线性回归方法在数据挖掘中的应用和改进

文章对线性回归以及其扩展方法进行分析,并从多个方面对这些方法性能进行评估,同时还对回归技术在数据挖掘中的几个典型应用进行了阐述。并且,在传统线性回归算法上提出了更为健壮的改进方法。     

无线传感器节点均匀性估计算法及其应用

无线传感器网络中锚节点的分布情况是一个重要指标,在很大程度上影响未知节点定位的精度,但目前对均匀性的分析却很少。通过比较邻居节点的接收信号强度(RSS)确定未知节点移动后远离和靠近的锚节点个数,以此研究未知节点周围锚节点的分布情况。提出了一种对锚节点均匀性进行定量估计的算法,给出了均匀性评价指标——归一化均匀性偏差的概念及公式。将该算法应用到节点定位过程中,提出混合定位算法。仿真结果表明,基于均匀性估计的混合定位算法能提高原有算法的定位精度。     

基于FOCUSS算法的稀疏阵列综合

以最大稀疏化阵列得到所期望的方向图是稀疏阵列综合理论中的关键问题。由于阵列天线本身具有稀疏的物理特性,因此可将稀疏阵列综合归结为稀疏信号的重建过程。该文提出一种将阵列天线的波束形成问题等效为求解稀疏信号向量的最优化问题的方法,并利用FOCUSS算法快速准确地得到最大稀疏化的阵列,以及阵元位置和激励幅度。理论分析和数值仿真表明了该方法的有效性。     

基于三参数区间数标准化及排序算法改进的多属性决策模型

在三参数区间数多属性决策问题中,文章对现有三参数区间数标准化处理算法存在的不足进行了分析,提出了一种新的三参数区间数标准化处理算法,同时为体现三参数重心点发生可能性最大的分布特点,对三参数区间数的三个参数出现概率与上限均值、下限均值进行分析,提出了基于上限均值、下限均值及其两均值长度的可能度排序方法,并从理论上证明了其合理性.最后通过算例分析,进一步验证了本文算法的有效性.     

基于连接低干扰的无线Mesh网络信道分配算法研究

为合理地分配和利用无线信道资源,研究者们提出了许多关于多射频多信道无线Mesh网络的信道分配算法。该文针对无线Mesh网络的信道分配算法,以连接低干扰信道分配算法(CLICA)为基础,以提高网络容量(吞吐量)为目标提出了一种改进算法。该算法根据网络中各链路的干扰度来计算网络干扰度,通过减小网络的干扰度来提高网络吞吐量,以实现最小化网络干扰度的目标。构建信道分配的数学优化模型,通过NS2仿真验证比较改进前后算法的性能,求解出最优的信道分配。     

协同创新项目的动态利益分配方法

利益分配是协同创新项目中关键而又最难协调的问题,它对项目的稳定进行起决定性作用.文章综合运用了合作博弈理论中利益分配的Shapley值法与最小核心法,构建了协同创新项目的动态利益分配方法.并将各参与者的每个阶段的投入和所承担的风险作为参数,在项目进行过程中对风险因子进行动态调整.探寻切实可行的协同创新项目利益分配方法.     

应用ANP和Super Decision软件的物流园区选址研究

由于电子商务的高速发展,物流园区的建设从传统因素的考虑改变为添加电子商务属性的建设要求。网络分析法(analytic network process,ANP)利用"超矩阵"对各相互作用并影响的因素进行综合分析得出其混合权重。本文通过对物流园区在新环境下考虑属性的调查,充分思考传统的经济、社会、环境属性以及新的电商属性,应用ANP以及Super Decision软件建立模型最终得出关于园区选址的科学决策。     

广州农村集体建设用地流转空间非均匀发展及重心演变轨迹分析

采用核密度分析法、 洛伦兹曲线及基尼系数算法和重心法,结合1991年~2013年广州市八区的基础数据分析广州市农村集体建设用地流转的空间非均衡发展状况及重心演变轨迹.研究结果表明:整个研究区域内的集体建设用地相对集中,主要分布在城乡结合部;不同村域内的集体建设用地相对分散;研究区域内农村集体建设用地的重心演变轨迹与城市发展的战略导向相对一致.研究结论揭示了广州市农村集体建设用地流转的空间非均匀发展概况,实现了农村集体建设用地流转时间跨度重心演变规律,丰富了农村集体建设用地流转摸底式探索研究.     

城乡居民储蓄推动GDP增长贡献率分析

高储蓄、高增长是中国的一大特点.文章基于1992-2016年中国GDP和城乡居民高储蓄余额的数据,采用线性最小二乘法建立了城乡居民储蓄额(Savings)推动GDP增长的经验回归模型,通过积差系数检验、回归系数检验、拟合优度检验以及残差的齐次性检验验证了经验回归方程的合理性,研究结果显示:不存在奇异值和异方差,城乡居民储蓄余额(Savings)对GDP增长的贡献率为99.7％.     

Monte Carlo EM梯度法在MATLAB中的实现

文章使用空间广义线性混合模型为连续空间非正态变量建模,在MATLAB中实现模型参数估计的MCEMG算法,即结合Monte Carlo样本的EM梯度法,求解参数的极大似然估计及采样点随机效应的最小均方误估计。在GS+中进行随机效应的普通克里格插值,并最终对非采样点响应变量进行预测。模拟仿真结果显示该方法参数估计与真实值较接近,响应变量预测结果能反应真实数据总体分布情况。