甲型H1N1流感的微分流行病模型与分析

从经典的SIR模型入手,在考虑隔离、治愈后的免疫能力、迁移及防控因子等因素后,建立了适合于甲型H1N1流感的微分方程模型,对其平衡态进行了稳定性分析.另外,考虑到"贫"数据信息的特点,在简化模型后,结合国内H1N1流感数据进行模型的求解和预测,结果表明拟合效果非常好.可以看到,起初确诊人数急剧上升,在11月左右达到最大值,随后有减缓趋势,大约在80天后灭亡.     

甲型H1N1流感传染人数的灰色预测模型研究

就我国甲型H1N1流感传染人数的预测运用灰色系统理论建立了GM(1,1)模型和1阶残差修正模型GMε(1,1),并分别作了精度分析研究了GMε(1,1)的变化趋势,提出了临界值和有效域概念.用MATLAB确定了模型参数及模型预测值.     

一类具有脉冲免疫治疗的HIV-1感染模型的动力学分析

该文基于一类HIV-1感染免疫治疗模型，研究了一类具有脉冲免疫治疗的HIV-1感染模型.借助脉冲微分方程理论，研究了脉冲免疫治疗模型解的非负性和一致有界性.利用Floquet乘子理论和微分方程的比较定理，推导出脉冲免疫模型无感染周期解局部和全局渐近稳定以及HIV-1一致持续的阈值条件.通过数值模拟，比较了3种不同治疗方案的治疗效果，验证了脉冲免疫治疗的有效性.数值模拟结果表明，当药物输入量足够大或服药间隔适当短时，从理论上可以有效控制甚至根除病毒.     

利用小波变换对1/f信号进行参数估计

1引言众所周知，l／f过程是一类其平均功率谱具有如下形式：的随机过程，式中，y称为1／f过程的谱参数，现实生活中众多的自然现象如：电器发出的噪声，道琼斯工业平均指数，大海的波涛声等等都是这类过程’“工‘X‘’‘［”．人们构造了各种模型来对1／f过程进行刻划，从最初的ARMA模型［‘倒后来Mandelbrot和VanNess提出的分数布朗运动模型（FBM）［’］．ARMA模型处理起来很复杂，FBM基本上较好地刻划了1／f过程，但对／的某些特殊值所对应的1／f过程却不尽人意．值得一提的是，乙W－Worned于1990年给出刻划1／f过程的小波基模…     

甲型H1N1流感早期传播的数学模型

根据甲型H1N1流感早期在我国的传播规律,给出了一种描述甲型H1N1流感早期在我国传播的数学模型,分析了模型的解及其性质,证明了在严格的防控措施下,发病者最终将会完全消失,但处于潜伏期者最终将会达到一个固定的比例,指出了甲型H1N1流感的防控工作是一项长期而艰巨的任务.     

甲型H1N1流感的死亡率高吗——Bayes计量分析框架下的建模与估算

在全球甲型H1N1流感大流行背景下,本文在充分考虑各国甲流感死亡率可能存在个体混合效应、独立效应、相关效应及空间相关效应基础上,运用Bayes计量分析框架下的模型选择标准确定描述各国甲流感死亡率的最优模型,并基于该模型对不同国家甲流感死亡率进行估算。结果显示:个体独立、空间相关效应模型能很好拟合各国甲流感疫情统计数据,利用该模型估算的全球甲流感平均死亡率为0.577%。     

一类改进的灰色预测型线性规划

根据基于GM（1，1）模型的预测型线性规划思想方法，建立了中心逼近式GM（1，1）模型，从而给出对灰色预测型线性规划的改进。     

基于smoothL1改进的边框回归损失函数

为了进一步提高目标检测任务中的边框回归精度,提出一种基于smoothL1改进的边框回归损失函数.通过自适应地增大smoothL1中非离散点的梯度,缓解了模型反向传播中对离散点和非离散点梯度分布不平衡问题,提高了模型的精度.实验结果表明,在PASCAL VOC2007测试集上,基于改进的smoothL1的目标检测模型Faster R-CNN,平均精度均值(mAP)达到了70.8％,相较smoothL1,模型精度有所提高.     

