基于信息熵的属性约简在多属性决策中的应用

属性约简是在信息系统中的一个重要操作.分类是属性约简的基础,且直接在大数据集上进行属性约简往往存在效率低下的问题.以分类为基础提出了一种基于信息熵的信息系统属性约简算法.算法通过信息熵的计算,在属性约简的同时对原信息系统逐层分解,从而实现了属性的约简并缩小了搜索空间.提出了依据信息熵来确定属性的不必要性及简约属性集,应用在多属性决策中所带来的优势.     

κ-均值聚类算法的改进及其在冰脊表面形态分析中的应用

针对传统k-均值聚类算法事先必须获知类别数和难以确定初始聚类中心的缺点,建立了关于聚类中心和类别数k的双层规划模型,结合粒子群算法确定出聚类中心,通过在迭代过程中不断更新准则函数的方法搜索并确定出最佳类别数惫,基于所建模型,提出了一种改进的k-均值聚类算法,并将算法应用于冰脊表面形态分析中.结果表明,算法得到的聚类结果不但具有相邻类别边界清晰的优点,而且能够较好地反映出地理位置和生长环境对冰脊形成的影响.     

基于改进的SVR模型在年降水量预测中的应用

鉴于降水量数据的高维非线性性和周期性,建立了支持向量回归(SVR)预测模型用于降水量预测,由于对该模型输入特征的选取极为重要,因此提出了一种基于季节自回归(SARI)的输入特征选取方法.利用已有的降水量数据建立SARI模型,通过观察模型表达式提取建立SVR模型所需的输入特征用于训练支持向量机,并通过网格参数寻优法确定SVR模型的参数,进行降水量预测.实例分析中,应用此模型对黄土丘陵半干旱区域的降水量进行预测,将预测结果与季节时间序列(SARIMA)模型的预测结果进行对比,结果表明,模型具有更高的预测精度和拟合优度,可以用于降水量的预测.     

κ-均值聚类算法的改进及其在冰脊表面形态分析中的应用北大核心

针对传统k-均值聚类算法事先必须获知类别数和难以确定初始聚类中心的缺点,建立了关于聚类中心和类别数k的双层规划模型,结合粒子群算法确定出聚类中心,通过在迭代过程中不断更新准则函数的方法搜索并确定出最佳类别数惫,基于所建模型,提出了一种改进的k-均值聚类算法,并将算法应用于冰脊表面形态分析中.结果表明,算法得到的聚类结果不但具有相邻类别边界清晰的优点,而且能够较好地反映出地理位置和生长环境对冰脊形成的影响.     

改进的自适应Lasso方法在股票市场中的应用

在金融领域,自适应Lasso被广泛的用于股票价格预测模型中的变量选择和参数估计。然而,自适应Lasso是针对非时间序列模型提出的,忽略了时间序列模型特定的结构,比如时间序列模型中通常会出现滞后阶数越靠后,对未来的预测能力越弱的特性,从而,容易造成估计及预测不精确。因此,时间序列模型的变量选择惩罚参数的设计应与滞后阶数相关,即对越靠后的滞后阶数应加上越大的惩罚。为了充分考虑时间序列模型的特性且保留自适应Lasso的优点,本文针对时间序列AR(p)模型提出一种改进的自适应Lasso(MA Lasso)方法,通过在自适应Lasso惩罚基础上乘以一个关于滞后阶数单调不减的函数来达到目标。这样设计的惩罚参数的另一个优点是通过选取特定的惩罚参数,Lasso,自适应Lasso方法都是MA Lasso方法的特例。进一步,对于AR(p)模型中另一个重要参数p的选择问题,本文提出一种改进的BIC模型准则来选择p。最后,将MA Lasso方法应用到中证100指数中,实证分析表明,与Lasso和自适应Lasso相比,MA Lasso选择最简模型且预测效果最佳,即选择最少的预测变量的同时且具有最小的模型预测误差。     

改进的灰色模型及在短时交通流中的应用

基于城市道路交通流按日周期变化的数据特征,提出一种可自动选择步长的灰色模型算法.将其应用到美国Minnesota的两个道路交通流的预测,并和传统灰色模型、历史平均法以及滑动平均法对比.数值实验结果表明:改进的灰色模型能够大幅降低预测绝对误差,预测精度高,稳定性好,适用于城市道路短时交通流的实时预测.     

Sargent改进的Powell方法在桥梁沉降基础预测中的应用

Sargent改进的Powell方法是曲线拟合中的一种重要方法。本文利用这种方法针对蕴藻浜特大桥沉降中的实测数据给出了五种模型下的沉降预测,这些模型包括双曲线斜率倒数模型、Vander Veen指数模型、宇都一马指数模型、龚帕兹模型、以及波松曲线模型,并发现这种方法对波松旋回模型和灰色系统模型适用性不强。     

GM(1,1)模型的改进及其在银行贷款预测中的应用

利用GM(1,1)预测模型,分析中国近年来信贷变化,发现中国信贷规模发展趋势及其信贷结构具有显著的新特征;结合模型的适用条件和预测结果的检验要求,提出了四条思路解决数据缺损导致信息挖掘失真以及如何处理数据中所包含的大量"噪音"等问题,并认为对那些波动较大的数据应采取连续平滑的方法改造原始数据;对于那些有奇异值的原始数据可采用插值法替代它,试验和案例应用印证了改进的模型可以提高预测精度.     

基于多因素的卡尔曼滤波模型在滑坡变形预测中的应用

分析了滑坡变形预测模型的研究现状.考虑到滑坡的变形主要受到降雨及温度等因素的影响,建立基于时效分量、降雨分量和温度分量的多因素变形预测模型,然后将基于多因素的变形预测模型的模型参数看作带有动态噪声的状态向量,建立基于多因素的卡尔曼滤波模型,以基于多因素的卡尔曼滤波模型为基础,对滑坡的变形进行预测.由于基于多因素的卡尔曼滤波模型在卡尔曼滤波过程中,模型的参数不断发生变化,从而增强了模型适应观测数据的能力,提高了模型的拟合精度和预测精度.实例计算表明用基于多因素的卡尔曼滤波模型对滑坡的变形进行预测,其预测误差较小,预测效果较为理想.     

基于动态BP神经网络的非线性预测及在港口货物吞吐量中的应用

文章给出了非线性预测的一般理论方法，运用动态ＢＰ神经网络对实际问题的历史数据进行学习，然后根据学习后获得的非线性机理来进行预测。并将此方法应用于港口货物吞吐量及出口量预报。仿真表明此方法是有效的。     

多目标规划的一类基于精确罚函数的交互式方法

该文在约束集的线性化锥非空的条件下,得到了带有等式和不等式约束的多目标规划问题的精确罚函数的存在性,用原问题的二次近似在某些点上的Kuhn－Tucker乘子给出了罚因子的下界．在此基础上,利用极大熵方法的思想将罚问题转化为可微的无约束多目标规划问题并给出了求解该问题的一种交互式算法．数值结果表明：该文算法具有计算速度快、精度高、适用范围广且易于理解和使用等优点．     

基于粗糙集与层次分析法的组合预测方法

本文在改进的属性约简启发式算法 ,即应用加权平均的属性重要度对属性进行约简的基础上 ,将粗糙集理论和层次分析相结合 ,给出了一种全新的组合预测方法 .