基于Bayes准则的广义判别预报模式及其应用

根据Ｂａｙｅｓ准则,提出一种时间序列与多元分析相结合的广义判别模式．该模式既保留了时间序列线性模式的优点,同时又吸收了多元分析线性模式的长处．从气象状况演变的物理机制来看,这种综合考虑系统状况的方法比单纯考虑前期状态演变或单纯考虑某一时次的状态更有意义．     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

非阻塞性微颗粒阻尼的散体元模型

非阻塞性微颗粒阻尼（ＮＯＰＤ）是在传统颗粒阻尼和冲击阻尼技术基础上发展起来的一种复合阻尼新技术,具有良好的阻尼特性,因而表现出极佳的减振效果。文中建立了用于非阻塞性微颗粒阻尼分析的散体单元法模型（球体元模型）,利用接触力学理论合理地确定了各接触参数,对非阻塞性颗粒阻尼中的冲击能耗的摩擦能耗进行了计算机仿真研究。计算机仿真结果与实验结果有很好的一致性,为ＮＯＰＤ理论分析提供了一种新方法。     

线性时间序列模型与双线性模型的识别研究

根据线性模型的特点，在推广的高阶矩概念的基础上，将高阶矩应用于系统的结构辨识问题中。介绍了用最小二乘原理估计高阶矩参数以及判定参数置信区间等内容。     

卡尔曼滤波与离散型数值积分相结合的示功图位移计算研究

为解决利用加速度传感器计算油井示功图的难题,提出一种卡尔曼滤波算法与离散型数值积分算法相结合用于油井示功图的位移计算和析出位移周期。卡尔曼滤波算法既过滤了加速度信号的噪声干扰,又保持了加速度信号的原始形状特征。位移周期的准确析出保证了位移计算原始数据的正确性。离散型数值积分算法可使位移测量的相对误差小于1％,满足了示功图精度的要求,适用于不同冲次的井型。     

具有相依利息率的离散时间保险风险模型的一个联合分布

研究了在利率具有一阶自回归结构的情况下的离散时间保险风险模型,得到了破产前最大盈余的分布以及破产前盈余,破产后赤字与破产前最大盈余的联合分布的递推公式及其积分方程.     

Smarandache kn数列与除数和函数的混合均值

对任意整数1≤k≤9,如果数列{a(k,n)}中的每一个数都可以分成两部分,使得第二部分是第一部分的k倍,则该数列称作Smarandache kn数字数列.利用初等及组合方法研究Smaran-dache kn数字数列及除数和函数的混合均值性质,并给出一个有趣的渐近公式.     

一条强大数律的注记

本文主要结果为鞅差序列{X_i,J_i,i≥1}服从强大数律的充分条件为(1) sum from i=1 to ∞(E[|X_i|~p/a~p_i+|X_i|~p|J_(i-1)]<∞,0相似文献   

泰勒级数与随机泰勒级数的增长性

研究了泰勒级数与随机泰勒级数的增长性与正规增长性,并得出了它们与系数之间的关系。     

基于离散搜索神经网络的数字调制类型识别

采用组合神经网络的离散搜索算法对通信信号的调制类型进行分类 ,在保证足够识别率的前提下 ,减少训练时间方面取得了较好效果 .仿真实验结果证明了此方法的有效性 .