1) regression prediction
回归预测
1.
Radial Basis Function Neural Networks(RBF NN) are frequently used for regression prediction.
径向基神经网络经常用于回归预测,但是高维的核函数矩阵运算需要花费巨大计算资源。
2.
Based on different kinds of information, four models for predicting the remaining life of concrete structures are proposed in this paper, which are regression prediction model, grey prediction model, improved grey model and neural network model.
基于不同的信息,提出现有混凝土结构剩余寿命预测的四种模型:回归预测模型、灰色预测模型、灰色改进模型和神经网络模型,决策者可根据自己的知识水平、所掌握的信息种类和数量等主客观条件来选用不同的模型进行预测分析和决策制定。
4) regression forecasting
回归预测
1.
In order to simplify the problem in regression forecasting,we don t often consider gray information.
由于客观世界上存在灰色信息 ,而通常的回归预测法中为了问题的简单化不考虑灰色信息。
2.
This paper presents an approximatians statistical analysis method to select the best design With the principle of regression analysis and regression forecasting the method discusses when the product of two correlated economic variables obtains maximum or minimum value.
本文提出了经济活动中一种随机最优化的处理方法，该方法利用回归分析和回归预测的原理，讨论了两个相关的经济变量之积在何时取得最大值或最小值，并以国营第７１４厂“熊猫彩电”在国际市场上销售的经验数据为例，给出了寻找最大值的近似方法和步骤。
5) Regression forecast
回归预测
1.
Analysing the relationship between the correlation degree, the precision, the sample size in regression forecast, two models are obtained.
分析了回归预测中相关度、精确度与样本数量三者之间的关系，得出了２个关系模型。
6) autoregressive prediction
自回归预测
1.
A note on the method of autoregressive prediction;
关于自回归预测方法的注记
2.
The new improving method for the autoregressive prediction on increasing time series data is obtained.
提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。
补充资料：回归预测法
回归预测法
regression forecast
(续)名称}公直线化公式y一a+bx+‘xZ了一a一卡bxl+cxZ(v’=y，xl=x，xZ一xZ)抛物线少二a十bx+c尸y，=a+bxl+cxZ(y‘一少，xl二x，x2一尸直接法步骤为:①求曲线相关率(刁):/、勘、占习、召、，一与习，)2了n酬习，2一粤(习，)2 凡(()蕊夕蕊l)②计算直线相关系数(r。)。设:一。’一尸，若。=0，为直线相关，若。>O，为曲线相关。:值愈大，曲线相关性愈显著。③建立曲线预测式: 乡二a十bx+。xZ④求回归系数a，b，c值: f刀a+b习x+c艺护一习y(刀为样本数) {a乞x+b艺矛+‘乙厂一到xy La艺x“+b艺尸+‘艺扩一艺x“y⑤用:2表检验所求理论曲线与各实测值的物变是否吻合，解联立方程组求出bl，bZ，……，bn。得 b。一歹一bl而一bZ元……b，虱将b0，b:，bZ，……b，值代入通式，即得多元线性回归方程。 再对回归方程进行复相关系数检验或F检验。 复相关系数通式为:R二式中Ly，~习尹一(艺y)“ NL*、一习x、b‘为上述回归系数，习x、习yN义2=习(y一必“ 夕式中伪估计值，伪实际值，查厂表(自由度儿一3)，凡所求的z“值大于或等于表中P二0.05的xZ值，则所配曲线方程不适合，反之为适合。 多屯线性回归方程当需要采用多个预报因子建立预测式时，可用复相关分析、偏相关分析、逐步回归等法。用复相关法时，可先对预报因子作复相关检验，后建复回归方程，再对此方程用x“表进行适合性检验，和用F检验表作显著性检验。但在实际工作中，因复相关系数难求，常可先建多元回归方程，再对方程进行复相关系数检验或F检验。多元回归方程通式为: y一bo十b 1 xl+bZxZ+……+b。肠，式中b，.bZ，……，b二为回归系数，其求法可根据最小几乘法列出方程组:(b，又(x:一x，)2+b。习(x;一刃)(xZ一元)+……}‘白，:乙灭xl一为)Lx、一肠)一乙火x-一xl)Ly一y)查相关系数显著性表，自由度为(N一k一1)，如算得的R值大于Pf〕.(、:的值，则P<0.05，表示相关显著，大于表中P、〕.(、1的值时，则相关极显著。 F检验通式为:艺(夕一孙’/k习(y一歹)“/(N一k一1) 习b:L‘、/k Lyy一军bi乙、/(N一k刃1，查F表，自由度为(k，N一k一1)，当F值大于凡、或FO.。1时的F值时，则表示预报量与各因素间相关显著或极显著，回归式成立。b、习(x，一石)(xZ一元)+bZ习(x:一万:)2+……‘方，习(x2一元)(x，一牙。)一习(xZ一几)(y一孙bl习(x，一了、)(x。一瓜)十bZ习(xZ一孔)(x二一又)+……十b。习(x。一系)2一习(x二一充二)(夕一歹)回归预deIJ法(regression foreeast)根据害虫发生与环境因素间的数量关系，用生物统计的回归分析法建立回归方程预测害虫发生的一种方法。适用于害虫中、长期预测预报，并适于利用电子计算机组建方程式和发布预报。一般过程为:选预报因子并测定其和预报量(害虫发生期、发生量、危害程度)的相关显著性;将有显著相关的预报因子和预报量组建回归方程(也称回归式或预测式)，并求出回归系数;经可靠性检验修正后，投入实用。 选预报因子预报因子是对预报量有密切关系的环境因素，须利用多年积累的田间系统调查资料选取。其选择原则是:①样本数要稍多些，一般10一20个;预报因子数不超过样本数的1/10一1/5;②相关性好且稳定;③选主要因子和能与之配合或互补的次要因子。其选择方法一般为:①在直角坐标中作预报因子与预报量的散点图;②判断二者的相关性质和程度，经相关系数分析和显著性检验最后选定。 建回归方程根据预报因子与预报量的关系，回归方程有线性、非线性(曲线)之分，根据预报因子的个数有一元、多元之分。 一元线性回归方程单一预报因子(x)和预报量(y)呈近似直线关系。建立步骤如下: 求相关系数(rx刃，即求所认定的预报因子与预报量的相关程度。相关系数的公式为:rx、一罩【李月共刀 又儿一1)气乙x.勺召)(n为样本数):xy一告:::，:二青:X:，b-—习护一立(习x)2 拜丫〔:XZ一音(:、X)2〕〔习、一青(习护2〕 作显著性检验，即检验所选预报因子的相关显著性，常用两法:①查相关系数检验表，自由度为儿一2，凡公式所求rx、值大于表中0.01的值时，表示相关极显著，大于表中0.05的值时，表示相关显著，则此预报因子可以采用，反之不宜采用;②用t检验法。 t一r/s，一八任于屯八勺二户式中S为相关系数标准差。凡t值小于t值表中0.05t值的，不宜选作预报因子。 建立回归方程: ;二a十bx式中;为预报量估值，。、的回归系数，其求算公式为: a=y一bx 检验预报符合率(报准次数与预报总次数之比)，即检验所建回归方程的符合程度，一般有两种方法:①回测符合率，即用历史资料代入预测式，统计其符合程度;②预测符合率，即用实际发生的资料代入预测式，统计报准百分率。 曲线回归方程预报因子(x)与预报量(y)成曲线关系时，应建曲线回归方程。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条