基于熵值法的河北省地级市城镇化质量评价研究

在界定城镇化质量内涵的基础上,从城镇化水平、基本公共服务、基础设施和资源环境四个方面构建了河北省城镇化质量的测评体系.运用熵值法客观确定各指标的权重,实证评价了2010-2015年河北省11个地级市的城镇化质量的发展水平及动态变化趋势.结果表明:河北省11个地级市中除了秦皇岛和承德的城镇化质量略有提升外,其他各市均表现出不同程度下降,聚类分析的结果表明,导致各市城镇化质量差异的原因有所不同;城镇化水平、基本公共服务和基础设施这三个维度对城镇化质量呈现出不同程度的推动作用,而资源环境这一维度则表现出显著的阻碍作用.     

基于熵权法的DEA/AR交叉效率知识化制造模式评价

用模糊DEA/AR交叉效率方法,解决制造模式的评价与排序问题.首先,构建了四种不同的DEA/AR交叉效率模型—任意型、对抗型、友好型和博弈型.然后,应用熵权法确定每一种交叉效率模型的最终交叉效率值,目的是用保证域来避免传统模型的权重偏差,从而实现了决策单元的相对有效评价和精确排序.同时,引入奇异指数的概念来衡量最终交叉效率的合理性及可靠性.最后,通过实例验证本文模型和方法的可行性及有效性:与采用简单DEA效率模型进行评价比较,我们的方法会使得效率更加精准、排序更加合理.     

“21世纪海上丝绸之路”沿线港口地位综合评价

本文基于复杂网络节点重要性分析方法,从海运网络分析的视角对“21世纪海上丝绸之路”沿线港口参与“一带一路”建设的地位进行评价。在收集海上丝绸之路沿线102个港口实际数据的基础上,构建海上丝绸之路海运网络拓扑结构图。通过对网络中港口节点的度中心性、接近中心性、中介中心性、特征向量中心性指标进行计算,结合熵权TOPSIS法综合得到港口地位的排序。结果表明新加坡港、上海港、巴生港在网络中具有很高的地位,且现有的复杂网络节点重要性排序方法存在局限,基于熵权TOPSIS法的综合评价得到的港口排序更符合实际发展需求。最后运用节点删除法对排序结果进一步分析,为中国港口参与“一带一路”建设提供参考与建议。     

树指标马氏链关于泊松分布的一个强极限定理

树指标随机过程已成为近年来发展起来的概率论的研究方向之一.在概率论的发展过程中,对强极限定理的研究一直占重要地位,强极限定理也一直是国际概率论界研究的中心课题之一.本文通过引入滑动相对熵的概念和构造非负鞅,利用Doob鞅收敛定理研究给出了非齐次树指标马氏链关于泊松分布的一个强极限定理.     

基于组合权法的棕地再开发多层次灰色评价

针对棕地再开发具有的复杂性和特殊性,建立了棕地再开发项目评价的指标体系,利用灰色多层次综合评价法对该指标体系进行评价,在评价中利用层次分析法、熵值法来确定指标的权重,并利用方案间的灰色关联系数来构建评价矩阵,提高评价结果的准确性,最后给出一个实例分析。     

一种对称损失函数下一类指数分布族刻度参数的估计

在p,q对称熵损失函数L(θ,δ)=θp/δp+δq/θq-2(p,q0)下,研究了一类指数分布族c(x,n)θ-ve-T(x)/θ的刻度参数θ的Bayes估计与可容许估计,并应用积分变换定理证明了这两个估计具有不变性.     

一类具有时滞的Liénard方程的调和解

利用Mawhin的重合度理论讨论一类具有时滞的Liénard方程x″(t)+f(x(t))x′+g(x(t-τ(t)))=p(t)的调和解,推广和改进了现有的结果.     

基于可信性理论的模糊熵权的MADM模型研究

针对属性值以模糊变量形式给出的特点,运用2004年基础数学领域完成的研究模糊现象数量规律的一个新的数学分支——可信性理论的原理,提出了基于可信性测度的模糊变量的熵的权重求解公式,结合模糊变量之间的距离,构造了属性值与理想点之间距离的加权算术平均算子,并以其算子的计算值的大小获得最优方案和排序的一种模糊熵权的多属性决策模型.结合一实例进行分析和计算,显示该模型较为贴近实际,体现了模型的正确性.     

基于可信性理论的模糊离差MADM模型研究

针对属性值以模糊变量形式给出的特点,运用2004年基础数学领域完成的研究模糊现象数量规律的一个新的数学分支——可信性理论的原理,我们做了以下三点研究:(i)结合模糊变量之间的距离,定义模糊离差,构造了模糊属性值之间离差最大化的算子;(ii)得到了计算属性权重值的模糊规划期望值模型(EVM);(iii)考虑到属性的重要性程度不同,利用信息熵最大化原理,构造了具有平衡能力的权重计算模型,从而得到基于可信性理论的模糊离差多属性决策(FD-MADM)模型.最后结合实例进行分析和计算,显示该模型的可行性和有效性.     

Error analysis of multicategory support vector machine classifiers

The paper is related to the error analysis of Multicategory Support Vector Machine (MSVM) classifiers based on reproducing kernel Hilbert spaces. We choose the polynomial kernel as Mercer kernel and give the error estimate with De La Vallée Poussin means. We also introduce the standard estimation of sample error, and derive the explicit learning rate.