基于空间相关的逻辑回归模型的城市扩展模拟

建立一种基于空间的逻辑回归模型用于分析和预测城市扩展,这种模型利用空间滤波对因子进行空间平滑得出"隐含变量",从而把原始变量变换为没有空间相关的新变量.利用该模型对新堡市的土地利用变化进行了分析和预测.实验结果表明,新方法比普通逻辑回归模型的预测精度有较大提高,曲线下面积从0.74提高到0.84.     

多气体传感器信号样条回归分析

回归分析研究某一变量和其他有关变量的依赖关系 ,它利用观测数据建立变量之间的回归模型 ,并做出预报和控制 .目前 ,回归分析已广泛应用于工程、经济、金融、生物和医学等领域 .将样条回归分析方法用于电子鼻系统中多气体传感器信号的信息处理 ,针对牛肉样本建立了牛肉新鲜度样条回归模型 ,并对该模型进行了回归分析 ,给出了牛肉新鲜度预报值和估计区间 .研究结果表明 ,样条回归分析适用于电子鼻系统在牛肉新鲜度检测中的信息处理     

基于预测变量图结构的高维逻辑回归模型

针对高维数据集,提出一种利用预测变量之间的图结构信息来改进稀疏逻辑回归模型的方法。该方法通过利用高维图结构数据或者重叠组结构来进行逻辑回归建模,即使预测变量的图结构未知,该方法仍适用,当图结构为某些特殊形式时,目前流行的方法,如Adaptive Lasso,(Overlapping) Group Lasso和岭回归都可以看作是该模型方法的特例。数值模拟和实例分析应用表明:该方法能有效地利用预测变量图结构信息,提高模型在估计、预测以及变量选择等方面的表现,并且该模型在有限样本情形下是有效的;该模型方法克服了数据集的维数问题,利用高维数据的图结构提高了稀疏逻辑回归模型的性能,可广泛应用于高通量基因数据集的疾病分类研究中。     

基于梯度提升决策树的高速公路交织区汇入模型

为研究高速公路匝道车辆在交织区的汇入行为,基于梯度提升决策树(GBDT)建立了车辆汇入模型,引入超车时间T、拒绝间隙数N以及最大拒绝间隙G_(LR)来分析匝道车辆拒绝相邻间隙并超越主线前车的行为,并利用美国NGSIM项目中的车辆轨迹数据对模型进行训练和测试.结果表明:GBDT的预测精度较分类回归树和二元Logit模型分别提高5.3%和13.3%;引入变量T,N,G_(LR)使GBDT、分类回归树和二元Logit模型的预测精度分别提高6.0%,6.7%和5.3%;GBDT模型中超车时间T在所有变量中重要性值最高.GBDT模型能够准确地预测汇入行为,获得变量与汇入行为间隐藏的非线性关系;引入变量T,N,G_(LR)能够有效提高汇入模型的预测精度.     

空间异质模型在城市扩展模拟中的应用与评估

以南京江宁区为例，基于遥感影像及其他数据，利用空间扩展模型和地理加权逻辑回归模型对研究区1999-2010年间的城镇用地扩展的影响因素进行有效检验与分析，探索其空间异质性特征.结果表明：1) 空间扩展模型与地理加权逻辑模型分别可解释研究区历史时期57%和64%的城镇用地转变，二者的解释能力在logistic模型基础上 (51%) 得到显著提升，有力地辩驳了全局回归模型的系数稳定性假设；2) 较之于空间扩展模型，地理加权逻辑回归模型更能有效刻画城市增长影响因素的空间非平稳性特征，更能够适用于研究区的城镇用地扩展模拟研究；3) 邻近变量中的DIS2INDU，DIS2ORD及DIS2CENT，邻域变量中的DENURBAN以及政策变量中的DENLANDP是研究区城镇用地扩展的关键驱动因素.     

