小波分析在经济预测中的应用

利用有效的Hsy方法和小波估计，对经济预测模型Y=h(t) z(t) e进行了研究，并用此模型对大连港客流量进行了预测。     

基于TVF-EMD-PSO-GRU的月径流模型与应用研究

准确的径流预测在水资源规划和管理中发挥着重要作用．然而，受气候变化和人类活动等因素的影响，径流形成过程十分复杂，具有高度的非线性和非平稳性，更增加了径流预报的难度．为提高月径流预测精度，提出了基于时变滤波器的经验模态分解(TVF-EMD)和结合粒子群优化算法(PSO)的门限循环单元(GRU)的混合模型(TEPG)．首先利用TVF-EMD将原始月径流序列分解为若干个固有模态函数(IMF)，然后再利用PSO-GRU模型分别对每一个IMF进行预测，最后将每个IMF的预测结果相加得到原始月径流序列最终的预测结果．以黄河干流4个代表性水文站(包括唐乃亥站、头道拐站、花园口站、利津站)为研究对象，应用该模型对这4个测站的月径流进行单步预测研究，并与PSO-GRU(PG)模型、基于互补经验模态分解(CEEMD)的PSO-GRU(CPG)模型和基于经验模态分解(EMD)的PSO-GRU模型(EPG)进行对比分析．选用纳什效率系数NSE、相关系数R、均方根误差RMSE、预报合格率QR及预报精度等级等评价指标对模型预测精度进行评价．结果表明，与PG模型、CPG模型、EPG模型相比，TEPG模型具有更高的预...     

黎曼近似解模型在太湖藻类浓度场求解中的应用

利用太湖常规监测点的监测资料，在黎曼近似解模型的基础上建立了太湖二维藻类生长模型，该模型采用有限体积法及黎曼近似解对二维水流水质方程组逐时段、逐单元进行求解，将每个时段各个单元ρ(TN)及ρ(TP)的模拟值传递到藻类的生长项，从而模拟出藻类的生长过程，率定验证结果表明，该模型能较好地模拟藻类的生长过程，并能对太湖水体富营养化进行预测。     

基于MRF模型的多层前馈网络纹理分割方法

提出一种基于马尔柯夫随机场 (MRF) 模型和多层前馈神经网络进行纹理分割的方法.利用二阶高斯MRF模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作为纹理的特征向量，并且利用改进的BP算法对特征进行分类.对纹理图像进行的实验表明，与常规距离方法相比，采用这种方法进行纹理分割能取得更好的效果.     

恢复力曲线模型及其对控震效果的影响研究

根据抗震结构理论,利用MATLAB语言对克拉夫(Clough)模型、武田(Otani)模型进行程序化,并提出对其拐点进行处理的方法,然后利用自编程序对被动调谐质量阻尼器(PTMD)及消能减震相结合的广义混合控制体系进行弹塑性时程分析,以研究恢复力曲线模型及其参数对控震效果的影响.     

图像压缩的小波系数模型

通过对3种经典的小波系数模型(EZW模型，SPIHT模型，EBCOT模型)进行仿真实验，表明SPIHT的压缩性能优于EZW(平均高0．6dB)，而EBCOT的压缩性能又优于SPIHT(平均高0．5dB)，再通过对3种模型的分析，明确了3种模型性能差异的根源在于对于带内小波系数的相关性和子带间小波系数的相似性的不同利用。最后，综合上述3种模型的优点，充分利用于带内小波系数的相关性和子带间小波系数的相似性，提出了一种新型小波系数模型。实验表明该模型在压缩比方面优于上述3种模型。     

基于CEEMDAN-BO-BiGRU的矿井涌水量预测研究

为提高矿井涌水量预测的准确度，基于涌水量数据的不稳定性及随机性，提出一种自适应噪声完备集合经验模态分解(CEEMDAN)、贝叶斯优化(BO)与双向门控循环单元(BiGRU)相结合的矿井涌水量预测模型(CEEMDAN-BO-BiGRU)。该模型通过CEEMDAN将涌水量数据分解为多个较平稳的固有模态分量(IMF)和残差分量(Res)，过滤数据噪声，提取数据不同时间尺度波动特征，降低预测误差。利用贝叶斯优化对BiGRU模型多个超参数进行迭代寻优，进一步提高模型的预测精度。之后对各分量进行超前1至3步预测预测，最终将各分量预测结果加和得到涌水量多步预测结果。以小庄煤矿矿井涌水量数据进行试验，并将CEEMDAN-BO-BiGRU预测结果与CEEMDAN-BiGRU、BiGRU、BP、SVM进行对比实验，结果表明采用CEEMDAN-BO-BiGRU组合网络模型对矿井涌水量预测结果更准确，该方法对涌水量的短时预测提供了一种新思路。     

灰色马尔科夫模型在我国病毒性肝炎发病率预测中的应用研究

为科学、准确的预测我国病毒性肝炎的发病趋势，利用灰色马尔科夫模型对我国2000-2016年病毒性肝炎发病率进行拟合，对2017-2019年发病率数据进行预测，并与灰色GM(1,1)预测模型比较以检验模型拟合与预测效果.结果表明，2000-2016年我国病毒性肝炎发病率的灰色马尔科夫模型拟合的平均相对误差为3.06%,灰色GM(1,1)模型拟合的平均相对误差为11.96%;2017-2019年灰色马尔科夫模型预测的平均相对误差为2.05%,灰色GM(1,1)模型预测的平均相对误差为13.47%.灰色马尔科夫模型比灰色预测模型的预测结果更准确，模型精度更优，是我国病毒性肝炎发病率预测效果较为科学、准确的预测模型.     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.     

完全信息利用的GM(1,1)建模方法

通过对GM(1，1)模型的协调性分析，证明GM(1，1)模型的还原数据模型与原始序列的第一点无关，并在此基础上提出了一种可以完全利用全部已知信息的GM(1，1)建模方法，完善了灰色建模理论．实例证明完全信息利用的GM(1，1)建模方法能够获得较好的预测效果。     

用遗传神经网络模型预测公司财务困境

利用遗传算法的全局寻优能力。构造了一个预测财务困境的遗传神经网络模型(GANN)，该模型对预测财务困境的神经网络模型的输入变量进行了优化．通过对沪深A股市场部分上市公司财务困境的预测表明，该模型比ANN模型具有更好的预测财务困境的能力。     

城市交通网格集群的Bi-LSTM的流量预测

为提升交通流预测精度，深层次地挖掘交通流数据的时空特征，提出一种基于双向长短时记忆网络(Bi-LSTM)的城市交通网格集群流量预测模型。将所获得的网约车轨迹数据集网格化；考虑人为确定集群个数对结果的影响，用贝叶斯信息准则进行参数估计确定集群数，利用高斯混合模型对交通状况相似的网格进行聚类得到不同交通网格集群；利用集群内部交通网格的输入时间序列的相互影响设计多对多模型，构建Bi-LSTM模型预测不相交集群上的流量；以经典多元线性回归模型(MLRA)作为对照组进行实验验证，采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和动态时间规整(DTW)这四类评价指标对预测结果进行综合评价，验证基于Bi-LSTM模型的城市交通网格集群流量预测的可行性。实验结果表明：MLRA模型和Bi-LSTM模型对城市交通网格集群流量的预测值小于真实值，早高峰时段尤为明显；各交通网格集群的交通状态态势相似，集群的簇内相关性较强，两类模型均可实现较好的流量预测效果，Bi-LSTM表现更优； MLRA和Bi-LSTM预测模型的精度MAE、RMSE、MAPE分别为3.2011、4.4009、0.3187，3.0687、4.2943、0.3045，Bi-LSTM与MLRA相比，模型精度分别提高了4.14%、2.40%、4.46%，说明所构建的Bi-LSTM交通流网格集群流量预测精度高、误差低，要优于MLRA模型，表现出较好的泛化性能； MLRA和Bi-LSTM的DTW结果分别为52938.6356、54815.1055，构建的Bi-LSTM模型较MLRA模型各自工作日和节假日时间序列相似性DTW结果提高3.42%，表现出更好的鲁棒性。利用城市交通流量的特点和交通轨迹数据网格化的优点，基于Bi-LSTM模型的城市交通网格集群流量预测与MLRA交通流量预测模型相比，具有精度高、误差低的特点。同时，DTW指标方面，基于Bi-LSTM对城市交通网格集群流量模型与真实流量变化趋势一致，表现出较好的鲁棒性。     

拟合洛伦兹曲线分析收入分配制度

利用Matlab和给定的数据对洛伦兹曲线模型进行拟合来确定模型中的参数.通过对已有模型的分析及其中的系数进行扰动处理,建立新的L(p)模型.采用Lingo软件求出所建新模型的均方误(MSE)、平均绝对误差(MAE)以及最大绝对误差(MAS),并且与原模型进行比较,从而证明所建新模型的优点.     

快速多变量自回归模型的意识任务的特征提取与分类

给出了一种有效的多变量自回归(Multivariate Autoregressive，MVAR)模型参数和阶数估计的快速算法，通过QR分解技术减少了多维矩阵求逆的运算量，提高了模型估计的速度．利用该算法对4个实验对象的3种不同意识任务的脑电(EEG)信号进行特征提取，并将得到的特征向量作为径向基函数神经网络的输入进行训练和分类测试．分类结果表明，利用该方法进行EEG信号的特征提取，分类的正确率明显高于单变量自回归模型，而且算法运算速度快，可以用于不同意识任务EEG信号的在线特征提取与分类系统．     

基于深度压缩感知的脑电情感识别

【目的】传统压缩感知中存在观测矩阵对信号适应性和重构算法对字典依赖性的问题，深度压缩感知则利用深度学习的方法解决传统压缩感知中存在的问题。【方法】利用深度信念网络(DBN)能够在不破坏观测矩阵随机性的前提下对信号进行自适应压缩，同时利用栈式自编码器(SAE)可以端到端地训练重构网络来摆脱重构算法对稀疏字典的依赖性，根据信号的稀疏表示中所具有的判别性，提出基于DBN和SAE的压缩感知识别模型(CS-DBN-SAE)。【结果】在DEAP情感脑电数据库上的四分类实验结果表明，CS-DBN-SAE模型的识别率达到83.29%,相比于传统压缩感知识别模型均取得了4.3%以上的提升。     

国际科研实力和水平的评价

利用统计学和科学计量学的指标和方法，建立了《期刊引证报告》(JCR)收录期刊的评价模型和期刊的分类模型，以期刊质量和水平作为评价论文质量和水平的依据，利用期刊的指数作为论文的指数，分国家、分学科对科研实力和水平进行评价和比较。     

ARCH(0,p)模型的参数估计

ARCH模型中的未知参数很多,本文利用Monte Carlo最优法对ARCH(0,p)模型和ARCH(0,1)模型中的未知参数进行估计。     

基于关系模式与深度强化学习的DS数据去噪模型

远程监督(Distant Spervision，DS)数据集中存在大量错误标注的数据，而现有的DS数据集去噪方法通常只考虑针对具有标签的数据进行去噪，没有充分利用无标签数据，导致去噪效果不佳。本文提出一种新型DS数据去噪模型——Pattern Reinforcement Learning Model (PRL模型)：首先利用基于关系模式的正样例抽取算法提取DS数据集中高质量的有标签数据；然后利用Filter-net作为分类器，提取DS数据集中高质量的无标签数据；最后将高质量的有标签数据和无标签数据作为深度强化学习(Reinforcement Learning，RL)方法的训练数据集，获得去噪效果更好的远程监督数据集。将PRL模型应用于New York Times(NYT)数据集，并以去噪后的数据集来训练PCNN+ONE、CNN+ATT、PCNN+ATT 3个模型。实验结果表明，经过PRL模型对数据集进行去噪后，这些模型的性能得以提升。因此，PRL模型是一种轻量的数据去噪模型，可以提升基于深度神经网络模型的性能。     

基于股票各板块内部的单向自适应图神经网络的股价预测模型

传统的股价预测方法通常仅看作时间序列预测问题，不能利用到股票的空间信息，而使用图神经网络(GNN)进行预测，却缺少股票间关系的图数据结构。文章基于同一板块内股票之间具有相似的趋势，龙头股对其他股票具有明显的领涨或领跌的影响，提出一种基于股票各板块内部的单向自适应图神经网络模型(Stock-GNN)对股价进行预测。该模型的单向图学习模块可以自适应地训练出股票间的图数据结构，再利用时序卷积模块和图卷积模块提取时间和空间上的特征。并爬取A股四大板块(银行、白酒、电力设备、生物医药)的真实数据进行实证分析，与现有的股票预测模型AR、GARCH、CNN-GRU、TPA-LSTM、CNN-LSTM-Attention以及不按板块划分的图神经网络(All-SGNN)进行比较。实验结果表明，Stock-GNN预测模型的预测误差更低，相关系数更高。     

太阳附近α-元素的星系化学演化

利用银河系的三成份(即晕、厚盘和薄盘)及多相(气体，分子云，大、小质量恒星以及剩余物质)的化学演化模型，通过观测约束，对α-元素(O，Mg，Si，S和Ca)的化学演化进行了计算，得到这些元素的丰度分布随金属丰度的变化规律；同时将计算曲线与丰度观测结果进行了比较；并对理论结果进行了讨论。