太阳黑子的多项式趋势-自回归-条件异方差模型

用确定性趋势与残差服从条件异方差模型的自回归模型组合，作为太阳黑子相对数的数学模型，用它拟合1848—2002年太阳黑子相对数数据，取得很好的效果，首先通过逐步回归与逐步自回归，建立太阳黑子数的多项式趋势-自回归校正模型，然后通过PortmanteauQ检验和Lagrenge乘子检验证明残差存在强烈的异方差性，表明仅仅用多项式趋势-自回归校正模型是不够的，再配上一种条件异方差模型，即EGARCH模型控制其残差方差，从而建立多项式趋势 自回归 EGARCH模型，用此模型进行数据拟合回代，分析和预测，表明该模型的拟合，预测效果是好的，所分析的太阳黑子周期是恰当的。     

基于线性回归与神经网络的储层参数预测复合方法

为提高储层参数的预测精度,提出一种利用测井资料,结合多元线性回归和神经网络预测储层参数的新的复合方法,具体分两步:(1)通过多元线性回归分析建立回归值y'的计算模型,将y'作为储层参数的初步预测值;(2)通过RBF神经网络建立y'的残差Δd的预测模型,将预测结果Δd作为y'的非线性误差补偿,最终建立储层参数解释模型,y=y'+Δd。基于该方法,结合测井资料和岩心数据,建立了鄂尔多斯盆地某致密砂岩气田M3井区S_2~2、T_2~2段孔隙度和含水饱和度的测井解释模型,结果显示,新方法建立的模型预测值与S_2~2、T_2~2段实际岩心孔隙度、含水饱和度值的平均相对误差均小于17%,明显优于单独根据多元线性回归分析或RBF神经网络建立的解释模型,预测精度更高。     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

回归模型中变量变换的图示方法及其应用

将增加变量的思想引入到变量变换中，获得了变量值的简便方法．     

Michaelis-Menten模型近似回归方法的改进

对在生命科学中广泛应用的Michaelis-Menten模型，人们通常采用Y=1/Y代换，然后用最小二乘法求出近似回归模型，该近似回归模型对原始数据的测量误差较敏感，严重时会使模型无实用价值，通过对该现象的分析，找出了导致模型失败的原因，给出了一个解决问题的简单实用的方法。     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

线性回归模型自变量选择准则的比较分析

将一些自变量过择准则用一种统一的形式表示,并依此得到这些准则所选出的自变量个数的顺序关系,从这些关系推出所给出的广义K-L差异度准则能选取较少的自变量,同时也指出广义K-L差异度准则具有利用数据本身选择惩罚因子的优点。     

线性自回归加权递推模型

本文论述了线性自回归加权递推模型及其预测方法,并将指数窗加权方法用于自回归递推模型。以广西实际资料具体阐述了线性自回归加权递推模型在大林业中的应用。     

基于概率积分法和ARMA模型的开采沉陷算法

工程地质条件复杂的采空区,采用概率积分法预测地表沉陷量时会出现较大偏差,因而提出概率积分法和ARMA模型相结合的采空区地表沉陷预测模型。模型将采空区地表沉陷分为两部分：受采空区影响的趋势项沉陷和受工程地质条件影响的突变项沉陷,利用平动法分离这两项沉陷量,然后分别采用概率积分法和ARMA模型对趋势项和突变项进行沉陷分析预测,两项之和为采空区最终沉陷预测结果。采用该模型对湖南省冷水江宝大兴矿区采空区地表沉陷预测,预测结果较好地反映出复杂工程地质条件作用下采空区地表沉陷的变化发展趋势,通过对监测值、概率积分法预测值和新模型预测值进行对比,新模型预测精度较高,与监测值相吻合,在相似的复杂条件下具有较高的可行性。     

测量平差函数模型的检验及精化

用假设检验方法检验测量平差模型是否存在系统误差,对存在系统误差的数学模型用半参数模型分离出系统误差,利用三次样条函数拟合系统误差,将系统误差参数化,达到精化平差模型的目的,结果说明半参数模型能有效修正参数模型中的系统误差.     

断层推断的改进BP神经网络方法

断层可破坏煤层的完整性和连续性 ,对采煤工作面的生产具有重要的影响 ,在矿井投产前 ,必须准确地查明采区内的断层情况。文章运用动量法和自适应调整学习率的改进 BP神经网络 ,选取 5个地震特征参数进行了断层推断。结果表明 ,改进 BP神经网络是一种有效的断层推断方法     

改进的BP神经网络煤炭需求预测模型

针对煤炭需求预测模型的预测结果精确度较低的问题,应用通过附加动量法改进的BP神经网络模型,综合考虑工业用煤(电力、冶金、建材、化工等)的趋势、国内生产总值的年增长率,价格指数、煤在能源消费中的比重等因素的影响,可使此模型对煤炭需求的预测特别是近期预测结果达到较高的可信度.     

