基于知识发现的高校科研决策支持系统

科研管理是高校的重要工作.如何从大量的科研数据中挖掘出支持科研决策的知识成了当务之急.讨论基于知识发现的高校科研决策支持系统.该系统通过对数据进行分类分析、聚类分析和关联分析发现知识,为学校科研决策者提供决策支持.     

电力设备预防性维修策略的优化

提出了设备预防性维修的两阶段优化模型．阶段1确定最少的预防性维修次数．阶段2在第一阶段给出结果的基础上确定各预防性维修的最优周期．模型简化了求解复杂度，克服了长期运行期望周期模型的缺点，具有很强的可操作性，可为维修计划的制订和现场的作业调度提供决策支持．     

城市道路大修工程的设计与施工

从设计阶段、开工准备、路基换填、水泥稳定砂砾的机械化施工、面层施工等方面详细地介绍了阳泉市桃南路大修工程中水泥稳定砂砾基层、5cm粗粒式沥青混凝土 3cm热拌沥青碎石面层道路结构形式的设计及施工过程。     

基于支持向量机的短期GDP预测模型与应用研究

支持向量机是最近几年国际上模式识别研究的热点,具有全局最优和良好的泛化能力.本文在理论分析江门市GDP预测指标体系的前提下,研究了基于SVM的预测方法,并运用实际数据进行建模和预测,获得了比较准确的预测结果.     

基于滚动时间窗的最小二乘支持向量机回归估计方法及仿真

提出了一种基于滚动时间窗的最小二乘支持向量机(LSSVM)回归估计方法．该方法构造了滚动时间窗，利用滚动时间窗内的数据优化建模．模型随着时间窗的滚动进行在线更新，并对滚动时间窗内的数据分配不同的权值以充分利用数据的信息．将基于滚动时间窗的LSSVM回归估计方法应用于软测量建模．进行轻柴油凝固点的预估．结果表明，该建模方法十分有效．     

利用支持向量机预测生物膜蛋白类型

利用统计学习理论中的支持向量机(SVM)，基于氨基酸组分含量预测生物膜蛋白类型。使用文献中2059个训练集和2625个检验集膜蛋白序列数据，运用统计预测中的校准检验，留一法交叉检验和独立数据集检验方法进行分类预测。结果表明，SVM对膜蛋白类型预测具有明显的优越性，该算法对当前已有方法起到重要的补充作用。     

苊二亚胺镍/TiCl4复合负载催化剂催化乙烯聚合的研究

将苊醌和2-胺基联苯反应,并在硅胶柱分离N,N'-二(2-联苯基)苊二亚胺配体(L),在N2下,NiCl2与L反应,得一种新型苊二亚胺镍配合物NiLCl2,并将其与TiCl4复合负载在SiO2/MgCl2的复合载体上.分别研究了二者对乙烯聚合的催化性能,结果发现以烷基铝为助催化剂单一苊二亚胺镍配合物对乙烯的齐聚具有很高的活性,当[Al]/[Ni]达到60时,催化活性趋于最大;而其与TiCl4复合负载体系在通用烷基铝的助催化作用下催化乙烯聚合得到支化聚乙烯,30℃下,TiCl4-NiLCl2(摩尔量比为1:1)/SiO2-MgCl2为复合催化剂时,合成效果最好.此外,还得到温度、助催化剂的种类,[Al]/([Ni] [Al]),[Ni]/[Ti]比例等对聚合反应及产物的结构有较大影响.     

论中小企业的金融支持体系

改革开放以来,我国中小企业发展迅速,广大的中小企业在保持国民经济持续快速健康发展,满足社会需求,优化产业分工,推动技术创新以及创造就业机会等方面,具有举足轻重的地位和作用.因而建立中小企业的金融支持体系具有十分重要的意义.文章试图从中小企业研究出发,通过对中小企业融资现状及其原因分析,探询建立适合中国国情的中小企业金融支持体系.     

An extended Lagrangian support vector machine for classifications

Lagrangian support vector machine (LSVM) cannot solve large problems for nonlinear kernel classifiers. In order to extend the LSVM to solve very large problems, an extended Lagrangian support vector machine (ELSVM) for classifications based on LSVM and SVMlight is presented in this paper. Our idea for the ELSVM is to divide a large quadratic programming problem into a series of subproblems with small size and to solve them via LSVM. Since the LSVM can solve small and medium problems for nonlinear kernel classifiers, the proposed ELSVM can be used to handle large problems very efficiently. Numerical experiments on different types of problems are performed to demonstrate the high efficiency of the ELSVM.