基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

Clifford分析中无界域上向量值函数的非线性边值问题

利用积分方程的方法和Arzela-Ascoli定理,讨论了Clifford分析中无界域上向量值函数的非线性边值问题解的存在性及其积分表达式.     

基于简单二次函数模型的带线搜索的信赖域算法

基于简单二次函数模型, 结合非精确大步长Armijo线搜索技术, 建立了一个新的求解无约束最优化问题的组合信赖域与线搜索算法, 证明了算法的全局收敛性. 数值例子表明算法是有效的, 适合求解大规模问题.       

平面向量

向量是近代数学中重要和基本的数学概念之一,它是沟通代数、几何与三角函数的一种工具,有着丰富的实际背景．在本章中,大家将了解向量丰富的实际背景,理解平面向量及其运算的意义,能用向量语言和方法表述和解决数学和物理中的一些问题,发展运算能力和解决实际问题的能力．     

由一道高考向量题引出的研究性学习

我们知道,丰富学生的学习方式、改进学生的学习方法是高中数学课程追求的基本理念,学生学习数学不应仅局限于对概念、结论和技能的记忆、模仿和接受,而应提倡独立思考、自主探索、动手实践、合作交流等方式进行独立自主的学习．根据不同的课型选取不同的研究方法,开展经常性的研究性学习活动,充分调动学生学习的积极性、主动性是提高课堂效率的有效手段之一．下面就以一道高考向量题为例,谈一谈研究性学习的具体实施．     

活跃在平面向量中的“参数”

平面向量中的“参数”问题是历年高考“经久不衰”的重点、难点和热点内容．各级各类考试命题者所编制的含参问题超凡脱俗、新颖别致,颇具思考性和挑战性．下面将活跃在平面向量中的“参数”问题分类解析,旨在探索题型规律,揭示解题方法．     

一类新的求全局优化问题的填充函数

填充函数方法是一种寻找全局极小解的有效方法.本文首先对现有的填充函数进行研究分析,然后构造出一类新的填充函数,设计算法,并通过数值试验验证了该函数和算法的有效性.     

局部对称共形平坦黎曼流形中具有平行平均曲率向量的子流形

本文把[1]的结论推广到了环绕空间是局部对称共形平坦的情形,即获得了:设M~是局部对称共形平坦黎曼流形N~+p(p>1)中具有平行平均曲率向量的紧致子流形,如果则M~位于N~+p的全测地子流形N~+1中。其中S,H分别是M~的第二基本形式长度的平方和M~的平均曲率,T_C、t_c分别是N~+p的Ricci曲率的上、下确界,K是N~+p的数量曲率。     

线性模型中均值向量的LSE和BLUE的偏差估计

对于线性模型 Y=Xβ+e,E(e)=0,cov(e)=σ~2∑,∑≥0μ=Xβ的LSE和BLUE分别为■=X(X′X)-X′Y和μ~*=X(X′T-X)-X′T-Y,其中T=∑+XUX′,U是对称阵且使Rank(T)=Rank(∑X)和T≥0,本文证明了‖■-μ~*‖_2≤(λ_r-λ_ζ)/(2(λ+λ_k)~(1/2))‖Y-■‖_2这里λ_4=ch_4(T),i=1,2,…,n,λ_1≥…≥λ_n≥0。k=Rank(X),‖a‖_2=(a′a)~(1/2),并且给出了‖cov(■)-cov(μ~*)‖_s‖PT~2P-(PTP)~2‖_s和‖(cov+(μ~*))~(1/2)cov(■)(cov+(μ~*))~(1/2)‖s的上界,这里‖A‖_s=(tr(A′A)~(3/2))~(■),s≥1。     

基于SVM回归模型的混合气体组分种类光谱识别方法

针对混合气体红外光谱分析中无法采用同一模型同时进行混合气体组分浓度的定量分析和组分种类的定性分析的问题,本文提出了基于SVM回归模型的混合气体组分种类光谱识别方法.通过详细推导,证明混合气体组分种类识别完全可以通过组分浓度分析的SVM回归模型来求解,混合气体组分种类识别是一种特殊的回归.实验结果显示,该方法的混合气体组分种类的正确识别率不小于92.5%.