一个K-均值文档聚类的改进算法

k均值算法是一个常用的局部搜索算法，它的主要缺陷是容易陷入局部极小，并且该局部极小解与全局最优解往往有很大的偏差。本文提出一个基于K-均值的迭代局部搜索文档聚类算法。该算法以k均值算法所得到的解作为初始解，从该初始解开始作局部搜索。在搜索过程中接受部分劣解。当解无法改进时，算法对所得到的局部极小解做适当强度的扰动后进行下一次的迭代，以跳出局部极小，从而拓展了搜索的范围。实验结果表明该算法对文档数据集聚类的正确性迭99％以上。     

具有确定局部可数覆盖的空间

本文讨论具有确定局部可数覆盖空间的性质，获得了具有局部可数（ｍｏｄＬ）－基空间的特征，建立了局部可数ｋ－网络空间的完备逆映象定理．     

从普遍知识到局部知识——当代西方哲学科学知识观的新动向

２０世纪以来，西方哲学发生了一系列的重大转变，从而引起了科学知识观的根本变革。传统的科学知识观，如逻辑实证主义和波普学派，认为科学知识是普遍有效的，它不受我们与实践关系的制约。科学的最终目标是普遍知识，科学知识的应用是从普遍理论演绎过渡到具体例证。与之不同，新一代美国科学哲学家卢兹（ＪｏｓｅｐｈＲｏｕｓｅ）则强调局部的、境域化的知识，科学知识从根本上说是局部知识，体现在实践之中。科学知识的应用是从一种局部知识过渡到另一种局部知识，并且只能以实践的、局部的方式来加以说明     

局部优先是解决综合问题的一把“钥匙”

一切事物都是一个由各个局部构成的有机联系的整体，局部离不开整体，整体也离不开局部，任何一个综合数学问题都是由若干个局部数学问题所组成，解决这类问题经常用到整体思维和局部思维，所谓局部思维就是对局部问题进行研究，得到局部结论；所谓整体思     

一种定向交叉的单纯形遗传算法

针对交叉算子产生个体的无方向性特点，提出了一种改进的实数交叉算子。该交叉算子吸收了单纯形法的思想，每次交叉都朝着当代种群最优解的方向进行，以提高算法的局部搜索能力。为了防止算法陷入局部极值，还提出了一种爬坡算子。实验证明，改进算法在提高收敛速度、摆脱局部最优解方面极为有效。     

局部积流形的超曲面

研究了局部积流形的超曲面，给出了局部积流形的超曲面为一个P-Sasakian流形的充分必要条件，     

生成元非稠定时局部C算子群

在本文中我们讨论了生成元非稠定时局部C群与局部半群的关系及一些基本性质，并获得局部C群的生成定理。     

抗日战争时期党对执政规律的初步探索

抗日战争时期，中国共产党实现了在部分地区的局部执政。党吸收借鉴国民党执政的教训，探索共产党的执政规律，初步摸索出了政党执政的一些基本规律，为党实现从局部执政到全国范围的执政奠定了坚实的基础。     

全局和局部的辩证法

<正>胡耀邦同志在庆祝中国共产党成立六十周年大会上的讲话中说：“我们的事业是一个整体，有统一的奋斗目标，而我们的国家又是一个幅员辽阔的国家，情况千差万别。这就要求我们把研究全局、通晓全局和研究局部、通晓局部密切地结合起来。目无全局，不顾统一，指导局部就要犯脱离整体的盲目乱干的错误；否认局部，无视特殊，指挥全局就要犯脱离实际的主观臆断的错误。我们中国共产党人应该是既有远见卓识又有求实精神的革命者。”这段话深刻地指出了研究全局和局部的辩证法，用它来指导革命工作，是多么重要！     

模的广义局部化及其性质

在给出交换模的广义局部化定义及部分性质的基础之上，在张量积上研究了相关性质，并证明了张量积关于广义局部化的泛性质。     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

粒子群优化在股指预测中的应用

BP神经网络由于自身的缺陷,导致训练时间长且易于陷入局部极小点,易导致股指预测精度不高．将粒子群优化算法用于神经网络的学习训练,可改善它原有的缺陷,并用于对股指的预测．实验结果表明,与BP神经网络相比,基于粒子群优化的神经网络对股指的预测精度更高．     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

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Elman神经网络的商品销售额建模及预测

为提高预测精度,采用Elman神经网络对商品销售额进行预测.在分析样本数据特性基础上,采用Elman神经网络对商品销售额的预测进行建模,通过实例验证模型的有效性并对比分析BP神经网络的预测效果.研究结果表明,基于Elman神经网络的商品销售额预测能够较好地反映商品销售额的变化趋势且提高了预测精度,验证了该方法在商品销售额预测中的可行性.     

基于过程神经网络的黑龙江省GDP预测

将过程神经网络应用于GDP预测,可以将时间序列中的时间累积效应充分考虑到预测中,能较好地解决传统GDP预测方法中的一些不足。运用黑龙江省1981年至2010年GDP与其影响因素数据,结合相关理论,建立了基于过程神经网络的GDP预测模型,对GDP进行了预测。结果表明,将过程神经网络应用于GDP预测问题中,可以得到较高的预测精度,预测效果较好。     

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。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。