玉米杂交种品质性状的近红外光谱分析技术研究

以我国常用玉米自交系、杂交种样品为材料，采用偏最小二乘（PLS）回归法，建立了近红外反射光谱测定玉米完整籽粒的粗蛋白、粗淀粉和油分含量的校正模型。并利用40个玉米杂交后代材料对3个模型的实际预测效果进行了验证，预测值与化学值间的相关系数（r）可达0．98（粗蛋白）、0．93（粗淀粉）和0．97（油分），最大相对误差仅为2．46％（粗淀粉）～7％（油分）。文章还从理论上研究了以数量相对较少的亲本自交系为建模样品、建立可适用于分析大量杂交种样品的近红外数学模型的可行性，提出了作物近红外光谱某些特征具有遗传性这一新的观点。  

基于在线最小二乘支持向量机回归的混沌时间序列预测

提出了一种基于在线最小二乘支持向量机（LS-SVM）回归的混沌时间序列的预测方法.与离线支持向量机相比，在线最小二乘支持向量机预测方法即使当混沌系统的参数随时间变化时仍然有效.以Chen's混沌系统、Rssler混沌系统、Hénon映射及脑电(EEG)信号四种混沌时 间序列为例评估本文提出的预测方法，结果验证了其混沌时间序列预测的有效性.  

用于混沌时间序列自适应预测的一种少参数二阶Volterra滤波器

研究了二阶Volterra滤波器的一种乘积耦合近似实现结构及其非线性NLMS自适应算法,并用这种少参数二阶Volterra滤波器(RPSOVF)研究了一些混沌信号的非线性自适应预测性能.仿真研究结果表明:所给出的非线性NLMS自适应算法能够保证这种RPSOVF的稳定性和收敛性,且RPSOVF用这种非线性NLMS自适应算法能够自适应预测一些混沌时间序列.  

混沌时间序列的Volterra自适应预测

基于混沌动力系统相空间的延迟坐标重构,提出了一种预测混沌时间序列的Volterra自适应滤波预测法,对8种低维混沌序列采用二阶Volterra自适应滤波器进行预测的实验结果表明:当滤波器的长度Nl足够大时,Volterra自适应滤波器能够有效地预测低维混沌时间序列,且Nl的选择不仅与D2有关,还与混沌映射的光滑程度有关  

木材不同切面的近红外光谱信息与密度快速预测

用近红外光谱对木材密度进行了研究.发现木材三个不同切面(横切面、径切面、弦切面)的近红外光谱有较大的差异;结合偏最小二乘法(PLS),根据三个切面采集到的光谱数据与木材密度建立了校正模型,横切面预测集的相关系数r为0.94,径切面和弦切面分别为0.85和0.81.结果表明,从横切面采集到的光谱建立的预测模型效果最好.用该模型对随机抽取、未参与建模的15个样品的密度进行了预测,r2=0.977,标准偏差:STDEV=0.006.  

混沌时间序列全局预测新方法——连分式法

拓展了多项式逼近理论，利用连分式法建立了混沌时间序列非线性全局预测模型，此模型替代混沌序列的动力学方程，实现对其动力学特性分析，达到预测目的. 理论分析和仿真实验表明，连分式法能够有效预测一些混沌序列，该方法预测精度高，并且能得到显式的预测表达式.  

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性. 关键词： 混沌时间序列 预测 径向基神经网络 聚类  

基于季节气候可预报分量的相似误差订正方法和数值实验

基于由历史相似信息对模式预报误差进行预报的思路，发展了一种针对季节气候可预报分量的相似误差订正新方法（FACEPC），目的是识别模式预报结果中对初值相对不够敏感的可预报分量，将其作为对象进行历史相似选取和误差订正.该方法被应用到国家气候中心业务季节预报模式实验中，对不同区域给出有针对性的相似选取指标和预报方案.25年的交叉检验结果表明，夏季降水和环流的预报技巧评分相对于系统误差订正有明显提高，在发生中等及以上强度ENSO事件年和可预报分量贡献较大地区的预报技巧提高更为显著.特别是中国区域降水和关键区环流的 关键词： 短期气候预测 相似误差订正 可预报分量  

一种基于三阶Volterra滤波器的混沌时间序列自适应预测方法

基于Takens的相空间延迟坐标重构,研究了用于混沌信号预测的三阶Volterra滤波器的一种乘积耦合近似实现结构,并应用于典型的低维混沌时间序列和具有高维混沌特性的EEG信号的预测.数值研究表明:这种滤波器结构对于低维混沌时间序列的预测精度可以比二阶Volterra滤波器提高103倍,而且能够较好地对一些具有高维混沌特性的EEG信号进行预测  

混沌时间序列多步自适应预测方法

针对混沌时间序列局域自适应预测方法在多步预测中预测器系数无法调节的问题，根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点，提出了混沌时间序列多步自适应预测方法.仿真结果表明，此方法的多步预测性能明显好于局域自适应预测方法的多步预测性能.