基于支持向量机的炭黑工艺建模

将支持向量用于炭黑工艺建模，并与主成分回归、反向传播人工神经网络以及径向基神经网络建模方法相比较．结果表明，炭黑生产过程具有比较强的非线性，不适合用主成分回归方法建立模型，支持向量机对炭黑吸碘值和吸油值的相对预测误差分别为1．62％和1．31％，所构建的模型的预测准确度明显优于反向传播人工神经网络(2．54％，1．64％)，稍优于径向基神经网络(1．85％，1．38％)。     

符号回归的枚举原型算法及其匹配算法研究

通过建立一个包括大量原 原型库，实现了符号回归的枚举原型算法。该算法使用的原型可分为线性原型和非线笥原型，前蜊与样本数据的匹配可转换为多元线性回归问题，效率高，但其表现力较差。后者表现力强，但非线笥回归技术效率低，且存在收敛哉问题，对可用于原型匹配的各种拟合算法进行了比较研究，确定了为各种原型选择匹配算法的一般方法。     

线性约束回归问题的几个算法

由实际问题建立的多元线性回归模型Y=Xβ+e,有时要求β满足某些线性约束条件,成为约束二次规划问题。利用数学规划方法给出求解线性约束回归问题的几个不同的算法,并给出计算实例以予比较。     

石膏与氯化钾在氨介质中复分解的回归模型

本文对石膏与氯化钾在氨介质中液固复分解反应制取硫酸钾工艺中的氯化钾转化率与诸影响因素进行了正交试验设计，并对试验数据进行了多元线性回归和逐步回归，建立了能较好模拟复分解反应规律的多元线性回归模型，为石膏转化法制取无氯钾肥硫酸钾的生产工艺的优化提供了一种数学模型     

石膏与氯化钾在氨介质中复分解的回归模型

本文对石膏与氯化钾在氨介质中液固复分解反应制取硫酸钾工艺中的氯化钾转化率与诸影响因素进行了正交试验设计，并对实验数据进行了多元线性回归和逐步回归，建立了能较好模拟复分解反应规律的多元线性回归模型，为石膏转化法制取无氯钾肥硫酸钾的生产工艺的最优化提供了一种数学模式。     

机械工业宏观计量经济模型研究

基于时间序列分析的基本理论，采用线性回归和传递函数分析方法，研究了机械工业主要经济指标与宏观主要经济指标之间的相互影响关系．在此基础上，分析比较了机械工业主要经济指标的多元线性回归模型和多输入单输出传递函数模型．结果显示，传递函数模型比线性回归模型精度更高，更具有普遍性．     

紫外-可见光去浊度反演水体叶绿素a含量

城市景观水体的叶绿素a含量可直接反映其水质。紫外-可见光谱方法可快速低廉反演叶绿素a的含量,但城市水体水深较浅、浊度较高,容易对该波段光谱产生干扰。采用实验室培养的螺旋藻水样和浊度水样的混合水样来模拟城市景观水体环境,并使用UV—2600分光光度计获取混合水样的吸光谱数据;对吸光谱数据分别建立一元线性回归模型、偏最小二乘算法(PLS)模型和BP神经网络模型,以寻找降低水体浊度干扰的办法,为水体水质评价提供可靠参考数据。结果显示,BP神经网络预测模型可以同时预测混合水样中叶绿素a的浓度和浊度的浓度值,模型预测值与样本测量值之间的R~2为0. 997 2,并且模型的预测误差在5%以内。去浊度反演水体叶绿素a含量的能力最高;偏最小二乘算法模型测量值与预测值的R2为0. 999 4,模型的预测误差小于4%,但该模型在预测叶绿素a浓度时不能同时预测浊度值,去浊度反演叶绿素a含量的能力次之;一元线性回归模型的去浊度反演叶绿素a含量的能力最差。     

基于参数变化粒子群算法的MAF传感器建模

在用Hammerstein模型描述热膜式空气质量流量(MAF)传感器时,应用多项式回归分析建立其静态非线性环节的模型,应用参数线性变化的粒子群优化(PSO)算法建立其动态线性环节的模型.文章给出PSO算法的适应度函数及算法流程,并说明了参数设置的方法.研究表明,与基本粒子群算法相比,参数线性变化粒子群算法的建模精度及收敛速度有很大提高.应用参数变化粒子群算法进行传感器动态建模是非常有效的.     

