非对称损失下的点预测问题

从统计判决理论角度考虑了非对称Linex损失下的点预测问题。定义了Linex无偏预测量并讨论了与之相关的一些结论。利用十分统计量给出了最优Linex无偏预测量。     

基于岭估计的最优预测与经典预测的最优性判别

针对有偏估计的预测问题 ,以岭估计为基础 ,以离差矩阵MDE(MeanDispersionError)和广义风险函数为判别准则 ,对广义线性回归模型 {y =Xβ +e ,e～N(0 ,σ2 W ) }的最优预测量与经典预测量的最优性判问题进行了讨论。借助矩阵不等式的一些性质 ,获得在离差矩阵判别准则和风险函数判别准则下判断两类预测量最优性的充要条件。为进一步研究基于有偏估计关于两类预测量的最优性判别问题提供了一种方法和思路     

中国粮食多因子灰色关联神经网络预测研究

针对BP神经网络多变量输入难以确定的缺点，提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型，并给出了灰色关联神经网络BP预测模型的建立方法，对我国粮食生产影响因子多因子预测实证研究结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出的主要影响因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

燃烧法合成纳米长余辉发光材料BaAl2O4: Eu, Nd

目的：应用快速简便的方法制备纳米新型长余辉发光材料。方法：首次利用金属硝酸盐和络合还原剂发生氧化还原反应，燃烧合成了蓝绿色纳米级长余辉发光材料BaAl2O4:Eu,Nd，生成的材料进行了XRD和TEM分析，结果：材料粒子直径为30－70nm，平均为40nm左右，与此同时，发光材料的发射峰位置发生了显著的蓝移。结论：燃烧法是制备纳米发光材料的快速有效的方法。     

正态云关联规则在气象中的应用

用数据挖掘方法发现关联规则和进行预测是信息处理领域的两大热点。在文献[1]的基础上对这两个问题进行了进一步的研究，提出了应用竞争聚集臬法确定正态云的两个参数，应用双参数阈值挖掘正态云关联规则，并利用求正态云关联规则的支持率和信任度来进行预测。将这种方法应用于气象数据，结果表明，所提出的关联规则挖掘方法比文献[1]所用的方法更合理，该预测方法简单易懂，更容易被人理解和使用。     

非线性神经网络模型及在粮食生产预测中的应用

本利用非线性神经网络BP模型，对我国粮食生产进行了实证预测研究。结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出与各因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果。可广泛应用于各种预测研究，有较高的应用推广价值。     

今后20年气候变化预测

政策制订者需要短期气候预报来就典型的 2 0年规划远景制订对付气候变化的策略 ,有两项新的研究增加我们对这些气候预报的信心     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

煤与瓦斯突出的构造物理环境及其应用

将构造物理学的理论和方法应用于煤与瓦斯突出预测中,对地质构造控制煤与瓦斯突出机理及分布规律进行了研究,指出煤与瓦斯突出构造物理环境由构造组合特征、构造应力场、构造煤和煤层瓦斯四因素组成,探讨了煤与瓦斯突出构造物理环境各种因素控制突出的机理,提出了煤与瓦斯突出构造物理环境多种因素的综合作用控制地质构造带煤与瓦斯突出,为地质构造突出危险性判定提供了理论依据.工程实践证明,利用煤与瓦斯突出构造物理环境可以对煤与瓦斯突出进行准确地预测.     

基于Elman网络补偿模型的Smith预测控制

研究基于Elman网络补偿模型的Smith预测控制问题.采用互补建模方法对被控对象进行建模,其中机理模型反映被控对象的主要工作规律和运行趋势,但不可避免地存在一定的模型误差;通过Elman网络拟合机理模型的模拟误差,并对其进行补偿.实验结果表明,基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消该环节对控制品质及系统稳定性的不利影响.该方法使得Smith预测控制可以用于模型不易精确确定的系统.