关于一类可乘函数的均值

研究了一类可乘函数的均值估计,利用解析方法给出了几个较强的渐近公式,所得结果表明该类函数具有较好的渐近分布性质.     

基于偏最小二乘的BP网络模型及其应用

基于BP网络模型具有拟合非线性数据的特性,提出一种基于非线性迭代偏最小二乘算法(NIPALS)的BP网络的构造策略,构造了新的PLS-BP网络模型,使BP网络减少迭代步数,提高学习效率.采用非线性迭代偏最小二乘算法预处理数据,将得到主成分数、自变量和因变量的主成分数的权重以及主成分间的关系矩阵B,以此用来确定BP网络的隐节点数和输入层、输出层的初始权值以及隐节点的关联系数.最后,进行仿真实验,并将它与PLS模型、标准的BP网络模型进行了比较,仿真结果表明,拟合和预测效果较好.     

建立吸附动力学方程的"多化一"方法

建立吸附动力学方程的关键是求出吸附动力学方程(如Elovich方程qt=A B lnt)中的参数A和B.该文提供了一种建立吸附动力学方程的新的"多化一"方法,即用作图软件GRAPHER对不同浓度时的数据进行拟合,求出各浓度时的吸附动力学方程中的参数A1,A2,A3,A4和B1,B2,B3,B4;再分别用这两组数据对浓度作图,求出用浓度表示的A和B,代入所选取的吸附动力学方程中即得最终所要建立的吸附动力学方程.以某放射性废物处置预选场址土壤对锶的吸附动力学方程的建立为例,与常用的最小二乘法比较可见,该方法更简单易行,准确度也较高.     

基于RS与LS-SVR的储层参数预测

该文提出结合粗糙集(RS)和最小二乘支持向量回归(LS-SVR)的方法.该方法利用RS对原始数据进行约简,更好地减少了支持向量的维数;同时采用LS-SVR解决了常规SVM计算速度慢、抗噪能力差的缺点.实例证明该方法应用在复杂地层储层参数预测中具有优越性.     

机构综合的新型同伦算法研究

机构学问题的数学模型常可化为多元非线性方程组,一般求解多元非线性方程组需要初始值,而初始值的选择是相当困难的,同伦方法不需初始值就能求出全部解,为求解决这一问题提供了可行的方法,但需要编写专用的程序.通过构造新型同伦函数并结合Maple高级程序设计语言的通用工具箱,提出了同伦算法的原理与实现方法.运用该算法编写了MAPLE程序对3-RPR平面并联机构综合问题进行了研究,求出了全部解,为实际机构的设计提供了多种选择方案,为同伦方法提供了简便的实现方法.     

层状粘弹性介质参数反演的同伦方法

以介质的动态时域位移响应作为参数反演的依据,利用大范围收敛的同伦方法对层状粘弹性介质的材料参数进行了反分析研究.动态时域位移响应比拟静态和频域位移响应含有更丰富的信息,而且在实际工程中所测得的信息也多为动态时域信号,因此将时间全过程的位移信息用于层状粘弹性介质参数反分析,将使反演的结果更合理,更接近实际.为保证迭代稳定性、削弱观测噪声的影响,同伦参数的修正采用了连续化修正方法.以三维层状粘弹性半空间介质为例进行了数值模拟,结果表明,反演结果不依赖于初始值的选取,反算过程稳定收敛,说明对反演参数连续修正的同伦反演方法对于层状粘弹性介质的动态参数反演是适用、有效的.     

q -对称熵损失函数下Pareto分布参数估计

Pareto分布作为一种收入分布有着很重要的现实意义,其形状参数的大小直接影响收入分布的均衡程度,因此在经济中有着广泛的应用价值.主要研究了q-对称熵损失函数下Pareto分布形状参数的最小风险同变估计和Bayes估计.通过证明得到,在适当的Γ-先验分布下,α的Bayes估计都具有统一的形式[cT＋d]-1.并且,针对c和d的各种不同取值情况,讨论了[cT＋d]-1的可容许性和不可容许性,给出了q-对称熵损失函数下参数的最小最大估计.     

模m二次剩余系之Wilson定理

主要研究了模m二次剩余系之Wilson定理,研究表明,若模m有原根,-1为模m的二次剩余,则模m的二次剩余系全体元素之积modm的同余数为-1;若不然,则模m二次剩余系全体元素之积modm的同余数为1。且模m二次非剩余系全体元素之积与二次剩余系全体元素之积modm的同余数相反。若m无原根,则模m二次剩余系全体元素之积与二次非剩余系全体元素之积modm的同余数相等。     

最小二乘双胞支持向量回归机的研究

 利用最小二乘方法和临近支持向量机(PSVM)算法,并结合双胞支持向量机(TSVR),提出了最小二乘双胞支持向量回归机(LSTSVR).作为对照,TSVR需要求解2个二次规划问题,而LSTSVR仅需求解2个线性方程组.最后利用不同的实例验证了所提算法的可行性和有效性.     

增删数据场合最小二乘估计算法的比较研究

给出了增删数据场合多元线性回归模型参数最小二乘估计的两种算法-递推算法和Givens变换法,二者都利用已有的结果,减少计算量.递推算法给出预测误差的关系式,可直接比较预测误差大小;Givens变换法不能直接导出预测误差的关系式,但更容易算出残差平方和,可通过比较残差平方和大小比较增删数据前后参数估计的好坏.