Logistic回归模型的统计诊断

统计诊断的主要任务就是通过诊断统计量检测已知观测数据在用既定模型拟合时的合理性,主要是找出数据当中的异常点或强影响点。本文主要研究Logostic回归模型的诊断统计量和诊断统计图。用牛顿迭代法给出Logistic回归模型的极大似然估计值,根据扰动模型得到传统的诊断统计量,结合残差、杠杆值和系数变化三者构造新的诊断统计量,绘制新的诊断统计图,通过模拟研究说明新的诊断统计量的有效性,最后用一个实际案例说明新的诊断方法的应用并进一步验证其优越性。     

稳健残差控制图的构建及在金融时序中的应用

对于呈现自相关和波动族聚性并存的受控过程,通常采用残差控制图对其进行监控。但异常点的存在会对自相关或波动族聚性模型的拟合产生重要影响,使得基于该模型的残差并非独立同分布导致常规残差控制图监控失效。为解决这类问题,本文提出稳健残差控制图。即建立稳健的ARMA模型解决自相关问题从而得到无自相关的残差序列,用稳健的GARCH模型来构建控制图的上下限。模拟和实证研究表明,本文提出的稳健残差控制图具有很好的抗异常点能力并能更好的对金融时间序列的异常现象进行监控。     

关于广义θ-图的邻点可区别染色的简单证明

在《经济数学》等杂志上已经用穷染法给出了广义θ-图的邻点可区别全染色和邻点可区别边染色,但方法太过繁琐.本文结合P.N.Balister方法从结构上更为简洁的证明广义θ-图的邻点可区别染色的相关猜想.     

5-正则图的全控制数的一个注记

设G是不含孤立点的图,S是G的一个顶点子集,若G的每一个顶点都与S中的某顶点邻接,则称S是G的全控制集.G的最小全控制集所含顶点的个数称为G的全控制数,记为γt(G).Thomasse和Yeo证明了若G是最小度至少为5的n阶连通图,则γt(G)≤17n/44.在5-正则图上改进了Thomasse和Yeo的结论,证明了若G是n阶5-正则图,则,γt(G)≤106n/275.     

二部组合加权网络的同步能力分析

研究了多层二部组合加权网络同步能力,首先根据主稳定函数模型(MSF)得到网络的超拉普拉斯矩阵并在同步域有界和无界两种情况下推导出反映网络同步能力的两个重要指标;其次在所得指标的基础上分析了同步能力与层数、路的节点数、完全二部图节点数、层间耦合强度和层内耦合强度之间的关系,为提高网络同步能力提供了理论依据;最后使用MATLAB软件进行了仿真图像实验,验证了理论结果的有效性.     

给定直径的单圈图的边修正Szeged指标的下界

连通图G的边修正Szeged指标Sz_e^*(G)定义为■,其中m_u(e|G),m_v(e|G),m₀(e|G)分别是G中到u点比到v点距离近的边的数目、到v点比到u点距离近的边的数目、以及到u,v两点距离同样近的边的数目.本文通过变换和计算得到了给定直径的单圈图的边修正Szeged指标的下界,并刻画了达到下界的极值图.     

矩形微通道中气–非牛顿流体两相流实验研究

本文通过实验研究了空气与非牛顿流体在小尺寸矩形微通道中的两相流动特性,给出了在不同气液两相流速下的流型图。同时比较了气液两相流速,液相黏度,表面张力,微通道尺寸对各流型分布区域以及Taylor气泡/液柱长度的影响。发现气液两相流流速变化对流型区域的影响极为明显,而黏性力和表面张力只是在局部范围改变了流型分布。Taylor气泡长度随气液两相流速比增大而增大,随液相黏度及表面张力增大而减小。液柱长度随液相黏度增大而增大,随两相流速比及表面张力增大而减小。最后,我们给出了基于无量纲数JG/JL,Re和Ca的Taylor气泡/液柱长度预测公式,公式预测结果与实验结果基本一致。     

子立方无爪图的单射边色数至多为6

设$G$是一个图. 图$G$的一个单射边染色是指图$G$的一个边染色, 使得距离为$2$的两条边或者在同一个三角形中的两条边染不同的颜色. 图$G$的单射边色数是指图$G$的任意单射边染色所需要的最少颜色数. 关于单射边色数有一个猜想: 任意一个子立方图的单射边色数都不超过$6$. 在本文中, 我们证明了这个猜想对子立方无爪图是成立的, 并且给出图例说明上界$6$是紧的. 同时, 我们的证明隐含了求解这类图不超过$6$种颜色的单射边染色方案的一个线性时间算法.     

具有最小反对称分割指数的化学树

设图$G$,其中边集为$E(G)$,顶点集$V(G)$.反对称分割指数被定义为$ISDD(G)=\sum_{uv \in E(G)}\dfrac{d_ud_v}{d_u^2+d_v^2}$,其中$d_u$, $d_v$分别为顶点$u,v$的度.化学树就是顶点的度不超过4的树.在本文中,我们刻画出具有最小反对称分割指数的$n$阶化学树.     

树和单圈图的斜谱矩

给定图$G$,对图$G$的每条边确定一个方向,称为$G$的定向图$G^\sigma$, $G$称为$G^\sigma$的基础图. $G^\sigma$的斜邻接矩阵$S(G^\sigma)$是反对称矩阵,其特征值是0或纯虚数. $S(G^\sigma)$所有特征值的$k$次幂之和称为$G^\sigma$的$k$阶斜谱矩,其中$k$是非负整数.斜谱矩序列可用于对图进行排序.本文主要研究定向树和定向单圈图的斜谱矩,并对这两类图的斜谱矩序列依照字典序进行排序.首先确定了直径为$d$的树作为基础图的所有定向树中,斜谱矩序最大的$2\lfloor\frac{d}{4}\rfloor$个图; 然后确定以围长为$g$的单圈图作为基础图的所有定向单圈图中, 斜谱矩序最大的$2\lfloor\frac{g}{4}\rfloor+1$个图.