空间自相关地理加权回归模型的估计

地理加权回归作为一类能有效处理回归分析中空间非平稳性现象的建模技术,在多类问题的研究得到了广泛的应用.主要讨论这类空间计量经济学模型在空间自相关情形下的估计问题.首先,对于因变量含有空间滞后项的地理加权回归模型,分别给出了局部似然估计和两步估计两种方法.其次,考虑了误差空间自相关下地理加权回归模型的估计问题.     

从上半平面Hardy空间到增长型空间和Bloch空间上的加权复合算子的有界性

研究了从上半平面的Hardy空间到增长型空间和Bloch空间上的加权复合算子有界性的充要条件,给出了上半平面增长型空间上的加权复合算子有界性的充要条件,利用上半平面增长型空间和圆盘增长型空间之间的同构,获得了圆盘增长型空间上的加权复合算子有界性的充要条件.     

Switching Control of Nonlinear Systems Based on the Quasi-ARX Model and the SVR Algorithm北大核心CSCD

该文基于改进的含有外部输入项的准线性自回归(准ARX)径向基函数(RBF)网络模型和支持向量回归(SVR)算法,提出了一种非线性切换控制方法.改进的准ARX模型非线性部分采用RBF网络.控制系统设计过程分为三个部分:首先,利用聚类方法确定模型的非线性参数;然后,采用线性SVR算法来解决控制系统的鲁棒性问题;接下来,基于控制误差给出切换判定函数,确定切换律给出控制序列.最后通过数值仿真验证了该方法的有效性.     

带有退化效应和序列相关运输时间的排序问题

考虑带有退化效应和序列相关运输时间的单机排序问题. 工件的加工时间是其开工时间的简单线性增加函数. 当机器单个加工工件时, 极小化最大完工时间、(加权)总完工时间和总延迟问题被证明是多项式可解的, EDD序对于极小化最大延迟问题不是最优排序, 另外, 就交货期和退化率一致情形给出了一最优算法. 当机器可分批加工工件时, 分别就极小化最大完工时间和加权总完工时间问题提出了多项式时间最优算法.     

Dirichlet型空间上的紧加权复合算子的谱

该文研究了单位多圆柱情形Dirichlet型空间上的加权复合算子的谱.对一类紧加权复合算子,给出了其谱的完全刻画,推广了已有结果.     

具有线性等式和不等式约束的非线性规划的一个算法

§1.引言既约梯度法是求解非线性规划的一类方法.我们目前只看到约束为线性等式或非线性等式的既约梯度法,对于线性不等式或非线性不等式约束的情形还没有相应的既约梯度法.如果通过松驰变量把线性不等式约束化成线性等式的情形处理,则要增加变量的维数,而这是与既约梯度法的思想背道而驰的.在本文中,我们结合既约梯度法与 Ritter在文献[3]中的思想,对具有线性等式和不等式约束的非线性规划问题给出了一种算法,它保留了既约梯度法降低维数的优点,又简化了 Ritter 在[3]中给出的算法.另外,我们还证明了算法的收敛性.     

分式线性函数的亚纯迭代根

迭代根问题是嵌入流的一个弱问题.关于单调函数的迭代根已有较多结论.但是对非单调函数迭代根的研究却很困难的.分式线性函数是一类实数域上的非单调函数．本文对复平面上分式线性函数的迭代根进行了研究.将分式线性函数的迭代函数方程与一个商空间上的矩阵方程对应,并运用一个求解矩阵根的方法,得到其所有亚纯迭代根的一般公式.并且确定了不同情形下分式线性函数迭代根的准确数目. 作为应用,分别给出了函数$z$和函数$1/z$全部亚纯迭代根.     

Bergman空间上Toeplitz算子的迹理想刻划

本文给出了C~n内单位球的加权Bergman空间上,以测度为符号的Toeplitz算子属于Schatten p-类(0相似文献   

加权耦合型空间上的多线性算子（英文）

本文证明了,如果满足特定点态估计的多线性算子T和它的多线性交换子、迭代交换子分别在乘积加权Lebesgue空间上有界,那么它们也在加权耦合型空间上有界.作为应用,我们说明了多线性Littlewood-Paley函数、具有卷积或非卷积核的多线性Marcinkiewicz积分和它们的线性交换子和迭代交换子均在乘积加权耦合型空间上有界.引入耦合型Campanato空间后,我们得到了多线性分数次积分算子是从耦合型空间到耦合型Campanato空间上有界的.我们的结果对于线性的分数次积分算子也是新的.     

Zygmund型空间上加权复合算子的本性范数 献给余家荣教授100华诞

本文给出Zygmund型空间上的加权复合算子本性范数的一些新估计,从几种不同情形分别得到Zygmund型空间上的加权复合算子本性范数关于特征函数形式的刻画.     

基于门限接受算法的正交最小一乘回归新算法

正交最小一乘方法由于其稳健性而在工程中有广泛的应用,然而求解线性模型正交最小一乘参数估计算法往往过于复杂或者只对样本和变量个数较少的问题适用.把正交最小一乘参数估计问题转化为组合优化问题,再使用门限接受算法求解,通过计算机仿真说明了本文算法的正确性和有效性.     

