基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

基于Vague集的理想解和灰色关联结合的决策方法及应用

针对当前应用Vague集在解决多指标决策问题时存有的不足,提出一种基于Vague集的理想解与灰色关联结合的新决策方法.决策方法充分利用了Vague集强大的模糊信息表达能力,并将理想解法与灰色关联法进行有机结合,实现从位置和曲线形状两方面来更全面地反映备选方案与理想解的关系.最后,通过一个并购中目标企业选择的示例说明方法的应用过程,并验证了方法的可行性和实用性.     

有界灰矩阵的非奇异性与秩

本文重新论述有界灰方阵的非奇异性判别问题,提出“条件非奇异”与“最大非奇异子元值域”的新概念,指出现有结果的局限性,给出了一些实用判据,并对灰逆阵的存在性条件与定义域作了研究.此外,本文又提出有界灰矩阵的“灰秩”的新概念与算法,建立了有界灰矩阵恒满秩、恒不满秩、条件满秩的判据。     

可重构制造系统重组过程中设备选择模型的研究

根据生产任务选择加工设备进行制造资源重组是实现可重构制造系统的关键问题之一，由于设备的选择涉及到多种因素，既有定量指标，又有定性指标，传统的依靠人工经验的方法显得力不从心。本文首先结合实际情况，提出了一套设备选择评价体系，通过对模糊判断矩阵采用最小对数二乘法确定各评价因素的权重系数，针对定性指标和定量指标采用不同的方法确定其性能指标值，通过模糊积分对评判指标进行综合评判，最后进行了实例研究。所提出的方法有效地简化了决策过程，为可重构制造系统设备选择提供了一套行之有效的方法。     

基于自适应预测滤波理论的模数转换器设计方法

基于自适应差分量化理论，提出了在不增加转换位数的情况下提高模数转换器(ADC)动态范围的一种设计方法。该方法通过量化输入与预测的差值来获得预测增益，从而扩大ADC的动态范围；通过差分量化值与预测值相加得到输出信号，并将该分别采用LMS和RLS算法进行处理．得到输入信号的预测值．计算机模拟结果证实，上述两种算法均能使模数转换器的动态范围提高约25dB．比较而言，RLS算法收敛速度更快，收敛性更好，但计算量较大．     

非等间距序列建模过程中存在的问题及改进

在研究非等间距序列的基础上 ,本文将非等间距累加运用于非等间距序列的建模过程中 ,使原有模型得到改进 .实例表明 ,改进后模型的精度有了很大提高     

GM(1,1)的周期修正模型及其在泉水流量预测中的应用

本文阐述了 GM( 1 ,1 )的残差周期修正模型 ,并将它应用于山西神头泉的流量预测中 ,建立了神头泉流量的 GM( 1 ,1 )周期修正模型 ,对其流量进行了预测 ,为神头泉域岩溶水资源开发利用和保护提供了科学依据     

西藏区域经济系统的灰色关联分析

区域经济的发展受许多不同因素的影响，本结合西藏社会经济发展的特点，选取了总产值指标、第一产业指标、第二产业指标和第三产业指标等四大类指标体系，采用灰色关联分析法对西藏的区域经济系统进行了简要的分析评价，以研究西藏区域经济的发展状况，从社会经济的角度探讨西藏经济发展落后的原因，以期能为西藏经济发展政策提供参考依据。     

不同加载方式下路堤沉降性状与预测模型研究

从考虑土体流变的本构关系出发 ,证明了瞬时加载、线性或者近似线性加载和分级加载情况下路堤沉降的性状 ,提出了从数学上能满足各自变形特征的预测模型 ,工程实例分析表明了在不同条件下采用不同模型的合理性和实用性     

Local Prediction of Chaotic Time Series Based on Support Vector Machine

Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine （SVM） to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours.