河南农民收入增长趋势分析

针对河南农民收入时序,首先建立线性退势模型,发现存在1983、1990、1996、2003、2007等5个结构性断点.引入时间虚拟变量后建立了分段线性模型.发现自1983-1989年间年均收入绝对增幅最低,而2003年后增幅则明显高于历史平均水平,但2007年后略有下降.     

基于ARMA模型的农民收入增长趋势预测研究

在综述学者关于农民收入预测研究的基础上,根据1985~2014年《中国统计年鉴》农村居民家庭人均年收入数据,发现农民收入时间序列为非平稳序列。通过采用Eviews软件建立ARMA(1,2)模型。比较2011~2014年农民纯收入的拟合值与实际值发现,误差均在5%范围内,说明模型拟合效果好,并对2015~2017年农民家庭人均年收入进行预测,发现农民收入的年增长速率在放缓。鉴于此,提出可行性建议以保证农民收入的稳步增长。     

新疆农民收入变化的趋势及前景预测

改革开放以来,新疆农民收入与全国平均水平及经济发达地区的差距不断拉大,本文分析了新疆农民收入现状,对未来的收入趋势进行预测,提出农民增收面临的困难和障碍,以期为政府相关决策提供参考。     

农民收入预测及ARIMA模型选择

在综述学者关于农民收入预测研究的技础上,根据1979—2009年《河南统计年鉴》农村居民家庭人均纯收入数据,发现农民收入时间序列服从1（2）非平稳过程。综合采用Box—Jenkins基于相关图的分析方法和SC准则,进行模型定阶和识别。在综合比选一组不同参数模型性能的基础上,建立了ARIMA（4,2,2）模型。诊断结果表明,所选定模型的残差为白噪声,符合正态分布,可用于农民收入预测。模型预测显示,2009～2012年内农民收入仍将继续增长,分别达到2282．4．2502．9、2686．9和2884．5元,增速由快到慢逐步递减,可持续性不强。     

基于3种预测方法的河北省农民收入预测综合分析

介绍了灰色预测法、递增速度法、趋势外推法三种预测方法,并通过三种预测方法,利用统计资料,对2007～2015年河北省农民收入情况进行了实证预测。预测结果表明,采用灰色预测法的预测结果较为乐观,而采用直线预测模型和对数模型进行预测结果较为悲观,因此,本文综合了中速增长模型和高速增长模型以及指数模型三种模型的预测结果,得出了一个较为合理的结果。     

基于粗糙集理论的河南省农民收入预测研究

采用理论和实证分析相结合的方法,从自身、全国平均水平、中部相邻省份3个层次对比研究河南省农民收入变动情况。结合河南省的实际数据,运用粗糙集理论计算出各因素对河南省农民收入的影响系数,以及若干条确定性预测规则。最后对预测结果进行了分析。     

基于BP神经网络的我国农民收入预测模型

依据1978~2008年影响我国农民收入因素的相关数据,选取从事农业的人口、第一产业产值、乡村就业人员数等13个指标,依据标准化方法和BP神经网络方法,建立了关于农民收入的人工神经网络模型,并进行具体分析。结果表明,模拟值与真实值吻合较好,改进BP算法的神经网络模型预测精度高,收敛速度快,具有良好的泛化能力。在此基础上,提出了增加农民收入的建议：一是推进城镇化进程;二是发展农村中小企业;三是鼓励集约经营;四是加强农村基础设施建设和农业科技投入。     

基于神经网络模型的空燃比非线性模型预测控制

采用基于径向基神经网络（RBFNN）模型的非线性模型预测控制方法,被控对象选择火花塞点火（SI）发动机的空燃比（AFR）高度非线性复杂系统,利用渐消记忆最小二乘法实现基于RBFNN的SI发动机AFR系统建模以及参数在线自适应更新。针对非线性模型预测控制中寻优问题,运用序列二次规划滤子算法对最优控制序列进行求解,并加入滤子技术避免了罚函数的使用。在相同的实验环境下,与PI控制算法和Volterra模型预测控制方法进行仿真对比实验,结果表明,所提算法的控制效果明显优于其他两种方法。     

基于支持向量回归与地统计学的农民收入预测

农民收入既受其自身动态时序特性的影响,又与国家政策、农产品产量、天气等多种人为因素和自然因素关系密切,是一种典型的多维时间序列数据.该研究以国民总收入、乡村人口等11个可能与农民收入相关的影响因子为自变量,农村居民家庭平均每人纯收入为因变量,基于1982～2011年我国相关统计数据,采用支持向量回归与地统计学非线性时间序列预测模型对农民收入进行分析.结果表明：非线性时间序列预测模型大幅度提高了农民收入预测精度;农民的主要收入来源已不是粮食生产,而是向其他农业生产、进城务工等方面转移.     

