基于熵准则的L—色氨酸发酵过程菌体生长的建模

利用熵准则函数对L—色氨酸发酵过程中的菌体生长过程进行建模并预测,这种方法一改传统MSE准则函数的基于局部性原理提出从全局出发从而进行参数训练,这种方法较MSE准则有较强的预测精度和鲁棒性。     

基于MSE准则的TSK模糊系统的蔬菜价格预测

蔬菜价格波动性大、季节性强,受供求关系、季节、气候等多种因素的影响,蔬菜价格具有高度的非线性、高噪声的属性加大了预测的难度。因此运用基于传统的MSE准则函数应用于蔬菜价格预测的建模,以样本的实际输出和神经网络的预测输出的平方差为误差准则函数,来进行人工神经网络参数学习,通过MSE准则的TSK模糊系统模型来预测蔬菜的价格,最后通过实例验证此方法科学有效。     

一类经验Bayes估计的优良性

理论研究和实践结果表明,线性回归模型中最常用的方法——最小二乘法,在一些情况下表现不理想,因此近些年来,统计学家提出了许多替代方法供选择使用。本文通过参数经验Bayes(PEB)方法构造线性回归模型中可估函数的经验Bayes(EB)估计,并分别在均方误差(MSE)准则及均方误差矩阵(MSEM)准则下讨论它相对于最小二乘(LS)估计的优良性。     

含非参数趋势的残差MA模型的预测方法

为了探寻具有非参数趋势的残差移动平均模型的较为合适的预测方法,考虑了基于多项式样条的三种方法:非外推法、线性外推法和非线性外推法.模拟结果表明,线性外推法和非线性外推法拟合的均方误差(MSE)和平均绝对误差(MAE)相等且最小,线性外推法预测的MSE和MAE最小.此外,还对分行业增加值构成-金融业增加值进行了拟合和预测的实证分析,得到了与模拟算例相似的结果.这说明线性外推法是一种较好的预测方法.     

我国居民消费价格指数的FAR模型

根据我国居民消费价格指数的非线性特征,基于多项式样条估计,并利用AIC准则和逐步回归方法选择门限变量和滞后变量,建立了函数系数自回归（FAR）模型,同时运用所建模型对我国居民消费价格指数进行估计和预测,计算结果表明：FAR模型能够很好地解决居民消费价格指数估计和预测这一问题,而且预测精度较高.     

呈现病态的设计矩阵之下回归系数的优化估计

在均方误差(MSE)准则下,给出了设计矩阵呈现病态时回归系数的分段优化估计,以及扩大了狭义岭估计类的范围.     

基于EMD和PSO-SVM的通用航空飞机燃油流量预测

提出了一种EMD与SVM的组合预测模型,对通用航空飞机燃油流量进行预测。首先对数据缺失值与异常值进行处理,应用经验模态分解算法对燃油流量数据进行分解,得到各分量IMF,然后采用支持向量机对每一个分量进行预测。在预测过程中,采用PSO算法对支持向量机的参数进行优化,最后叠加各分量得到预测数据。采用通航飞机实际飞行数据进行验证,结果表明：该组合模型可以有效地预测燃油流量,准确率较高,其MSE可以达到0.254,高于传统的单一预测模型。     

基于SVMRSM-MC法的梁桥长期变形随机性预测

针对梁桥结构参数不确定性对结构长期变形离散性的影响,提出了一种基于支持向量机响应面法(support vector machine response surface method, SVMRSM)和蒙特卡洛(Monte Carlo, MC)法的结构长期变形随机性预测分析方法。该方法将响应面法引入梁桥长期变形预测分析中,以某预应力混凝土连续刚构桥为例,选择建设期随机性较大的8个主要结构参数进行均匀设计,利用具有良好小样本学习能力的支持向量机替代经典响应面法中的固定多项式函数构建响应面,使结构变形与各随机参数之间复杂的隐式关系通过显式函数近似地表达出来,运用决定系数和均方误差(mean square error, MSE)进行响应面模型的精度检验,获取了最优响应面。最后,结合MC法对梁桥长期变形进行概率意义上的预测,得到了一定置信概率下的变形增量区间,并与基于拉丁超立方抽样结果进行了对比分析,验证了所提方法的可靠性。     

需求价格弹性的计算与应用

利用价格弹性定义公式,运用积分方法求得需求函数,根据价格和需求量的一系列数据,采用回归分析法确定需求函数的待定常数,用需求函数进行价格式需求量的预测和决策,从而避免了直接运用弹性定义公式计算弹性系数并进行价格或需求量预测和决策的弊端和错误,同时运用需求函数进行价格预测或决定时,提出用优选法进行取值计算,大大简化了高次方程求解的过程。     

均方误差意义下的无偏估计与有偏估计

讨论均方误差意义下的无偏估计与有偏估计,得出线性模型中一些有偏估计在MSE准则下具备比无偏估计更好的优良性。     

融合情感分析与 SVM_LSTM 模型的股票指数预测

由于股票市场变化存在着多因素、非线性、时变性等特点,传统预测模型忽视了股指波动影响因素特征提取的合理性与准确性,导致预测效果不理想。鉴于此,提出了融合情感分析和 SVM_LSTM 特征提取模型的股指预测方法以提高股指预测精度,将 SVM 和 LSTM 方法相结合建立 SVM_LSTM 模型,提取影响股指波动的情感极性特征、涨跌趋势特征以及股票技术指标特征,进而弥补影响股指波动的存在因素实现股指预测。通过与传统股指预测方法相比较,该方法实验结果的 MSE（均方差）达到了 0.172 2,比传统模型的均方差缩小了约0.083 7,证明了该预测方法在准确度上效果更好。     

基于组合神经网络模型的新冠疫情传播预测分析

在全球抗击新型冠状病毒肺炎（COVID-19）疫情的过程中,合理的疫情传播预测对于疫情防控有重要参考意义。为了对病毒传播进行合理预测,针对传统疫情传播预测模型存在的不足,提出一种组合式神经网络的疫情传播预测模型,并将其应用于湖北省1月29日-3月15日每日新增确诊人数预测及湖北省每日累计确诊人数预测。预测结果分析显示,该神经网络预测模型预测结果可靠有效。模型性能分析结果表明,组合式神经网络预测模型平均相对误差（MRE）不超过0.16,均方误差（MSE）不超过0.1,均方根误差（RMSE）为0.262 9,性能明显优于其它几种神经网络预测模型。基于武汉市与广东省疫情传播预测的实证结果显示模型具有较好的适用性及准确性。     

基于改进阈值函数的小波去噪算法研究

为更好地消除心电信号（ECG）处理过程中存在的基线漂移、工频干扰和肌电干扰等噪声,提出一种基于改进小波阈值的去噪算法。该算法选定 coi5 作为小波基进行分解,选取分解尺度为 8 层,使用改进的阈值选取方法对每一层信号系数进行去噪。该阈值函数不仅克服了硬阈值函数不连续的缺点,而且解决了软阈值函数存在的恒定偏差,同时具有良好的自适应性。实验结果表明,该方法与传统阈值法相比,信噪比提高了24.26%,均方误差降低了 21.42%;与当前国际上先进的去噪算法相比,信噪比提高了 2.01%,均方误差降低了6.9%,去噪效果显著提升,验证了该算法的有效性。     

基于EEMD与HAR-RV模型的已实现波动率研究

高频金融数据下对资产价格波动的研究越来越受到人们的关注,而随着对数据行为解析能力的提高,噪音也会随着采样频率的提高而增加,从而导致已实现波动率的估计偏差。为了降低高频数据中噪音对波动率估计的影响,在HAR-RV模型基础上使用EEMD结合小波分析的方法提高估计的有效性。实证研究发现,仅使用EEMD进行降噪预测并不能很好地预测股票市场的实际变动趋势,而在EEMD分解后的高频部分中使用小波方法进行处理,发现降噪后构建模型的均方误差（MSE）与平均绝对误差（MAE）分别下降了93.92%及76.94%,能够满足对股票市场实际序列变动的预测要求。     

