随机向量期望的不等式

本文将一维随机变量期望不等式f(Eξ)≤Ef(ξ)(f(x))为凸函数)推广到多维．以此统一推广了一类重要不等式．对一个非凹凸函数给出了相应的期望不等式。     

从李煜词前后期风格变化看其成就

李煜作为中国词史上的一个重要人物，其前后期创作均有相当的成就，本文仅从后主词前后期风格变化谈其成就。     

基于支持向量机的短期GDP预测模型与应用研究

支持向量机是最近几年国际上模式识别研究的热点,具有全局最优和良好的泛化能力.本文在理论分析江门市GDP预测指标体系的前提下,研究了基于SVM的预测方法,并运用实际数据进行建模和预测,获得了比较准确的预测结果.     

局部凸拓扑向量空间中的向量变分不等式与集值优化

利用与仿射上导数相关的向量变分不等式的真有效性,对局部凸拓扑向量空间中的集值优化问题的Henig有效性、超有效性、锥超有效性等给出了一些充分、必要条件,从而推广了一些已知的相关结论.     

基于VSM的中文文本分类系统的设计与实现

文本分类是指在给定分类体系下,根据文本的内容自动确定文本类别的过程。该文阐述了一个基于向量空间模型的中文文本分类系统的设计和实现。对文本分类系统的系统结构、预处理、特征提取、训练算法、分类算法等进行了详细介绍。引入标题权重系数改进词语权重,并提出了一种新的分类算法。实验测试结果表明查全率和准确率均达到90%左右,而且标题权重的引入和新分类算法的实施有效地改善了分类性能。     

支持向量分位数变系数模型的估计及应用

基于不对称“ε-不敏感”损失函数提出变系数模型的参数估计方法,并应用支持向量回归理论和凸二次规划理论给出模型的估计算法.结果显示,所得估计曲线可在不同分位数水平得到一个稀疏解,而数值模拟研究和共享单车实例数据分析结果进一步证实该方法的正确性和实用性.     

基于激光诱导击穿光谱(LIBS)的煤灰熔点快速检测

炉内结渣是影响火电机组和气化工艺可靠运行的关键因素之一,准确预测灰熔点可以提前调整炉膛出口温度以避免结渣。本论文采用激光诱导击穿光谱（LIBS）采集煤灰样中金属元素的光谱,分别建立煤灰中的金属元素的谱线强度与煤灰熔点的随机森林模型、支持向量机回归模型和线性回归模型,直接预测煤灰熔点温度。采用基于马氏距离(MD)的异常数据剔除算法和基于稀疏矩阵的基线估计与降噪算法（BEADS）,对粉煤灰样的全光谱数据进行了预处理。随机森林模型对粉煤灰熔点的预测平均相对误差（MRE）为54.74%,支持向量机回归模型的预测平均相对误差为60.08%,而线性回归模型的预测平均相对误差达到了9.78%。研究结果表明,线性回归模型对煤灰熔点的预测结果更准确。     

交叉分段差分进化支持向量回归的气体超声 流量计测量方法

为了进一步提高全量程气体超声流量计的测量精度,基于多通道声波到时和实时温度,提出了一种交叉分段差分进化(Differential Evolution)支持向量回归(Support Vector Regression)DE-SVR模型。考虑到气体在不同流量条件下的流体状态不同,提出了交叉分段处理的方法,采用DE算法优化选取SVR参数。实验结果表明,对于16~1600m3/h全量程,交叉分段DE-SVR和传统积分方法计算气体流量的平均相对误差分别为0.00447和0.02781,前者较后者降低了83.93%;对于16~160m3/h小流量,交叉分段DE-SVR和无分段DE-SVR算法计算结果平均相对误差分别为0.00436和0.03214,前者较后者降低了86.43%。该方法有效避免了声道长度、探头角度以及管道直径等参数不确定性对流量计算的影响,为全量程气体流量的高精度测量提供了保障。     

基于DPCA ALSSVR的燃气轮机负荷估算方法

燃机负荷的实时估计能够为燃机参与调峰创造重要的前提条件,针对燃机负荷的实时测算问题,提出了一种基于动态主元分析结合自适应支持向量机的燃机负荷回归估计方法.首先应用动态主元分析方法挖掘出与燃机负荷相关的主要参数,获得代表相关性程度的量化指标关联度.在此基础上,利用自适应支持向量机建立燃机负荷的回归估计模型,并通过交叉验证...     

基于探索向量的Ball K-Means聚类算法

随着大数据时代的到来,如何快速、准确地从海量数据中挖掘有用的信息成为一个极其关键的问题。随着样本数据维度和数量的增加,导致K-Means聚类算法的计算成本急剧增加。因此,一种新颖的加速精确K-Means聚类算法近期被用来降低计算成本,称为“Ball K-Means”。尽管Ball K-Means降低了计算成本,但是该算法和K-Means算法都缺乏全局搜索能力。因此,本文从全局搜索能力和计算成本两个因素考虑,通过在Ball K-Means算法中引入一种防止聚类过程过早收敛的探索向量,提出一种针对高维度、大样本数据的基于探索向量的Ball K-Means聚类算法,称为“Ball XK-Means”。实验结果表明,在高维度和大样本数据下,本文提出的算法不仅比Ball K-Means和K-Means算法能够获更稳定和更精确的聚类结果,而且比K-Means和XK-Means算法有更低的计算成本和更高的效率。