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。     

局部凸拓扑向量空间中的向量变分不等式与集值优化

利用与仿射上导数相关的向量变分不等式的真有效性,对局部凸拓扑向量空间中的集值优化问题的Henig有效性、超有效性、锥超有效性等给出了一些充分、必要条件,从而推广了一些已知的相关结论.     

城市次干道路段机动车污染物排放因子的测定

选择上海市路网某典型次干道上的两点进行机动车污染排放因子测试，获得了城市次干道上机动车排放污染物浓度、交通参数、气象参数等实测数据．根据观测点处不同的气象条件，选用不同的大气扩散模型进行反推，得出机动车排放源强及平均排放因子，并在此基础上应用多元回归方法进行计算，获得了8大类机动车各种排放污染物的单车排放因子。     

异步电机矢量控制系统动态仿真方法

介绍了应用高级语言结合图形化工具仿真动态研究异步电机矢量控制系统的方法.异步电机模型、采用矢量控制策略的变频器模型和通用机械负载模型在Simulink中建立并组合为完整的变频调速系统仿真模型.模型被转化嵌入到C 的主程序而得到可以进行全面、动态、可视化仿真的异步电机变频调速系统软件.测试结果表明该方法得到的仿真模型正确,软件功能多样,使用方便.     

我国中年女性血红蛋白的正常参考值与地理因素关系的研究

为制定中国中年女性血红蛋白正常参考值的统一标准提供科学依据.收集了中国268个单位用氰化高铁血红蛋白(HiCN)法测定的25917例中年女性血红蛋白正常参考值,运用相关分析和回归分析的方法,研究了其与地理因素的关系.结果发现中年女性血红蛋白正常参考值与中国地理因素之间有很显著的相关关系(F=212.88).用逐步回归分析的方法推导出了一个回归方程.根据中国某地的地理因素,用回归方程可以估算这个地区的血红蛋白正常参考值.依据血红蛋白正常参考值与地理因素的依赖关系把中国分为青藏区、西南区、西北区、东南区、华北区、东北区等六个区.     

光的偏振与光矢量的相位及其方向的关系研究

研究光在介质中传播时,相位和偏振方向的关系及相位对光矢量指向的影响,表明相位与偏振方向无关,相位的变化对光矢量指向的影响能用相关公式进行处理.     

基于半波编码的语音码本的设计

语音编码技术是语音信号处理中的关键技术之一，语音编码包括波形编码和参数编码以及混合编码3种方法．在对语音实验分析的基础上，提出一种语音波形编码的新方法——半波编码．较详细地阐述了浊音初始码本和码本的制作方法，并类推出清音和无声码本的制作．经实验证明，这是一种有效的语音码本的设计方法．     

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.