一、一种回归模型非线性性的检验方法（论文文献综述）
谢黄骏[1]（2021）在《基于多电极电容传感器的低温两相流反演理论和实验研究》文中认为航天低温推进剂加注、低温空分、氢液化及液化天然气生产等过程都涉及低温流体的输运,监控相含率及相分布对于这些工业过程有重要意义,也是低温两相流换热及流动特性研究的基本参数之一。低温流体与室温流体如水、乙醇等相比,密度、导热系数及液相介电常数等物性有数量级的差别,在这些物理测量过程中,测量算法的准确度及抗噪性要求更高,对信号采集硬件系统的分辨率及精度要求更严格。另外,低温空化、低温热管等两相流动及换热测量要求减少对流场的干扰。因此理想的低温流体两相流相含率及相分布测量手段应具备如下特点:1)非接触、非侵入;2)可同时测量相含率及相分布;3)硬件对复杂环境的兼容性较高,成本可控;4)环境友好,对人无害。传统的低温流体两相流测量技术中,很难在上述四点需求中做到较好的均衡。本文提出一种基于多电极电容传感器的低温流体两相流相含率及相分布测量方案,研究将多电极电容传感器测得的电容向量分别与空泡率及相分布信息相关联的测量算法。本文在电容式传感器的电场特性,相含率测量算法、相分布反演算法等方面,开展了如下三个方面的研究工作:1)研究了电容式传感器测量区域的电场分布特性,得到电容变化与测量区域中两相流流场内任意微元介电常数变化之间的数学关系。通过将流体管路截面网格（微元）化,获得传感器边界电容变化量（dCp,q）与每个网格介电常数变化（dεe）的一阶线性关系,从而得到对应于不同电极对的灵敏场（Sp,qe=dCp,q/dεe）。当传感器在测量区域内形成匀强场时,灵敏场处处相等,流体空泡率与任意位置电容变化量呈等斜率的线性关系,此时电容与测量区域相分布无关,然而这也导致了相分布信息的丢失,只能对相含率进行测量。当测量区域内电场不均匀时,在电场线密度较大的位置灵敏度较高,此时相分布将会显着影响电容值,空泡率与电容间的关系高度非线性。2)基于最小二乘支持向量回归（LSSVR）在高维空间拟合电容向量与空泡率的映射关系,并针对带噪样本开发模糊回归算法（FLSSVR）,利用数值实验初步验证了多电极电容传感器结合该算法进行低温流体空泡率计算的可行性。以LN2-VN2作为工质对,通过数值实验验证了利用LSSVR在高维空间中寻找多电极电容传感器电容与低温流体空泡率之间映射关系的可行性。给出了六种典型相分布做为训练样本生成的模板,其中对于无规则相分布的使用很大程度上丰富了训练样本对各流型的覆盖度。研究了不同归一化方法所得输入对计算结果的影响,发现线性归一化电容向量作为输入能够获得准确度最高的空泡率计算结果,其相对误差在10%以内,绝对误差在0.020以内。针对有噪训练数据,计算高维空间中样本点到一次拟合超平面的距离,依此定义模糊隶属度导出FLSSVR算法。数值实验结果表明,该方法在训练样本带噪情况下相较于LSSVR所获结果平均相对误差降低7.41%,均方根误差减小9.80%。3)基于电容层析成像（ECT）技术反演得到低温流体相分布图像,提出一种考虑线性化误差的改进算法,基于数值模拟和常温替代工质实验验证了测量准确性。ECT利用反演算法,对已知独立电容测值求介电分布的反问题进行求解,得到测量区域内的相分布信息并以图像的形式将结果输出。以LN2-VN2作为两相工质对,通过数值实验筛选了适用于8电极电容传感器在低温流体两相流反演时的传统反演算法。利用LSSVR拟合归一化电容向量与线性化误差的关系,并结合传统算法,得到LSSVR耦合的反演算法。数值实验表明,LSSVR耦合的反演算法能够消除传统迭代算法的半收敛现象,极大程度改善反演质量,将图像误差减小27.95%～63.77%,相关性系数提升4.63%～106.39%。搭建了类比于液态甲烷-气态甲烷介电特性的常温介电工质对反演成像实验装置并进行静态实验,结果表明LSSVR耦合的反演算法能够有效提升反演精度,且具有良好的泛化能力。
