研究蒸散发能力解集方面的不足,对联合期望-方差模型进行改进并进一步扩展,建立了将月蒸散发能力解集到日蒸散发能力的解集模型.将模型应用于梅山气象站,1980~1985年蒸发资料用于确定模型参数,1986~1987年资料被合并为月蒸发量用于模型解集计算.结果表明:解集产生的日蒸发量序列随季节的变化趋势与观测值一致,并且变化幅度也与观测值基本一致,日蒸发量观测值与解集值的均值和标准差很接近,部分月份二者几乎相等;所建立的解集模型能够很好地将月蒸发量序列解集到日蒸发量序列,并充分反映日蒸发量的时间变异特性.     

基于GPU平台和多源遥感的月度草畜平衡快速评价方法研究

快速高频次评估区域草畜平衡状况,对于区域草地保护和经济发展有着重要作用。本文在GPU平台上结合多源遥感数据,构建了一种草畜平衡快速评估方法,对海北州祁连试验区和海晏试验区2017-2019年6-9月的月度草畜平衡进行了动态分析。分析结果表明：在牧草产量空间分布上,两试验区的分布范围随着时间的推移均呈现逐步减少的趋势;通过对月度单位面积产草量分析发现,两试验区单位面积产草量均在8月达到峰值,在9月开始下降;针对草畜平衡的分析,在2017-2019年间,祁连试验区每月均处于极度超载的情况,仅在每年8月份超载情况有所缓解;相比于祁连试验区,海晏试验区除在每年6月有少量超载情况外,7、8月基本能达到草畜平衡状态,在9月会出现载畜不足的现象。而对于草畜平衡快速估测效率而言,相比于随机森林和CatBoost-CPU模型,基于CatBoost-GPU模型可以更加快速的估测大区域范围内的产草量。本研究可为当地有关部门及时调整放牧和补饲策略提供技术支撑。     

乘积季节模型在商品房市场中的应用研究

主要采用时间序列乘积季节模型(随机季节模型与ARIMA模型的结合式)及多元统计方法,对商品房市场的发展规律进行了研究.通过对合肥市2001年至2005年60个月份的月度商品房销售面积进行实证分析,建立了一个商品房市场销售规律的统计预测模型ARIMA(0,1,1)×(0,1,1)12,并对该模型进行适应性检验,得到较好的结果.最后,利用该模型对该市的房地产发展趋势进行了预测.     

A quantum scattering interferometer

The collision of two ultracold atoms results in a quantum mechanical superposition of the two possible outcomes: each atom continues without scattering, and each atom scatters as an outgoing spherical wave with an s-wave phase shift. The magnitude of the s-wave phase shift depends very sensitively on the interaction between the atoms. Quantum scattering and the underlying phase shifts are vitally important in many areas of contemporary atomic physics, including Bose-Einstein condensates, degenerate Fermi gases, frequency shifts in atomic clocks and magnetically tuned Feshbach resonances. Precise experimental measurements of quantum scattering phase shifts have not been possible because the number of scattered atoms depends on the s-wave phase shifts as well as the atomic density, which cannot be measured precisely. Here we demonstrate a scattering experiment in which the quantum scattering phase shifts of individual atoms are detected using a novel atom interferometer. By performing an atomic clock measurement using only the scattered part of each atom's wavefunction, we precisely measure the difference of the s-wave phase shifts for the two clock states in a density-independent manner. Our method will enable direct and precise measurements of ultracold atom-atom interactions, and may be used to place stringent limits on the time variations of fundamental constants.     

基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测

降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习LSTM能较好地处理好多要素变量与降水量之间的非线性关系。本文利用扬州市区1960-2019年8种气象基本要素数据,采用传统SARIMA和深度学习LSTM神经网络方法对降水量数据进行预测比对,并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异。结果表明：(1)传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势,且与实际值差距较小。动态模式容易造成误差累积或整体易呈现周期性稳态变化,实时性欠缺。(2)深度学习LSTM 多输入单输出动态预测模式下,完整周期的数据输入可以让神经网络更好地学习数据的变化规律。然而将多个周期数据作为一个输入单位,易造成模型过拟合。LSTM模型(look_back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型,RMSE训练值低0.02。(3)LSTM多输入单输出动态模式(look_back=12)较LSTM多输入多输出静态模式,RMSE测试值低0.33,体现出该模式对扬州市区月降水量预测准确度更高。与此同时,M-LSTM多输入多输出静态模式预测准确度优于LSTM多输入多输出静态模式,RMSE测试值低0.19,反映出M-LSTM多输入多输出静态模式的优点。     

基于信息熵的武汉市近110年气温变化特征研究

利用1906-2015年武汉市逐月平均气温数据,采用Shannon熵、Renyi熵和Tsallis熵等方法分析了不同时间尺度下武汉市气温的变化特征;利用边际熵分析了月时间尺度气温变化特征,季节年代分配熵和年份年代分配熵分析气温年代(10a)的季节和年际变化特征.结果表明:(1)武汉市近110a2月的月均温最稳定,变异性最小;5月的月均温最不稳定,变异性最大.(2)武汉市近110a夏季均温在8个年代稳定性最差,变异性最大;春季均温在3个年代稳定性最差,变异性最大,5个年代稳定性最好,变异性最小.(3)武汉市近110a的年均温变异性呈周期性变化,变化周期为30年,未来10a武汉市年均温将趋于稳定.