GM(1,1)-ARMA(n,m)预测模型及应用

GM(1,1)模型是以灰色系统理论为基础的预测模型,而ARMA(n,m)是以时间序列为基础的预测模型.由于二模型各具其特点,并各有局限性.但二者能取长补短.文献[1]给出了混合模型GM(1,1)-ARMA(n,m),但在具体预测时由于运算量大,没有合适的计算机处理程序使之显得不方便.本文根据其原理,完善了计算方法,给出了预测公式.经过例子验证,结果是理想的.     

关于Ermakoff定理的注记

本文将著名的ErTnakoff定理进行引伸,使之应用到正项级数敛散性判定上更加灵活,并同时获得了一些有趣的结果.     

谈当前影视剧中的"方言热"现象

在当前的影视剧中出现了“方言热”现象。从社会原因和言语使用者共同的社会心理以及方言和普通话关系等几个方面来看,这种语言现象出现有一定的原因和存在的基础,其不会妨碍普通话的推广和发展。     

关于AR-MA双重时序模型平稳解的存在性

本文在参考文献[1]、[2]的基础上讨论了AR-MA双重时序模型存在平稳解的条件,获得了AR(1)-MA(1)和AR(1)-MA(2)存在平稳解的充要条件(不必假定白噪声序列为正态)。本文的方法完全适用于讨论一般的AR(1)-MA(q)模型的平稳解的存在性,而且对讨论AR-AR模型也有所启发。     

Estimates of Central Moments for One Kind of Exponential-Type Operators

In this paper,the explicit estimates of central moments for one kind of exponential-type operators are derived.The estimates play an essential role in studying the explicit approximation properties of this family of operators.Using the proposed method,the results of Ditzian and Totik in 1987,Guo and Qi in 2007,and Mahmudov in 2010 can be improved respectively.     

论新时期电视剧传播媒介的变革

互联网的出现不仅对传统媒体造成了很大冲击,而且改变着电视剧创作趋势、创作者的理念,对电视剧的传播产生了极大影响。     

《三苏文集》与南宋三苏选本

在南宋的前期及中期,由于政治风向、社会思潮等多方面因素的影响,三苏文章得到了君王的褒赞、士人的首肯和民间的追捧,三苏文集的编选、标注及刊印风靡一时,现存的南宋三苏选本就有七种之多。这些选本或依人系文,或分类辑文,体例不一。其中吕祖谦编选的《三苏文集》是较早又较好的选本,其所选之文都是可诵习为矜式者,非如他本繁简失宜、取舍不当,故而该书具有一定的选本价值,在三苏文章的传承、流播历程中具有一定的意义。同时,该书因成书较早且质量较好,还具有较高的文献价值,可以在编纂三苏文集时发挥重要的校勘作用。     

二项式函数f(x)=(1+x)α(α≠0)的幂级数展开式及其应用

详细介绍了二项式函数f(x)=(1+x)α(α≠0)的幂级数展开式、收敛域的确定及其二项式级数在数学中的应用.     

从伯克的"语言四维度"看"印象系列"的修辞效果

在<语言是象征行动>中,伯克明确提出语言四个基本维度:诗学、逻辑与语法、修辞以及伦理学.这四个维度几乎覆盖了语言的所有范围:诗学语言在富有情感的同时也含有理性的成分;逻辑语言并不仅仅局限于语法及逻辑思维,更应与理性相结合,指导行动;修辞语言贵在用劝说、劝勉的语气达到合作竞争的目的;伦理语言,要求我们真实准确地表达人格品...     

Predicting future dynamics from short-term time series using an Anticipated Learning Machine

Predicting time series has significant practical applications over different disciplines. Here, we propose an Anticipated Learning Machine (ALM) to achieve precise future-state predictions based on short-term but high-dimensional data. From non-linear dynamical systems theory, we show that ALM can transform recent correlation/spatial information of high-dimensional variables into future dynamical/temporal information of any target variable, thereby overcoming the small-sample problem and achieving multistep-ahead predictions. Since the training samples generated from high-dimensional data also include information of the unknown future values of the target variable, it is called anticipated learning. Extensive experiments on real-world data demonstrate significantly superior performances of ALM over all of the existing 12 methods. In contrast to traditional statistics-based machine learning, ALM is based on non-linear dynamics, thus opening a new way for dynamics-based machine learning.