灰色系统理论在废气污染物排放量预测中的应用

应用灰色系统预测理论,以GM(1,1)模型对我国废气排放中主要污染物排放量进行预测,可有效克服原始数据的离散性,在少信息的情况下得到高精度的预测结果。以2008²012年废气主要污染物排放量为例进行了中短期的预测,结论表明,预测精度均可达到最优的精度等级。     

基于ESI和InCites的学科发展预测研究--以中国地质大学为例

基于汤姆路透公司的ESI和InCites数据库，分析了中国地质大学各学科的特征，探讨了高被引论文、热门论文、顶尖论文与学科发展的关系，并预测后续最有可能入围ESI世界前1％的学科。     

基于交通信号灯信息的混合动力汽车节能预测控制方法

针对传统混合动力汽车控制方法不考虑已知道路交通信号灯信息对车辆能量管理影响的问题,提出了基于交通信号灯信息的混合动力汽车节能预测控制智能优化策略。通过建立混合动力汽车系统的简化模型,并采用连续广义最小残量方法求解模型预测控制问题。运用MATLAB/Simulink进行仿真,仿真结果验证了交通信号灯信息模型的有效性,以及所设计的模型预测控制算法大幅度提高混合动力汽车的燃油经济性的能力和实时控制性能。研究结果表明所提出的控制策略可以实现车辆行驶轨迹的优化控制,显著提高了车辆的燃油经济性,并满足系统的实时最优控制要求。     

线性回归分析与能源需求预测

结合实例介绍了回归模型方法在能源预测中的应用，具体地讨论了最简单、最基本的直线回归模型结构及参数估计方法，对于其他一些曲线回归模型则可通过变量代换转化为直线回归模型。     

关于我国情报用户教育的思考

文章认为,发展教育是科技进步的基础。旨在培养用户情报意识和检索技能的情报用户教育,将在依靠科技进步和提高劳动者素质发展经济中起到越来越大的作用。加强全民情报意识的培养乃当务之急,并提出了增进对信息资源的理解、增强紧迫感,危机感,积极参与等具体措施。对在我国怎样建立多层次、多渠道、多形式、多功能的用户教育模式进行了探讨。参10。     

面向MIS的预测支持系统的研究

通过对预测支持系统研究现状的分析,讨论了预测支持系统如何更好的适用于MIS,为其提供预测支持.并提出了更加适应MIS当今和未来发展的预测支持系统构建模式.     

基于GM（1，1）模型的某高校招生人数预测

分析了近年来我国高校招生人数的变化趋势，并利用GM（1，1）模型对某高校2008年的招生人数进行了预测．从而为高校招生人数决策提供了依据。     

浅论图书档案情报的一体化

档案图书情报部门作为主要信息源和信息服务机构，为了最大限度地满足社会和用户对文献信息的需求，有必要实施一体化管理。文章从图书情报档案三者的联系，实现一体化的必要性及解决的对策几个方面作了简要的论述。     

多元回归分析在油气产能预测中的应用

本论文利用多元回归分析对油气产能进行预测,并对多元回归分析的思想、原理进行了阐述;对油田产能预测结果进行了检验及精度估计,认为预测结果具有很好的指导意义。因此在油田生产中建议采用多元回归分析预测油气产能。     

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.