高维数据挖掘中基于中位数回归的特征提取新方法

为降低噪声对数据特征提取(变量选择)效果的不利影响,基于中位数回归分析方法,利用变量选择降维技术(正则化估计),提出了一种稳健、有效的特征提取(变量选择)新方法,并具体给出了估计算法,该算法具有快速计算的特点.实验结果表明,新方法能够有效地对高维数据集进行估计和变量选择,且具有较高的准确性,即使数据中的信噪比很低时,该方法仍具有较好的效果.因此,该方法为高维数据挖掘特征提取提供了稳健且有效的方法.     

基于学习效率的学习资源推荐算法

针对目前网络学习系统学习资源推荐的不足,提出了一种基于学习效率的学习资源推荐算法。我们利用逻辑回归模型,以学习者学习前的测试结果作为输入,计算输出测验得分提高的最高期望值。该算法通过测验得分提高的期望值来量化学习效率,并通过推荐资源以最大化这个期望值。     

基于二元线性回归的系统谐波阻抗及用户谐波发射水平的估算方法

随着我国社会经济的快速发展,电力事业得到了长足的发展,各行各业对电力的需求量逐渐增多,电网的规模也逐渐扩大。在电网运行过程中,谐波不仅增加了电网运行的损耗,更对电网系统运行的安全与稳定造成很大影响。为了加强对电网谐波的管理,满足电力企业与用户双方的利益,首先需要对系统谐波阻抗、用户谐波发射水平进行准确的估算。该文提出了一种基于二元线性回归的估算方式。首先对公共连接点各次谐波电压与电流信号进行准确的测量,然后通过二次线性回归法,得出系统谐波阻抗值,最后估算出用户谐波发射水平。另外,该文还通过仿真实验、工程实例分析验证了该估算方法的有效性,希望对有关领域的工作者提供参考。     

回归神经网络预测模型归一化方法分析

该文运用几种常见数据归一化方法分别对自回归神经网络动态预测模型的预测性能进行分析,结果说明不同数据归一化处理对模型的性能影响非常明显,运用最大运算法进行归一化处理要优于其它几种常见归一化方法。     

关于新时期文学本质研究的立场和方法的思考

改革开放以来,关于文学本质的研究取得了令人瞩目的成就,但对于何为文学本质的争论仍在广泛的领域内进行着,没有形成一个一致性的认同.认为这与研究活动本身的立场和方法有关.反思文学本质研究的立场与方法,认为必须坚守文学作为人文学科的学科立场,突破一元思维模式的局限,最大限度地实现开放式的对话,并在研究过程中,不仅关注马克思、恩格斯原著中的陈述,还应关注现实之变.     

灰色线性回归组合模型在计算给水管道阻力系数中的应用

为了求解管道阻力系数,将其应用到工程中的水力计算中,运用灰色线性回归组合模型进行求解,得出了计算管道阻力系数的数学模型,并结合工程实例进行验证.实践表明该模型的精度较高,具有一定参考价值.     

电视购物调查分析——以陕西电视台“乐家购物”为例

对"乐家购物"消费者的调查数据用交互式列联表作初步的描述分析,表明随着年龄的增长、教育程度的提高、月收入的增加,选择电视购物的次数都有增加的趋势;构建Logistic回归模型对影响电视购物的因素作深入分析研究,揭示影响消费者选择电视购物的主要因素是年龄和受教育程度,并为电视购物的发展提出建议。     

支持向量回归在飞灰含碳量软测量中的应用

针对目前锅炉飞灰含碳量难以准确测量的问题,应用支持向量回归和粒子群算法相结合建立了飞灰含碳量软测量模型;建模中以某电厂提供的1 000 MW超超临界机组的测试数据为研究对象,对数据进行了预处理,对各种变量进行了关联度分析,采用粒子群算法优化了模型的惩罚参数C和核函数参数g,建立了飞灰含碳量软测量模型;同时利用测试数据和另选的随机数据验证了模型的准确性和泛化能力;仿真结果表明,飞灰含碳量软测量模型的预测精度较高,相对误差被控制在±1%以内,而且泛化能力较强,为锅炉飞灰含碳量的测量提供了一种有效的途径。     

优化SVR的加权马尔可夫链用电量预测

研究电力系统中用电量的准确预测问题.由于影响用电量的因素众多,并且用电量数据与相关因素之间呈现高度的非线性关系,传统的预测方法很难捕捉用电量的变化趋势,预测精度较低.为了提高预测的精度,提出了一种马尔可夫链优化的SVR模型.上述模型根据支持向量回归机原理,以网络搜索交叉验证的思想优化模型参数,通过加权马尔可夫链原理优化预测结果,将原来的数值预测转化为概率区间上的预测.同时,在利用加权马尔可夫链的预测信息之后,也提高了预测的精度.最后,将改进模型应用于江苏省全社会用电量的预测分析,实验结果表明优化的支持向量模型优于其它对比模型,有较高的泛化能力和预测精度.     

应用于临床生存时间预测的二次学习算法研究

生存时间预测在医学、经济和工程等领域有着广泛的应用。随着机器学习技术和数据挖掘技术的发展和广泛应用,研究人员提出了很多基于机器学习技术的生存时间预测算法。这些算法虽然都取得了良好的效果,但预测精度均有提升的空间。因此,提出了一种基于二次学习风范的生存时间预测算法,并结合最近邻算法在截尾样本估计上的应用以及支持向量机在泛化性能上的优势,实现了对临床生存时间的建模。实验结果表明,该算法能够获取精确的生存时间,且具有预测精度上的性能优势。