经典相关系数及统计功效对比研究

本工作选取多种经典相关系数进行了对比研究,如Pearson相关系数、Spearman相关系数、距离相关系数、最大信息系数及HHG相关系数.具体地,在不同数据规模及噪声水平下,对线性、非线性单调、非单调、非函数等不同类型变量的相关性分别进行研究,得到各相关系数的统计功效.通过分析发现,Pearson相关系数、Spearm...     

基于广义回归神经网络的日总辐射曝辐量预估

采用广义回归神经网络(generalized regression neural network,GRNN)模型对山东烟台市福山气象站2000～2003年日总辐射曝辐量进行预估。模型通过交叉验证方法确定其关键参数(光滑因子),以日照时数、平均气压、平均气温、日最高气温、相对湿度、气溶胶光学厚度6个变量作为输入量。结果显示:GRNN15.9%,均方根误差为2.32 MJ/m2,拟合优度为0.892,且模型的预估精度和拟合优度均明显优于LM-BP网络。气溶胶光学厚度对GRNN是预估当地日总辐射曝辐量的一种有效方法。     

课堂教学质量的模糊综合评判

将模糊综合评判的数学方法应用于教师课堂教学质量的评估体系,建立了数学模型,对模型中的一级指标和二级指标分别采用德尔斐法和专家赋分的方法确定各评价指标权重。用此模型对被测教师的课堂教学质量进行了全面评价,并与专家评价结果进行比较,结果表明该模型具有较好的实用性。     

基于Elman神经网络的日总辐射曝辐量预估

太阳辐射的预估研究对太阳能资源的有效利用有重要意义。应用山东省福山、莒县、济南三所气象站2000—2003年的数据,建立Elman神经网络模型,对日总辐射曝辐量进行时间序列预估研究。结果表明:Elman神经网络预估效果受天气状况影响较大,晴好天气下日总辐射预估结果较精确,福山站预估与观测差值最小,范围在-2～2 MJ·m~(-2)。城市大气污染对日曝辐量影响比较显著,模型中不考虑大气污染因素,污染较重的济南市预估效果最差,平均百分比误差变大了20%,均方根误差变大7%。Elman神经网络模型预估结果优于广义回归神经网络模型结果,3个站平均百分比误差降低5%～18%,均方根误差平均减小了0.506 MJ·m~(-2)。Elman神经网络模型适应于山东省日总辐射曝辐量的长时间预估。