分类回归树算法的探讨

分类回归树是一种优良的决策树算法,有广泛的应用。本文探讨了分类回归树算法及应用,首先回顾了分类回归树的起源及应用,其次分析了分类回归树在均匀成本和非均匀成本下的构造,接着讨论了分类回归树的剪枝和验证过程,最后我们对其进行了总结。     

基于子集门限自回归模型的负荷短期预测(英文)

介绍了时间序列的子集门限自回归模型,该模型可以复现非线性时间序列的周期性或季节性趋势．文中给出了子集门限自回归模型的辨识方法并应用于电力负荷的建模和短期预报．应用实例表明,其预测精度较高．     

基于ARSVR方法的网格计算资源负载预测(英文)

在MDS4监控模型的基础上, 设计了基于可靠存储与容侵数据网格的监控模型, 分析了监控模型中计算资源的负载特性、指标. 然后, 设计了基于SVR的时间序列自回归预测模型, 提出了用于数据网格负载预测的监控ARSVR方法. 最后, 利用AR模型对历史观测序列进行建模, 确定模型的阶次. 根据历史数据对SVR进行训练, 得到回归函数. 仿真实验结果表明, ARSVR方法能对节点的负载进行有效预测.     

混合自回归模型(MAR)的谱分析

针对MAR模型导出其自协方差函数的递推关系式及计算谱密度的算法,从而从理论上解决了这一模型的谱分析问题.     

基于GBRT树模型分位数回归预测的CPFR补货方法

随着大数据的发展和物流科技信息化进程的加快,企业供应链数据呈爆炸式增长,且种类繁多、关系网络复杂,而传统CPRF技术中的预测模型已经不能适应供应链大数据需求预测,更不能依据需求预测进行有效的库存管理,经典的周期库存盘点策略也不能很好地适应非正态分布的需求数据,如何对供应链大数据进行准确预测并补货已成为供应链研究的热点。依据大数据的分位数回归预测技术,利用历史数据信息进行准确预测,并将分位数回归预测与补货模型合理有效连接,通过真实数据仿真分析,表明在98%的服务水平下,平均库存得到了降低。     

基于熵因子惩罚项的提高前馈网络泛化能力的新算法(英文)

在利用神经网络提取含噪数据特征时,泛化能力是一个极需解决的问题．通常的方法是控制网络的复杂度。本文中,我们提出了一类基于熵因子的惩罚项,该项正确反映了隐层节点所提取的数据特征,从而有效避免了前馈网络的过训练现象,计算机仿真结果表明该算法能大大提高网络泛化能力．     

基于决策树的改进AdaBoost算法在车辆检测中的应用

为满足车辆检测实时性和准确性需求,将基于C4.5的决策树算法作为AdaBoost算法的弱分类器,产生一种速度快、识别率高的强分类器,称之为AdaBoost DT算法。算法训练多个决策树并将之作为弱分类器,之后通过改进级联架构的AdaBoost算法将若干弱分类器组合成一个强分类器。该算法特点在于：相对于广泛使用的以SVM作为弱分类器的算法,其以决策树作为分类器,速度提高了29%;通过在AdaBoost算法进行强分类器的形成阶段加入再判决函数,准确率提高了14.1%。     

一种基于数据平滑技术的回归预测算法

在基于固定窗口宽度滑动窗口模型的基础上。提出了一种基于回归参数存储的预测模型,该模型设置了计算区、数据区和参数区。计算区用于获得最近一个滑动窗口中的数据。数据区用于接收新数据,参数区存储最近若干组滑动窗口数据所计算得到的线性回归参数值,作为计算预测结果的原始数据集。按照这种模型的处理思路。提出了一种基于数据平滑技术的回归预测算法,随着窗口的滑动。对数据区中的数据进行回归分析,获得前面若干组滑动窗口数据的回归函数并存入参数区中,检验当前窗口中数据获得的回归函数预测效果。实验分析表明。通过修正当前回归函数的参数。可以使预测函数的预测精度得到很大程度的提高。     

基于全局局部鉴别分析的高斯回归模型的间歇过程质量预测(英文)

由于过程操作阶段的复杂性及系统的不确定性使得传统的单模态模型策略为病态,因此提出了一种全局局部鉴别分析(GLDA)的高斯过程回归(GPR)方法用于非线性多阶段暂态过程的质量预测.首先,将采集数据按批次方向展开,并采用隐马尔科夫模型(HMM)识别不同的操作阶段.其次,利用GLDA算法提取与质量变量高度相关的过程变量,降低建模的复杂度.在该降维后的子空间,为所有识别出的操作阶段建立多个局部GPR模型.利用HMM状态估计将测试批次的每个测量样本以最大似然估计的方式划分到对应的阶段中.最后,选出与具体阶段相对应的局部GPR模型进行在线预测.利用多阶段的青霉素发酵过程验证了所提预测方法的有效性.结果表明,与常规的GPR模型及基于HMM的GPR模型相比,提出的GLDAGPR方法更具优势.     