含有限缓冲区的多生产线协调生产计划的研究

研究了一类带有限缓冲区的多生产线协调生产计划的模型问题．通过对制造企业生产现场进行的调研，建立了上下游生产线成品关联结构，给出了成本最低的生产计划模型．该模型是非线性的且目标函数的梯度是分段常数，不能采用常规的非线性规划算法进行求解．考虑到该模型只有目标函数是非线性的，而约束是线性的，文中将非线性目标函数通过增加约束化为线性目标函数，从而把一个本来比较难以解决的非线性规划问题转化为线性规划问题，给实际应用带来了便利．仿真实例说明了依据该结构所建模型及算法的有效性．     

导电硅橡胶的线性电阻特性研究

研制了炭黑填充的线性导电硅橡胶，对炭黑填充的导电硅橡胶的电阻随炭黑含量变化及其线性特性进行了详细的研究，确定了最佳的炭黑含量，同时对其导电机理及实验结果作出比较合理的理论模型解释。     

基于机器学习的石油多峰模型研究及应用

油田在实际开发过程中，受新区块投产、开发方案调整和"三采"措施等因素的影响，年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题，开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型，对多峰数据序列进行分段最小二乘拟合，在拟合误差函数中引入控制分段个数的罚分项，采用动态规划算法，自动求得最优分段的多峰预测模型，该模型运用在实际的油田产量数据上，预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法，在实际应用中具有建模简单、自适应性强的优点。     

基于偏最小二乘回归模型的带钢热镀锌质量监控方法

提出了基于偏最小二乘回归模型的带钢热镀锌质量监控方法. 以带钢热镀锌生产中带钢力学性能和锌层质量的质量监控为研究对象,用偏最小二乘方法建立了生产过程参数与质量结果之间的回归模型,对生产过程控制能力进行了分析,并给出了产品质量的预测方法. 用鞍钢股份有限公司带钢热镀锌的实际生产数据进行验证. 结果表明,偏最小二乘法比传统的多元线性回归方法具有更好的预测精度,基于偏最小二乘回归的锌层质量预测模型,其相对预测误差可达到5.93%.     

基于从头算量化参数的BPx网络模型在吡啶类化合物pKa中的应用

用量子化学从头算RHF方法在6-31G水平下对吡啶类分子进行构型全优化,并用优化得到的量化参数作为反向传播人工神经网络的输入向量,并将此模型（人工神经网络）应用到吡啶类化合物pKa值的预测。将预测结果与多元线性回归算法的结果相比较。研究表明,所构造的人工神经网模型在预测吡啶类化合物的pKa值中得到满意的结果．     

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。     

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.     

基于Copula的回归预测

针对回归预测问题,分别引入Copula回归函数和Copula τ分位数来对因变量进行点预测和区间预测,相应的通过均方误差和区间的平均长度作为预测准确性的评价指标,最后通过实证研究并与线性回归预测做比较表明：基于Copula的回归预测方法效果更好.     

基于神经网络的冷连轧机轧制力预报模型

为了提高冷连轧机轧制力预报精度，提出一种解析数学模型结合神经网络校正模型的计算方法，建立冷连轧机轧制力预报模型。采用径向基函数的局部映射和全局线性映射相结合的神经网络校正模型求解带钢变形抗力和轧制变形区的摩擦因数；并采用轧制变形区离散化方法分析轧制变形区内张力、摩擦力及金属变形抗力等在带钢轧制方向上的分布规律，从而建立轧制力在线计算数学模型。现场实测数据离线仿真结果表明，采用此基于神经网络的冷连轧机轧制力预报模型预测轧制力，其预测误差小于8．9％，此模型能用于指导生产实践。     

基于混沌自适应遗传 ν SVR的城市客运量预测

针对城市客运量预测问题本身所存在的小样本、高维数和非线性等特点,将ν-支持向量回归机(ν-support vector regression,ν-SVR)应用于城市客运量预测.为了提高ν-SVR模型的预测精度和泛化性能,利用基于混沌理论和自适应机制的混沌自适应遗传算法(chaosadaptive genetic algorithm,CAGA)优选ν-SVR模型参数,建立了基于CAGA进行参数优选的CAGA-ν-SVR城市客运量预测模型.结合1978～2008年统计数据进行了仿真预测,结果表明该模型的预测性能优于RBF神经网络模型、GA-SVR模型和GA-ν-SVR模型,平均绝对相对误差控制在2.3%以内,可有效应用于城市客运量预测.     

基于粒子群-投影寻踪和遗传-神经网络集成的预测模型

  针对预测对象和预测因子存在复杂的线性和非线性关系的特点,利用自然正交展开方法进行线性降维,以及用粒子群 投影寻踪方法进行非线性降维,将高维的非线性数据投影到低维子空间上,构造了一种遗传 神经网络预测模型。在此基础上,应用该预测模型对影响华南的台风频数进行了预测试验,并将预测结果与统计回归模型的预测结果进行对比分析。结果表明,文中构建的非线性集预测模型,对台风频数有较好的预测效果,5 年预测的平均绝对误差为0.81个, 平均相对误差为13%,预测结果比统计回归模型有明显的改进。该文的结果可为进一步探索研究其他领域的预测建模提供了一种新的参考思路和方法。