基于岭回归分析游离脂肪酸与地理关系

分析2011—2021年健康成年人游离脂肪酸(FFA)含量与地理环境的关系,建立相关的预测回归方程,探索游离脂肪酸空间分布特征。运用SPSS探索地理环境与游离脂肪酸的相关性,将具有相关性的地理因子作为解释变量,建立相应的回归方程模型,选择优质模型将2 317个城市游离脂肪酸预测值插值地图中得到游离脂肪酸空间分布图。结果表明：(1)地理环境对健康成年人游离脂肪酸参考值有影响,FFA值与经度、年平均风速、表土粉粒百分率、表土pH值、表土总可交换量、T-CaCO₃正相关;FFA与海拔、表土砂砾百分率负相关。(2)东部地区游离脂肪酸参考值高于西部地区。(3)健康的中国成年人游离脂肪酸参考值范围是0.19～0.47 mmol/L,将相关的地理指标带入岭回归方程■可得到该地区中年人脂肪酸的参考值,为不同地区中国健康成年人建立了游离脂肪酸参考值范围。     

基于时间序列分解的海面变化预测

对吴淞站1955～2001年月平均潮位序列采用时间序列分解方法进行分析,采用奇异谱分析方法提取长期趋势,采用比率平均法和剩余法分别提取季节因素和循环变化,应用乘法模型拟合试验的效果良好.以1955～1996年数据为基础,建立长期趋势的自回归(AR)模型,对1997～2001年间进行了预测试验,并以该时段实测数据作为验证.试验结果表明月均序列预测值的最大相对误差不超过±10%,年均序列预测值的相对误差最大不超过±4%.这一系列方法的综合运用可适用于较长期的海面变化预测.     

旋转设计的正交化和通用性

二次回归旋转设计是一种很常用的试验设计方法。本文在下面二个方面作了改进。首先,给出平方项的一种变换,在保证旋转性条件下,得到正交性,大大减少了计算和统计分析的复杂性,更便于实际工作者的应用。其次,给出了中心点的最佳重复试验次数的公式,使得预测值的方差基本上保持不变。     

关于一元线性回归简化计算公式的注记

本文用初等变换方法，给出了一元线性回归预测公式ｙ∧＝ａ＋ｂｘ中参数ａ和ｂ的简化计算公式．     

多变量离散灰色模型及其性质

构建了多变量离散灰色模型,并将该模型与传统GM(n,h)模型对比研究,通过系数变换,该模型可以和GM(n,h)模型相互等价,从而架构了离散灰色模型与传统灰色模型的研究桥梁.在此基础上研究了数乘变换对其参数取值的影响,结果表明模型的模拟和预测值只与因变量的数乘变换有关,而与自变量的变换无关,模型的相对误差与所有变量的数乘变换都无关,这些结果对灰色模型系列性研究有重要意义.     

基于变精度粗糙集理论的网格自学习及预测

提出了网格自学习和预测系统体系架构,采用变精度粗糙集和不协调目标信息系统理论揭示有关网格应用属性、网格资源动态状况和网格应用性能之间关系的知识,并采用增量式知识约减算法确定重要属性.利用所发现的知识,可以预测应用的资源需求及其性能.数据实验证明对作业资源需求和运行时间的预测值与实际值的偏差不超过30%.     

复合材料对称层合板的强度预测

基于层合板五层等效约束模型(Equivalent Constraint Model,ECM),建立了基体开裂下的层合板残余强度的分析方法.基体开裂导致层合板内部应力重分配,使得主受力层(0°层)应力或应变条件恶化.认为0°层控制层合板的最终失效破坏:当0°层失效时,整个层合板发生失效破坏.对不同材料体系和铺层结构的复合材料对称层合板的强度进行了预测.计算结果表明:这种强度准则的预测值与实验结果吻合较好.     

基于BP神经网络的集群负载预测器

针对由于作业调入调出引起的负载突变,提出了基于通知机制的反传(BP)网络和动态滑动窗口混合预测方法,设计并实现了基于神经网络的负载预测器.该方法在发生突变时,利用动态滑动窗口均值法预测并重新训练样本,训练结束后使用新的BP模型预测.其通知机制能减少预测器的样本识别时间,模型保存机制提供了无需训练样本的机会.测试结果表明,该预测器具有较好的预测精度,能够将大部分预测值的平均误差控制在5%以内,并快速适应突变事件.     

氯喹酸酯类化合物除草活性定量构效关系研究

利用量子化学程序计算了12个氯喹酸酯化合物的量子化学参数(如:最高占据轨道能级、最低空轨道能级、生成热、偶极矩、活性部位原子静电荷等),并对玉米根抑制活性进行了定量结构-活性相关(QSARs)分析,其中最低空轨道能级、羰基氧原子静电荷参数共同构建的多元高阶模型准确性最高(R=0.905,R2=0.819,F=7.913,S=0.148),与之前的多元一阶模型相比(R=0.887,R2=0.786,F=2.098,S=0.213),准确性有了很大的提高.利用上述模型对化合物活性进行了预测,结果表明该模型能很好地预测化合物除草活性,预测值与实验值误差小.     

基于预测值均方的影响分析方法

本文提出一种刻划数据对线性回归分析影响大小的新度量，这种度量考虑每组数据对全部n个试验点处的预测值的影响，以预测值的均方为标准．它不仅描述了强影响点和高杠杆点、异常点之间的关系，而且揭示出了数据影响大小和样本容量n之间的关系．进而从理论和数值例子两方面说明了这种度量的优越性．