谢锐敏[2]（2020）在《基于深度学习的聚酯纤维聚合过程软测量建模研究》文中提出聚酯纤维聚合过程是一个生产设备多样、工作环境各异、化学机理复杂、影响因素繁多、工艺要求精细的复杂流程工业过程,是决定最终纤维性能的首要环节。因此,对该过程的关键质量指标进行实时监测控制极为重要。然而在高度复杂的聚合生产环境下,由于恶劣的测量环境以及昂贵低效的测量仪器等因素,该过程的关键质量指标熔体粘度无法得以及时有效的监测。为此,软测量建模技术得以发展,该技术通过建立复杂过程关键质量指标和易测量过程变量之间的数学模型,从而实现对关键质量指标的预测估计。聚酯纤维聚合过程的三釜工艺及内部的复杂物化反应,使得该过程往往具有高度复杂的非线性特性,与此同时,由于采样率不匀、传感器故障等问题,也会导致标签有限、样本数据缺失等数据特性,以及复杂动态性和多模态性等过程特性。为此,本文以深度学习算法为主要研究方法,开展聚酯纤维聚合过程的软测量建模研究工作,完成的主要研究工作如下:（1）针对聚合过程中温度、压力、流速等过程变量的高采样率与熔体粘度指标的低采样率导致的标签缺失情况,提出了一种基于半监督改进型门控循环单元回归网络的软测量模型。循环神经网络适用于处理过程数据和关键质量指标不同采样率导致的标签缺失问题。首先将有标签样本和无标签样本进行序列化,构建新的序列样本,将门控循环单元和核极限学习机进行结合,设计了一个半监督门控循环单元回归网络的软测量模型。随着序列长度的增加,利用多头自注意力机制解决原始的门控循环单元网络很难获取长时序列中样本之间的相关性关系的问题,更好地提高了模型的预测精度。（2）针对聚合过程中高分子熔体粘弹性导致的复杂非线性动态性,提出了一种基于双流λ门控循环单元网络的软测量模型。门控循环单元网络主要用于动态时序数据的处理,然而该网络内部的状态方程具有线性限制,大大降低了流通数据的丰富性,于是引入双λ因子进行非线性调整,以增强流通数据的丰富性。根据聚合过程中关键质量指标的特性,构建了一个双流架构的λ型门控循环单元软测量框架,两条支流分别处理时域相关性和动态因果相关性数据,将两支流所学特征进行融合,最后用监督学习回归层进行软测量建模预测。该算法可以有效地提取关键质量指标的时域特征以及与过程变量相关的因果关系,用于软测量建模。（3）针对聚合过程传感器故障导致的输入变量缺失的情况,提出了一种基于有监督深度变分自编码网络的软测量模型。变分自编码网络是一种用于特征提取的无监督生成式网络,其强大的重构能力对解决缺失数据补全问题具有良好的功效。基于此,首先构造了两个新型子模型,即有监督深度自编码模型和改进型无监督深度自编码模型,分别用于预测关键质量指标和提取与标签强相关的特征,然后将两个子模型的编码器和解码器相结合构成一种新型的软测量模型。同时,利用变分自编码网络的强重构能力,将该软测量模型拓展到解决聚合过程中输入变量缺失问题。（4）针对熔体直纺式聚合过程的三釜工艺导致的复杂多模态过程特性,提出了一种基于质量驱动型高斯混合变分概率网络的软测量模型。该模型以变分自编码网络为基础算法,首先引入高斯混合分布和可逆的Householder变换,将原始变分自编码的潜变量空间由对角型单高斯分布拓展为非对角型的高斯混合分布,使之更加适用于复杂多模态过程数据的特征提取。然后在模型输入中引入关键质量变量,并利用门限连接方式改进了编码器和解码器的结构,从而设计了一种新型的质量驱动型软测量框架。所建模型不仅可以很好地解决复杂多模态过程关键质量指标的预测估计,而且很大程度上提升了软测量模型的鲁棒性。最后,对全文的研究工作进行了总结,指出了工作中存在的不足,并对有待进一步研究的方向和方法进行了展望。
