毕业生就业信心指数测算与分析——基于安徽省十所高校的问卷调查

准确分析和预测毕业生就业信心指数对于国家就业政策的制定、高校就业指导工作的开展具有重要意义.本文选取安徽省十所高校应届毕业生为样本,从就业信心、学校教育、外在环境和疫情影响四个方面建立就业信心指数体系并计算相应衡量指标权重,由此计算大学生就业信心指数并进行比较分析.计算结果显示,安徽省应届毕业生的就业信心指数为-1.9...     

基于判别矩阵的潜艇作战态势认知决策建模方法

潜艇作战具备复杂环境中的动态博弈对抗特点,作战人员的态势认知与决策行为对潜艇作战效能有着重要影响。针对潜艇交战级作战实验中的态势认知决策建模难题,在分析态势认知决策过程的基础上提炼表征变量集合,提出基于判别矩阵的潜艇作战态势认知决策建模方法,并以某型潜艇交战级对抗为例研究给定想定条件下的态势认知决策过程,验证了方法的可行性和有效性。建立的模型能够有效刻画作战人员认知决策过程,支持潜艇作战实验中的交战机理和制胜机理研究。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

基于因子聚类分析对安徽省经济高质量发展的综合评价

为研究安徽省经济高质量发展水平,从经济发展、社会协调、创新进步、能源高效、环境保护5个方面构建了安徽省经济高质量发展的评价体系.运用因子分析和聚类分析对安徽省16个城市经济高质量发展进行了综合评价.结果发现,安徽省各个城市间经济创新发展差异程度加大且发展不协调,传统能源型城市的能源利用率普遍不高,而在环境保护方面则出现了地区效应,皖南环境保护发展要优于皖北.根据综合评价的结果,为今后安徽省经济高质量发展提出相关建议.     

基于聚类分析和因子分析对我国31个主要城市空气质量的研究

随着社会经济的发展,空气质量的优劣越来越受到人们的关注.根据可监测的空气质量指标利用聚类分析将我国主要的31个省、直辖市、自治区进行空气质量优劣分类,同时利用因子分析将影响空气质量的指标综合为少数指标,并对因子进行命名,综合得出影响空气质量的主要因素.     

利用试探方程法求mKdV方程组的精确行波解

利用试探方程法化所求耦合mKdV方程组为初等积分形式,再利用多项式完全判别系统讨论被积函数中4阶多项式的根的情况,进而给出显示精确解.由此求得的精确解包括有理函数型解,双曲函数型解(孤子解),三角函数型周期解等.     

河南省农地流转的影响因素分析

基于河南省2005—2020年的人口、经济、社会、农业等方面15个统计数据,运用因子分析和灰色理论进行河南省农地流转影响因素分析.因子分析结果表明,经济发展水平、产业结构、政府支农管理政策等指标层是影响河南农地流转的主要因素,以此公因子指标为研究对象进行农地流转制约程度的灰色关联排序,进一步提出稳定主粮优化经济作物、提高非农人口比例及收入、完善养老及土地流转管理规范等政策建议.     

多元统计分析在河流污染状况综合评价中的应用

以湟水流域为例 ,针对流域内具有代表性的断面 ,运用因子分析方法和聚类分析方法就各断面水质污染程度和污染相似性进行定量化的综合评价 ,并以判别分析方法对相关结果加以校验 ,为河流治污工作的开展提供一定的科学依据 .     

交错级数敛散性的一个新判别准则

交错级数是数学分析重要内容之一,对交错级数敛散性的判别方法目前并不多.关于交错级数的敛散性,给出一个新的判别准则,利用这个准则不仅能够判定一个交错级数的敛散性,而且能够判定交错级数是绝对收敛还是条件收敛.选择实例对给出的判别准则的可行性进行了检验.     

AFSs-RBF神经网络模型在轻亚黏土地震液化判别中应用研究

以自适应模糊系统AFSs为基础,运用径向基高斯函数RBF所建立的AFSs-RBF神经网络模型能够同时容纳模糊系统的推理功能和自适应性,动态调节隐节点数即模糊规则教,具有广泛的适用性.将这种模型应用于轻亚黏土地震液化评价中,选择震中距、上覆有效应力、黏粒含量、标贯击数、地下水位、循环应力比等6个与地震和场地条件有关的影响因子作为网络输入参数,对于轻亚黏土场地的液化势判别具体地建立了模糊神经网络模型AFSs-RBF.以唐山7.8级地震中天津某地区的轻亚黏土液化数据为训练样本,经验证和应用表明,这种AFSs-RBF网络具备更高的自适应性和非线性映射能力.