基于神经网络的伙伴选择协商模型研究

为了更好的在伙伴选择中对供应商进行评判，提出建立基于BP神经网络的伙伴选择智能协商模型。模型经过训练学习，使其拥有商家的思维方式，并对供应商可协商和非可协商因素进行分析，对供应商做出客观评价。供应商通过对可协商因素进行调节，得到双方都比较满意的协商结果。     

基于改进YOLOv3的轻量化神经网络算法研究

对于小样本数据集,YOLOv3神经网络框架在训练时存在特征利用率和特征传递效率低的问题,其网络性能得不到充分利用,为解决这些问题,该研究提出基于改进的YOLOv3轻量化神经网络模型,该网络模型将YOLOv3基础框架中的ResNet残差网络结构改为DenseNet的密集串联结构,并将多尺度输出结构删减到2个.在自制麻将子数据集上的实验表明,改进YOLOv3的神经网络的每秒计算帧数(FPS)对比改进前提升了119.03%,预测目标与实际对象交并比(IoU)在0.5以上的平均检测精确度(mAP-50)提升了2.45%.将改进模型推广至开源数据集Kaggle以及Caltech上,改进模型相比原模型的每秒计算帧数分别提升了124.39%、140.05%,预测目标与实际对象交并比在0.5以上的平均检测精度分别提升了12.5%、5.34%.     

基于神经网络的鹿角盘蛋白水解模型

研究了底物浓度、酶添加量、温度、时间、pH值对鹿角盘酶水解的影响,并利用神经网络建立鹿角盘酶解过程的数学模型。结果表明,所建立的模型能很好地描述鹿角盘酶水解过程,为有限水解提供了基础。     

臭氧降解微囊藻毒素的人工神经网络模型

建立臭氧降解微囊藻毒素MC-LR的人工神经网络模型,研究臭氧投加量、MC-LR初始质量浓度、pH等对降解速率的影响,并以反向传播算法的神经网络模型对多因素条件下的降解效果进行仿真预测。研究结果表明:降解速率不受初始MC-LR质量浓度的影响;臭氧投加量的增加能有效提高MC-LR的降解速率;pH降低能大幅度改善降解效果,尤其在酸性条件下,pH的变化对降解速率的影响程度更大;在具备酸性条件和臭氧量较高时,在短时间内即可达到很高的去除率,否则降解效果不明显;该模型能预测复杂多因素试验条件下的有机物降解效果,为试验及实际降解MC-LR提供理论指导,克服了初等函数模型的局限性。     

基于神经网络方法的集成式驾驶员跟车模型

为了提高驾驶辅助系统的跟车性能,基于神经网络方法建立了一种集成式驾驶员跟车模型.通过真实交通环境下的驾驶员实验获得了稳定跟车状态数据,并利用Kalman滤波器对数据进行了处理和估计.设计了以BP神经网络为核心的集成式模型结构,该模型以前车速度为输入,计算跟车过程中的两个特性参数并输入神经网络以模拟驾驶员控制的自车加速度.利用处理后的数据样本对网络进行了训练,并对该模型进行了仿真验证.仿真结果表明;神经网络模型具有模拟驾驶员跟车行为的能力,模型体现出较为准确的跟踪特性,并对不同的前车工况具有良好的适应性.     

基于改进的BP网络数字字符识别

提出了一种基于改进的BP网络方法来实现数字字符识别.通过对BP网络的神经元的研究与学习,设计了一种结构合理,收敛速率快的BP网络.试验测试结果表明,改进的BP网络方法对印刷体数字的识别率达到了100%,对手写数字的识别率达到了98%以上.     

RBF网络在交通流模型辨识中的应用

利用径向基函数 (RBF)人工神经网络来逼近已知的交通流非线性解析模型 ,讨论了高速公路交通流模型的辨识问题。提出了一种带反馈的 RBF网络模型 ,讨论了其训练算法。算法分两步实现 ,第一步利用一种改进的聚类分析方法确定隐层节点核函数的中心点 ,第二步用最小二乘法确定从隐层到输出层的连接权。最后将训练好的网络模型和给定的解析模型同时进行仿真计算 ,得出了当某路段出现突发性交通事故时交通流密度和平均速度的变化曲线。仿真结果说明 RBF神经网络模型的训练速度快和辨识精度还是令人满意的     

个股走势模式分类的RBF神经网络方法

提出一个基宽度可调的RBF神经网络学习算法 ,并将它应用于个股走势模式的分类问题 .文中对走势模式的特征编码进行了阐述 ,改进了原有的编码方案 .实例计算表明效果良好