基于人工神经网络的农民收入预测模型的应用分析——以陕西省为例

阐述了神经网络及其BP算法的工作原理,将神经网络的BP算法引入农民收入研究领域,并应用MATLAB神经网络工具箱对陕西省农民纯收入进行了预测研究。预测模型在预测精度和算法的收敛速度方面都达到了较好的效果,对未来农民收入的研究具有重要意义。     

非线性组合预测方法研究

本文基于线性组合预测模型提出了更具有一般性的非线性组合预测模型，从理论上对这些模型进行系统的研究，它丰富和完善了组合预测理论。     

基于灰色非线性回归的道路交通事故预测

运用GM(1,1)模型对影响道路交通安全的各因素进行预测,然后将各影响因素综合起来构建灰色非线性回归模型,以预测道路交通事故发展趋势.结果表明,该模型的预测精度高,预测结果可靠,适用于道路交通事故预测.     

水稻生育期预测的非线性发育模型

在水稻模拟研究中发育期预测是基础环节。因为它为模拟作物生产力提供时间上的框架。目前对水稻发育过程尚未完全研究清楚,难以用解释性模型来描述。生产上普遍使用的积温法有一定问题,因为它隐含着发育速度与温度呈线性关系。本研究发现:对于调节IR8(籼稻)和藤坂5号(粳稻)播种到开花期间的发育速度,夜温比昼温有更大的效应。这一现象假设是由于发育速度与温度呈非线性关系引起的,因为夜温通常比昼温低。基于这一假设,本研究提出一个解释性能较好的非线性模型来量化水稻发育对温度的反应,并用相乘法则来综合温度和光周期的效应。该模型比线性加性模型和CERES-Rice中的发育模型有更好的预测性能,尽管由于数据观察值本身的异质性,模拟值与观察值还有一定差异。这种异质性来源之一是移栽效应,它在基因型(品种)间的差异似乎较小。为改善模型的预测性能,移栽效应可以作为一个乘子引入模型中以修饰光温效应。     

用TT势计算的CO分子的相互作用势及输运系数

利用Tang-Toennies势模型(以下简称TT势), 计算了CO-CO的相互作用势, 在此基础上得到了CO系统的扩散系数、粘滞系数, 并将所得相互作用势以及粘滞系数、扩散系数分别与已有结果进行了比较. 结果表明TT势模型是一种简单、可靠的势模型, TT势模型对于计算CO分子系统是可行的.     

基于非线性粒子群算法与神经网络的天气预测

采用非线性PSO-BP神经网络对天气预测,可以有效地预测出多云、晴天和下雨3种不同天气。非线性PSO-BP算法提高了天气预测的准确度和精度,加快了网络收敛速度,为智能化天气预报提供了基础。     

用TT势计算的CO分子的相互作用势及输运系数

利用Tang—Toennies势模型（以下简称TT势）,计算了CO-CO的相互作用势,在此基础上得到了CO系统的扩散系数、粘滞系数,并将所得相互作用势以及粘滞系数、扩散系数分别与已有结果进行了比较．结果表明TT势模型是一种简单、可靠的势模型,TT势模型对于计算CO分子系统是可行的．     

基于数学模型预测森林病虫害的研究进展

阐述了我国森林病虫害预测预报的发展历程,介绍了近年来非线性模型和线性非线性组合模型在森林病虫害预测中的应用现状,综述了组合模型的建模方法、支持向量机回归原理及应用现状,总结了目前森林病虫害预测预报中存在的问题,并展望了其今后的发展趋势。     

具有调和势和耗散非线性项的薛定谔方程的解的存在性及集中现象

用不变集和调和分析的方法研究一类具有调和势和耗散非线性项的薛定谔方程在非线性级数项是 H1 临界时 的全局解的存在性以及非线性级数项是L2 临界时的爆破解的集中现象.     

非线性系统的神经网络预测控制研究

针对工业过程控制中的强非线性系统的复杂控制问题,给出了一种基于神经网络预测的控制方法,用改进的BP神经网络实现预测控制中的模型预测,有效的解决了神经网络收敛速度慢的问题,同时用RBF神经网络实现预测控制中的控制器的优化,解决动态规划方法求解慢的问题。将该算法用于强非线性系统中,仿真结果表明该算法,具有响应速度快、跟踪性能好、鲁棒性和抗干扰性强的优点。