On the Large-Sample Bias,Variance, and Mean Squared Error of the Conventional Noncentrality Parameter Estimator of Covariance Structure Models

The conventional noncentrality parameter estimator of covariance structure models, which is currently implemented in widely circulated structural modeling programs (e.g., LISREL, EQS, AMOS, RAMONA), is shown to possess asymptotically potentially large bias, variance, and mean squared error (MSE). A formal expression for its large-sample bias is presented, and its large-sample variance and MSE are quantified. Based on these results, it is suggested that future research needs to develop means of possibly unbiased estimation of the noncentrality parameter, with smaller variance and MSE.     

数据挖掘在财务预测中的应用

企业决策离不开财务预测,传统的预测系统已远远不能满足要求.本文对数据挖掘的基本原理作了阐述,分析了数据挖掘的流程及主要功能,介绍了数据挖掘工具的特点,并在此基础上研究了数据挖掘技术在财务预测中的一些应用.     

基于 LRF 方法的在线短租房源价格特征选择研究

为解决单一特征选择方法的局限性问题,提出 Lasso-RF（LRF）混合特征选择方法,并应用于在线短租房源价格问题研究。基于 Airbnb 房源数据,实验首先通过 Lasso 回归进行特征选择,处理特征之间的多重共线性|然后采用随机森林算法精选剩余特征,最终得到 35 个重要特征,并带入 4 个预测模型中进行比较。结果表明,特征之间的多重共线性会影响随机森林算法对特征重要度的度量|LRF-RF 预测模型与 RF-RF 预测模型相比,评价指标 R2 和 MSE 分别提高了 0.005、0.006,同时运行时间缩短 0.267 秒,表明 LRF 混合特征选择方法优于单一的 RF 特征选择方法。     

BP神经网络在多维非线性函数拟合中的应用

为了解决常规方法拟合多维非线性函数的预测结果精度较低问题,采用非线性映射能力较强的BP神经网络进行多维非线性函数拟合。通过对BP神经网络结构及训练过程的分析,依据给定的两维非线性函数构建BP神经网络模型,并利用MATLAB软件对BP神经网络进行预测。仿真结果表明,BP神经网络对于两维非线性函数有良好的拟合能力,拟合误差小、收敛速度快,也使该方法具有较好的推广性。     

Memory Self-Efficacy,Aging, and Memory Performance: The Roles of Effort and Persistence

The relative importance of mental effort, as indicated by strategy use, and persistence as potential mediators of the memory self-efficacy (MSE)/memory performance relationship was investigated within a sample of 26 adults aged 65 years and older. It was found that persistence but not strategy use was predictive of performance on a free-recall task. Age-related declines were found in persistence, performance, and MSE but not in strategy use. Counter to expectation, neither strategy use nor persistence was significantly related to a global measure of MSE. These results highlight the importance in MSE research of distinguishing mental effort and persistence, of task-specific measures of MSE, and of considering age-related changes within the elderly population. Implications for MSE intervention programs are briefly discussed.     

基于 A-LSTM 算法的烧结矿质量预测

针对烧结厂烧结杯实验周期长等问题,构建一种 A-LSTM 的烧结矿质量预测模型。在 LSTM 网络基础上借鉴注意力机制思想,通过权重再分配使网络更加关注训练过程中的非冗余数据。为减少损失函数在训练过程中的震荡,提出加权均方误差损失计算方式,考虑每轮输入数据缺失值占总体的比重,使模型预测更为准确。实验结果表明,A-LSTM 预测方法准确率可达 92.7%,相比于原始 LSTM,预测准确率提升了 1.9%。