基于初始值和背景值改进的GM(1, 1)模型优化与应用

针对在现实生活中, 经典GM(1,1)模型预测精度不稳定, 且以往的优化方法大部分具有片面性的缺点, 文章对经典GM(1,1)模型背景值与初始值进行改进, 提出了一种组合优化方法:根据动态寻优原则, 将背景值设为变量, 其参数以及时间响应式由MRE取最小值时确定;同时, 采用差分方程取代以x⁽¹⁾(1)为固定点的静态方程。将初始值和背景值看作变量, 以系统地减少模型误差。结合国内石油年消费量数据, 分别应用经典和改进后的GM(1,1)模型进行计算和误差对比, 验证了改进后的模型精度要显著优于经典模型。     

时间序列模型L_1-估计量的极限分布:平稳自回旧模型

时间序列模型的L_1-估计问题是非常重要的．这些估计量的许多性质都被研究过．然而，仍有一些基本问题有待解决．本文将给出平稳自回归模型L_1-估计量的极限分布．     

中国股票市场风险的实证分析研究

本文从实证角度说明了上证指数和深证成份指数存在着GARCH现象 ,并建立了沪、深两市股指波动率的IGARCH(1,1) M模型与EGARCH(1,1) M模型。将估计的IGARCH(1,1) M模型与EGARCH(1,1) M模型比较得出 ,对上证指数的波动率 ,IGARCH(1,1) M模型与EGARCH(1,1) M模型的模拟效果基本相同 ,而对深证成份指数的波动率 ,IGARCH M模型要略优于EGARCH M模型。同时还对两市的股指收益的波动率进行了预测分析     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

GM(1,1)的改进及其在经济发展预测中的应用

针对传统GM(1,1)在模型参数绝对值较大时参数求解精度较差的问题,采用免疫进化算法对其参数求解方法进行改进,然后将改进后的GM(1,1)应用到四川省的经济发展指标预测,并和采用传统GM(1,1)所得的预测结果进行了对照.结果表明,采用免疫进化算法对GM(1,1)参数求解方法的改进是有效的,改进后的GM(1,1)对四川省的经济发展指标预测结果比传统GM(1,1)的预测结果有明显改进。     

GARCH(1,1)模型及其在汇率条件波动预测中的应用

检验人民币/日元汇率与波动的时间序列特征,证实存在简单单位根过程及条件异方差性。计算表明,其汇率变化率的ARMA及ARMA/GARCH组合模型的建模不成立,GARCH、EGARCH、IGARCH模型的建模效果接近,且GARCH(1,1)拟合效果最好。GARCH(1,1)模型的跨度为一年的样本外条件异方差预测,显示出该年末汇率的震荡,与实际情况一致。GARCH(1,1)是汇率数据建娱的首选模型。     

The modeling mechanism,extension and optimization of grey GM (1, 1) model

The modeling mechanism of GM (1, 1) model is studied by using the thought of matrix analysis in this paper, the extension form GGM (1, 1) model based on the fractional order accumulated generating is put forward and its theoretical significance is analyzed. Furthermore, the influence of multiple transformation, translation transformation for the initial value and generating series on model parameters and predictive value are researched, then the quantitative relation among them is deduced and an optimization model and corresponding algorithm in practical modeling are presented.     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

基于改进灰色GM(1,1)模型的新疆人口总量的分析与预测

利用Lagrange插值理论重构了GM(1,1)预测模型的背景值,以提高改进GM(1,1)模型的预测精度和实效性,进而利用该模型对新疆人口发展态势进行了科学分析与预测.     

火灾损失预测的改进GM(1,1)模型

本文对随机性较强的火灾事故,提出了采用改进GM(1,1)模型来减小预测误差.该模型通过三次改进提高预测精度,首先基于普通GM(1,1)模型,改进模型中初始值提高模型精度;其次基于初值改进后的GM(1,1)模型进行残差修正,再次提高预测准确性;最后对残差修正模型中的初始值进行改进,使最后预测模型更加精确.并且在处理含负值的残差数列时,提出了二次累加的方法进行模型预测.通过普通模型的预测值与改进模型的预测值进行对比,可以发现改进后模型的预测值更加接近实际值.结果表明,三次改进后的GM(1,1)模型精度明显提高,为以后预测研究提供一种理论参考.     

工程中的PGM(1,1)模型应用

采用PGM(1,1)模型替代GM(1,1)模型完成工程数据的拟合应用,通过实例数据较差比较证明PGM(1,1)模型具有更良好的短数据序列模拟性能.