共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
利用数学建模的方法研究高等教育规模的预测问题。运用层次分析法确定学生入学率、教育的投入、接受高等教育的总人数在高等教育规模中的贡献程度,并利用熵值取权法对权重的进行修正,得到较为合理的权重系数。接着,基于统计思想,利用Markov性模型,借助于MATLAB软件,对高等教育规模的变化程度进行分析和预测,得出未来十年的高等教育规模的变化趋势总体上是增长的,但增长程度是渐缓的。最后,利用逻尔斯基模型作为经验公式,并借助于已有数据进行非线性回归,得到高等教育规模与时间的函数关系,并由此模型预测了2017—2026年的高等教育规模值。 相似文献
6.
利用BP神经网络和主成分分析法,结合SPOT-5遥感数据对土地开发整理区土壤有机质含量进行定量反演.试验采集了29个土壤样品并进行野外光谱测量,29个土样分为20个预测集和9个验证集,通过主成分分析对光谱信息进行变量转换,建立土壤有机质的BP神经网络预测模型,预测精度高达0.95.与土地开发整理前相比,土地开发整理后土壤有机质含量明显增加,土壤肥力提高而且分布均匀,土地平整效果显著,该方法对土地开发整理土壤质量验收工作具有重要的理论意义和实用价值. 相似文献
7.
8.
【目的】分析广州市城市更新的模式和效率,为我国城市更新提供建议。【方法】通过采集2010—2020年广州市的社会经济数据,以基础建造投资和财政支出数据为基础,运用数据包络分析法(DEA)对全市城市更新工作在经济、环境和居民生活三个方面进行绩效评价。【结果】广州城市更新除2010、2013年外,其余9年均为DEA有效,表明广州市城市更新大部分年份投入产出均衡。但是2013、2019、2020年处于规模递减状态。【结论】因此广州市政府应当合理控制投入规模,在更新时应加强对居民生活环境的提高。 相似文献
9.
10.
数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络(convolutional neural network,CNN)和降噪自编码(denoisingauto-encoder,DAE)神经网络混合的神经网络评分预测模型(convolutional-denosing autoencoder,CDAE)对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐(convolutional-denosing autoencoder collaborative filtering,CDAECF)模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率. 相似文献