基于AdaBoost算法的BP神经网络在软件老化测试中的应用

为提高BP神经网络的预测精度,克服自身容易陷入局部极值和收敛速度慢的缺陷,将AdaBoost算法和BP神经网络结合起来,建立基于AdaBoost算法的BP神经网络模型。该模型将多个BP神经网络作为弱预测器,然后采用AdaBoost算法将多个弱预测器组成强预测器进行预测。将该模型应用于软件老化测试,实验结果表明,该模型相比单个BP神经网络具有更好的预测精度。     

混合自回归模型(MAR)的谱分析

针对MAR模型导出其自协方差函数的递推关系式及计算谱密度的算法,从而从理论上解决了这一模型的谱分析问题.     

巴克的背叛与回归(英文)

该文对杰克·伦敦的著名短篇小说《野性的呼唤》中主人公巴克从一个养尊处优的宠物狗转变为一个凶猛野兽的历程进行分析,并进一步阐释这一转变过程中的种种象征,揭示了巴克离开人类社会回归野性本身也是对文明社会的背叛和对自由的追求。     

基于地理加权回归的南京市居住用地分布规律研究(英文)

针对传统方法和技术手段难以满足城市用地格局定量研究需要的不足,建构了基于GIS技术与相关理论和模型方法相结合的城市用地格局定量研究方法.以南京市为例,建立居住用地及其影响因子空间数据库.在此基础上,运用多元回归模型进行全局估算,确定对现状居住用地统计显著的影响指标因子.然后建立现状居住用地和统计显著的影响指标因子地理加权回归模型,对居住用地空间分布进行定量模拟和分析.研究结果表明,CWR能提供一种有效的城市土地利用空间格局研究方法,并为城市土地利用规划提供有效的空间信息.     

基于回归分析理论的装备保障人员资源预测

文章从回归分析基本理论入手,建立了线性回归理论模型,论述了预测和控制的基本实现方法,并利用这一理论对装备保障人员部分数据进行了初步的分析和预测。     

确定某些对虾树的优美性(英文)

众所周知,优美树猜想(GTC)自1966年Rosa提出到今天已经成为一个非常著名的未解决的问题,GTC问题最初来自于把完全图K2n+1分解成同构于任意一棵预先指定的n条边的树的2n+1个子图.尽管有大量的有关GTC的文章发表,但彻底解决这个猜想还很遥远.故而,人们把研究GTC的范围缩小到一些特定类型的树上来,如Bermond的猜想:每一棵对虾树都是优美的(1997).由此启发,我们确定了几类对虾树的优美性,并提出了几个问题以供进一步研究.     

基于回归分析法的高校科技产出能力影响因素分析与预测研究

首先梳理出科技产出能力的所有可能的影响因素,并在数据可获得的前提下,以2000-2008年为时间维,采集科技产出能力及其影响因素的相关数据,然后对科技产出能力及其影响因素之间的相互关系进行回归分析,并利用多元线性回归分析方法从所有相关因素中筛选出影响程度较高的因素,构建科技产出能力的影响因素与预测模型,并对模型进行检验。     

混合交通网络设计问题的迭代降维算法(英文)

提出了一种优化的迭代降维算法求解混合交通网络设计问题. 混合(连续/离散) 交通网络设计问题常表示为一个带均衡约束的数学规划问题,上层通过新建路段和改善已有路段来优化网络性能,下层是一个传统的 Wardrop 用户均衡模型. 迭代降维算法的基本思想是降维,先保持一组变量(离散/连续) 不变,交替地对另一组变量(连续/离散) 实现最优化. 以迭代的形式反复求解连续网络设计和离散网络设计问题,直至最后收敛到最优解. 通过一个数值算例对算法的效果进行了验证.     

基于最优回归-灰色模型的走私案件预测研究

国家税收中关税占有很大比例,走私犯罪主要依靠逃避国家关税获取高额利润。以全国走私案件数为研究对象,采用回归模型对全国走私案件进行有效预测。验证结果表明：回归-灰色模型相比于单独应用回归模型方差和降低了87.67%,预测精度显著提高,预测结果具有波动性,更符合实际情况,能够为走私案件预测提供决策支持。     

基于智慧树平台的混合教学模式探索 ——以信息技术应用课程为例

文章以信息技术应用课程为例,首先分析了信息技术应用课程教学现状,然后阐述了基于智慧树平台的混合教学模式构建思路,最后论述了基于智慧树平台的混合教学模式实施过程.     

单调混合变分不等式的预测-校正算法

研究一类单调混合变分不等式问题,在Lipschitz连续的假设下将预测-校正的思想应用到这类单调混合变分不等式问题中,给出相应的预测-校正算法并研究该算法的收敛性.