劳动力投入对中国建筑业影响的实证分析

本文是以基础的计量经济学分析工具，通过建立多元线性回归模型，对影响中国建筑业的因素作了初步的讨论。经过对相关变量的筛选，得出了影响建筑业的两个重要因素，在此基础上得出一个二元回归模型，并就模型进行分析，实证分析了一些基本结论。     

基于自适应LASSO的逻辑回归砂土液化判别模型

逻辑回归模型在国际上常用于地震液化判别,但该方法难以处理过多影响因素引发的共线性问题,进而严重影响模型的预测精度.能同时进行变量筛选和参数估计的自适应LASSO在处理共线性问题上有着独特的优势.因此,本研究以国内外533组历史液化案例为样本,在综合考虑地震液化多影响因素的基础上,引入自适应LASSO估计法,对逻辑回归液化判别模型进行优化,建立了基于自适应LASSO的逻辑回归砂土液化判别模型,该模型还包括了新的液化影响因素——土壤分类指数I_c,最后对重要液化影响因素进行敏感性分析.结果表明：针对因素过多的液化判别问题时,自适应LASSO逻辑回归模型可有效地选择重要因素进行建模;相比其它逻辑模型模型和简化方法,自适应LASSO逻辑回归模型精度更高,泛化能力更强;引入了新变量土壤分类指数I_c后,模型性能进一步提升,验证了建立逻辑回归液化判别模型时考虑I_c的重要性;敏感性分析发现重要影响因素的排序为：修正尖端阻值、峰值加速度、土壤分类指数、水位、细粒含量、侧壁摩阻值.     

用主成分回归分析解决回归模型中复共线性问题

主成分回归分析是将回归模型中有严重复共线性的变量进行因子提取,得到正交的因子变量,然后对因子变量进行回归模型的建立.通过具体实例介绍复共线性的判别方法以及如何利用主成分回归分析方法建立较理想的回归模型,从而解决了由于复共线性而造成病态回归方程的问题.     

NVE36船板钢连续冷却转变行为及动力学回归模型

采用热膨胀仪对船板钢NVE36进行了连续冷却转变曲线(CCT曲线)的测定,并用显微镜观察其室温组织,用维氏硬度仪测定了组织硬度. 利用Matlab软件平台对实验数据进行处理,建立了相变点温度-冷却速率关系模型及动力学回归模型,回归计算得到该钢种的最优模型系数. 最后对比了NVE36钢在连续冷却过程中实验和回归模拟的动力学行为. 结果表明计算值与实验值吻合很好,证明所建立模型的合理性及数据处理方法的可行性.     

基于二元选择分位数回归的上市公司信用评估

二元选择分位数回归是二元选择均值回归在分位数框架下的推广,能够更好地揭示解释变量对响应变量在不同分位点处的异质影响,从而可以更加准确地描述与预测二元选择行为。文章基于二元选择分位数回归建立了上市公司信用评估方法,通过数值模拟和实证研究,对二元选择分位数回归与二元选择均值回归的信用评估能力进行了比较。研究结果表明,无论样本内还是样本外,二元选择分位数回归均能够更加准确地评估上市公司的信用状况。     

工业化对城乡收入差距影响数学模型研究

由于二元经济的存在,经济发展导致城乡收入差距不断扩大,城市化和工业化都是影响收入差距的最主要因素。本文利用安徽省1995-2014年的省级数据,在建立向量自回归模型的基础上,利用广义脉冲响应分析和方差分解,分析了城市化、工业化和城乡收入差距各变量之间的关系,并在此基础上提出了解决城乡收入差距的政策建议。     

利用二元回归法建立砂岩孔隙度解释模型

目的通过研究,建立合理的孔隙度解释模型。方法分别应用岩心刻度测井法中的一元回归法,数理统计相关型法中的二元回归法建立孔隙度解释模型。结果一元回归法所建立的孔隙度解释模型相关性仅为0.154 6,利用二元回归法建立的孔隙度解释模型相关性可达O.919 9,其检验的显著性强。结论二元回归模型适合本区孔隙度的解释,此种方法也适用于绝大多数砂岩油藏。     

上市公司财务预警的T逻辑回归模型

针对经典的逻辑回归模型易受到样本类别噪声干扰的问题,采用T逻辑回归算法中的非凸损失函数以弥补这一不足。对T逻辑回归模型及求解算法进行了分析,建立T逻辑回归财务预警模型,并结合沪深上市公司财务数据开展实证分析,结果表明T逻辑回归模型具有较好的分类效果和鲁棒性。     