贺潇[3]（2020）在《股指期货对技术指标影响的探究》文中认为由于不同的人对于一个企业的内在价值信息和未来的盈利前景掌握不到位,这就使得股票价格的确定过程极为复杂,乐观者想要售入,悲观者则想要售出,中立者则选择观望,此时,股指期货应运而生。由于在股票交易中,投资者会面临或大或小的风险,而股指期货则利用一种达成协议的方式,使两者的风险对冲,从而实现盈利;其次,由于股指期货和股票价格的变动方向一致,可以实现盈亏部分或者全部相抵;最后,股指期货作为一种规范化的场内交易,在此集中了很多愿意承担风险且获得超额收益的投机者们,这些投机者可以在场内进行频繁、快速的交易,继而转移投机者们自身所承担的风险,以实现风险规避的目的。因此股指期货现已发展成为资本市场中举足轻重的投资工具,丰富投资策略,提供投资工具,进而增加获利机会。对于中国来说,早在2010年2月22日9时起,已公开正式地接受前来投资的人进行开户申请,且于2010年4月16日起,沪深300股指期货合约也正式上市销售。期货市场品种众多、关系繁杂,具有复杂系统的特征,在服务于现货和实体经济的过程中起到了规避风险、价格发现和套期保值等重要作用,而对于期货市场中的技术分析,精明的投资者则是运用图表、公式等数学方法,长期观察,长久观望,积累经验,逐步归纳,来研究市场行为,探究行为内幕,预测行为走势,从而决定后期投资行为,因此,重视期货市场的重要作用,运用好期货投资工具就成为投资者的首要任务,鉴于此,本文将沪深300股指期货主力合约数据作为研究主体,从理论上分析并构建价格发现过程和影响因素作用于价格发现功能的理论框架模型,探讨美国等发达市场价格反应程度与我国新兴市场价格反应程度的差异,得出我国在股指期货市场中价格反应程度的时间间隔,发现我国市场期货价格反应时间要长于国外发达市场,但在逐步完善、接近。接着根据计算出来的国内价格反应时间,利用移动平均线（MA）和高低点区间突破（TRB）的标准检验结果,观察其价格收益情况及买卖区域的差异,并对比两种销售策略的相同点及不同点,结果显示,虽两者在一定程度上都有着非线性的特征,但是相对来说,MA更显着一些,性质更强烈一些。继而本文使用一些常用的线性模型,加之建立新的非线性模型,对MA、TRB预测与获利能力进行检验,并比较分析两者获利能力差异,得出,尽管最后验证的GRACH可以解释部分性质,但整体来说,结果并不完美,故线性模型都不能很好地解释两者中的预测能力等;且在非线性模型中,引入条件异方差后更好地解释了两者的非线性,进而研究得出TRB的非线性和预测能力略弱于MA。最后,利用单个神经网络模型建立策略对MA这种简单技术指标进行预测,探究在不同的市场环境下,能否做到有效预测,能否产生预期的收益。最终显示,MA在牛市和平稳期,可以做到有效预测,产生预期收益,但是对于熊市来说,却不能有效预测。
张静[4]（2020）在《赵各庄矿地下水位动态特征及多元时间序列分析》文中指出我国矿井安全生产常常受到水害的威胁,因地下水系统的复杂性,很难掌握地下水系统的动态规律。为了减少矿井水害对矿区的威胁,了解地下水系统与影响因素的动态关系,以河北省唐山市开滦赵各庄矿为例,收集其降雨、蒸发量、水分盈亏量及地下水位的时间序列信息来建立时间序列动态模型进行动态分析和预报,探索矿井地下水动态研究手段。前期研究,通过对该区监测孔地下水位数据与降雨量进行地下水动态滤波分析,以对降雨的响应划分三种类型,分别为:大波幅-滞后型、小波幅-逐级滞后型、大波幅-过渡型。这三种类型分别属于奥陶系灰岩裂隙水系统、强风化泥灰岩孔隙水系统、灰岩裂隙-孔隙水过渡系统。通过主成分和STL（Seasonal and Trend decomposition using Loess）分析,发现水分盈亏量对地下水位分析具有重要意义;在季节性、长期趋势和随机波动项变化中,体现了水分盈亏量与地下水位的强相关性;绘制的散点矩阵图,发现降雨、蒸发量及水分盈亏量等与三个观测孔序列不存在直接的线性关系,可能存在复杂的动态关系,也反映了奥陶系灰岩裂隙水系统与其他两个系统联系较为紧密。