聚类分析中非0,1编码的遗传算法

K-平均算法属于聚类分析中的动态聚类法,但其聚类效果受初始聚类分类或初始点的影响较大。本文提出一种遗传算法(GA)来进行近代初始分类,以内部聚类准则作为评价指标,实验结果表明,该算法明显好于K-平均算法。     

A mended hybrid learning algorithm for radial basis function neural networks to improve generalization capability

A two-step learning scheme for radial basis function neural networks, which combines the genetic algorithm (GA) with the hybrid learning algorithm (HLA), is proposed in this paper. It is compared with the methods of the GA, the recursive orthogonal least square algorithm (ROLSA) and another two-step learning scheme for RBF neural networks, which combines the K-means clustering with the HLA (K-means + HLA). Our proposed method has the best generalization performance.     

Locating least-distant lines in the plane

In this paper we deal with locating a line in a plane. Given a set of existing facilities, represented by points in the plane, our objective is to find a straight line l minimizing the sum of weighted distances to the existing facilities, or minimizing the maximum weighted distance to the existing facilities, respectively. We show that for all distance measures derived from norms, one of the lines minimizing the sum objective contains at least two of the existing facilities. For the center objective we always get an optimal line which is at maximum distance from at least three of the existing facilities. If all weights are equal, there is an optimal line which is parallel to one facet of the convex hull of the existing facilities.     

k-均值算法的初始化方法综述

k-均值问题自提出以来一直吸引组合优化和计算机科学领域的广泛关注, 是经典的NP-难问题之一. 给定N个d维实向量构成的观测集, 目标是把这N个观测点划分到k(\leq N)个集合中, 使得所有集合中的点到对应的聚类中心距离的平方和最小, 一个集合的聚类中心指的是该集合 中所有观测点的均值. k-均值算法作为解决k-均值问题的启发式算法,在实际应用中因其出色的收敛速度而倍受欢迎. k-均值算法可描述为: 给定问题的初始化分组, 交替进行指派(将观测点分配到离其最近的均值点)和更新(计算新的聚类的均值点)直到收敛到某一解. 该算法通常被认为几乎是线性收敛的. 但缺点也很明显, 无法保证得到的是全局最优解, 并且算法结果好坏过于依赖初始解的选取. 于是学者们纷纷提出不同的初始化方法来提高k-均值算法的质量. 现筛选和罗列了关于选取初始解的k-均值算法的初始化方法供读者参考.     

On the modified Gram-Schmidt algorithm for weighted and constrained linear least squares problems

A framework and an algorithm for using modified Gram-Schmidt for constrained and weighted linear least squares problems is presented. It is shown that a direct implementation of a weighted modified Gram-Schmidt algorithm is unstable for heavily weighted problems. It is shown that, in most cases it is possible to get a stable algorithm by a simple modification free from any extra computational costs. In particular, it is not necessary to perform reorthogonalization.Solving the weighted and constrained linear least squares problem with the presented weighted modified Gram-Schmidt algorithm is seen to be numerically equivalent to an algorithm based on a weighted Householder-likeQR factorization applied to a slightly larger problem. This equivalence is used to explain the instability of the weighted modified Gram-Schmidt algorithm. If orthogonality, with respect to a weighted inner product, of the columns inQ is important then reorthogonalization can be used. One way of performing such reorthogonalization is described.Computational tests are given to show the main features of the algorithm.     

The Global k-Means Clustering Analysis Based on Multi-Granulations Nearness Neighborhood

Multi-Granulations nearness approximation space is a new generalized model of approximation spaces, in which topology neighborhoods are induced by multi probe functions with many category features. In this paper, by combining global k-means clustering algorithms and topology neighborhoods, two k-means clustering algorithms are proposed, in which AFS topology neighborhoods are employed to determine the clustering initial points. The proposed method can be applied to the data sets with numerical, Boolean, linguistic rating scale, sub-preference relations features. The illustrative examples show that the proposed method is effective for clustering problems, and can enrich the applicable field on the idea of qualitatively near.     

基于粗糙集与模糊集理论的图书馆最优购书算法

本文将粗糙集理论与模糊集理论结合起来,给出一种图书馆最优选书算法.该算法首先从已知数据的初始信息系统出发,计算各选书方案之间的相似度,从而构造相似矩阵,然后根据相似矩阵的传递闭包对各方案进行聚类,并根据粗糙集理论求各属性重要性,最后利用加权综合的思想及最小距离方法选择最优买书方案.     

一种基于区间数多指标信息的FCM聚类算法

针对一类具有不确定性区间数多指标信息的聚类分析问题，依据传统的基于数值信息的FCM聚类算法的思路，提出了一种新的聚类分析算法。章首先描述了具有区间数多指标信息的聚类分析问题；其次给出了基于区间数多指标信息的关于最优划分和最优聚类中心确定的两个定理；然后给出了基于区间数多指标信息的FCM聚类算法的计算步骤。该算法的特点是聚类中心的表现形式为精确的数值，给出的两个定理说明了该聚类算法的收敛性。最后，通过给出一个算例说明了本给出的聚类算法。