逐步回归与判别分析的应用研究--在乳腺疾病建模中的应用

体内激素紊乱是导致乳腺疾病发生的重要原因,将逐步回归法与Fisher判别法结合应用于乳腺疾病建模中,对乳腺疾病与6种内分泌激素及患者年龄的关系进行了多元线性判定分析,建立了变量与相关疾病的逻辑回归模型与判别模型,该模型通过实际应用,判别效果较好,有助于乳腺疾病的诊断。     

冲击凿岩的瞬态动力学及效率分析

在分析冲击凿岩时岩石破碎过程的基础上,应用波动力学钻探理论对由活塞、钎具、岩石组成的凿岩钻机冲击钻探系统进行瞬态动力学分析,基于一元、二元冲击子系统力学模型建立凿岩系统特征方程,引入无量纲钻头质量比、无量纲活塞长度比等抽象变量,推导出系统的能量传递效率表达式,详细分析应力波在钻杆中的传递效率,得到在不同设计参数时的最大凿岩效率.     

基于神经网络的中央空调粒子群优化算法研究

根据中央空调各个设备的历史状态和耗电量等数据,建立基于神经网络的数学模型,并用粒子群优化算法对模型进行求解,得到模型输出变量数值的平均误差为1.65,还得到优化设备转速和设备状态两种情况的系统效率分别提高5.56%和10.87%。研究结果对中央空调系统节能具有实际的指导意义。     

基于改进径向基函数神经网络的交通出行选择策略分析

利用逻辑回归方法分析影响交通出行选择的各种因素;建立基于径向基函数神经网络的交通出行选择预测模型,同时建立基于线性回归-径向基函数神经网络模型和基于逻辑回归-径向基函数神经网络模型预测人们出行方式选择高铁还是火车.结果表明,与单一径向基函数神经网络算法相比,回归-径向基函数神经网络组合算法预测准确率更高,而逻辑回归-径...     

基于因子-主成分回归分析的股价技术分析研究

介绍了回归分析中多元线性回归的理论及应用方法,并以股价技术指标为研究对象,利用spss统计分析软件,建立了短期股价变动的多元线性回归模型。同时讨论了被选为自变量的参数之间存在的多重共线性问题,并分析该问题对线性回归分析结果造成的影响。因子-主成分分析的核心是用较少的相互独立的因子反映原有变量的绝大部分信息。主成分分析的主要思想是:从自变量中提取出新的变量,这些变量是原变量的适当线性组合,并且互不相关,因此应用SPSS软件进行数据缩减、提取主成分,并以主成分因子为新的自变量建立主成分回归方程,消除了多重共线性对回归模型的影响。最后对不同模型的测试结果进行了比较、分析,验证了因子-主成分分析在解决实际经济问题中的有效性。     

基于变量选择的异方差White检验

在多元线性回归模型的异方差检验中，当解释变量较多且两两之间相关系数较低时，会导致传统White检验构造的辅助回归函数参数增多、计算量增大、检验效果不明显。针对这一问题，基于异方差检验原理，建立残差平方与解释变量之间的回归模型，筛选出系数显著的解释变量，利用残差平方与筛选出的解释变量构建辅助回归模型进行异方差检验。数值模拟及实证分析表明该方法有良好的检验效果及简单的步骤。     

基于Alpha稳定分布的二元响应变量回归模型

Logit模型是常用的针对二元响应变量的回归模型,当0-1响应变量不平衡时,Logit模型将会带来连接函数设定错误。为了更灵活地捕捉带偏和厚尾特征,提出了以Alpha稳定分布作为连接函数的二元响应变量回归模型,称之为稳定分布模型。借助期望传播-近似贝叶斯计算(EPABC)方法,克服了Alpha稳定分布由于没有概率密度函数解析表达式所带来的困难,同时也解决了高维运算所导致的低接收率的问题。结果表明该模型对平衡或不平衡二元响应变量数据拟合和预测的效果均明显优于Logit、Probit、Cloglog和GEV模型。