通过一元时间序列预测分析,发现时间序列模型的预测效果与建模序列长度、随机波动项范围及与预测长度等因素相关。根据多元时间序列分析,对水分盈亏量与融园孔、水峪东孔及开二西孔地下水位关系进行脉冲响应和方差分解分析,发现融园孔地下水具有水力联系大的特征,在水分盈亏量影响下,做出的响应最大,而水峪东孔和开二西孔受影响程度相对较小。在协整和Granger检验中,水分盈亏量与融园孔、水峪东孔地下水位存在长期关系,水分盈亏量是引起融园孔地下水位变化的格兰杰因果关系,这一关系为融园孔与水分盈亏量序列建立的多元时间预测模型提高了预测效果。最终通过对比分析,发现水峪东孔属于强风化泥灰岩孔隙水系统,具有较慢流速、较小波动的特征,其序列随机波动部分范围也相对较小,因此,选择季节性线性模型来对强风化泥灰岩孔隙水系统进行预测最合适,在一定预测范围内能够获得较高精度的预报数据,其他两种地下水系统预测模型选择还需要进一步探究。通过对地下水系统的划分和时间序列分析,可以为时间序列在地下水动态分析提供方向,为矿区防治水害提供预防手段。
岳莉莉[5]（2020）在《几种数据下Rubin因果模型和回归模型的统计推断及应用》文中研究表明在经济学、气象学、生物学、流行病学和社会学等领域的研究工作中,经常会遇到高维数据、复共线性数据、纵向数据、重尾数据存在的情形.回归分析和因果分析作为实现从数据到价值的有力工具,可以便于研究学者们解释实际研究问题中的一些现象,并且预测其未来发展趋势,进而为决策者提供有价值的建议.在统计学研究中,如果忽略数据本身的特殊结构,仅仅使用简单的Rubin因果模型和回归模型,很有可能使得统计推断精度降低甚至方法失效.因此,对一些数据类型下的Rubin因果模型和回归模型进行统计推断,具有一定的理论意义和实际价值,同时也是统计学研究的热点课题之一.本文,考虑高维数据、复共线性数据、纵向数据下的Rubin因果模型和回归模型的估计问题及其应用,具体可以分为以下五个方面:（1）对高维复共线性数据下的Rubin因果模型,研究兴趣参数平均处理效应的估计问题.首先,利用弹性网惩罚和回归调整的思想,给出平均处理效应的弹性网调整估计量,并在一些假设条件下讨论其渐近分布.其次,给出平均处理效应估计量渐近方差的Neyman型保守估计量,并证明该估计量比未调整估计量具有更紧的置信区间.最后,利用随机模拟研究和乳腺癌数据集的实例分析,说明所提方法具有良好的有限样本表现.（2）对纵向数据下的Rubin因果模型,研究兴趣参数平均处理效应的估计问题.首先,利用广义提升树方法,给出倾向得分估计量,进而给出平均处理效应的逆概率加权估计量.其次,将所提方法应用到NGHS数据集上,研究收缩压、舒张压和不正常血压中是否存在种族效应的问题.最后,利用随机模拟研究,说明所提方法的有效性.（3）对纵向数据下的Rubin因果模型,考虑兴趣参数分位数处理效应的估计问题.首先,利用分位数回归的思想和广义提升树方法,给出分位数处理效应估计量.其次,将所提方法应用到NGHS数据集上,在不同分位数下,研究低密度脂蛋白胆固醇（LDL）和甘油三脂（TG）是否存在种族效应的问题.最后,通过随机模拟研究验证所提方法的有效性.（4）对含有未知联系函数的分位数变系数模型,考虑模型的可识别性和兴趣参数的估计问题.首先,在一些假设条件下,说明模型的可识性.其次,利用多项式样条近似的思想,给出系数函数和联系函数的估计量,并在理论上证明所提估计量的收敛速度.最后,通过随机模拟研究和实例分析,验证所提方法的有效性.（5）对含有测量误差的非平衡面板数据模型,考虑约束条件下的参数估计和假设检验问题.首先,利用偏差校正的思想,给出存在约束和不存在约束条件下的参数估计量,在一些假设条件下讨论所给估计量的渐近性质.其次,为了说明约束条件的合理性问题,利用原假设和备择假设下的校正残差平方和的差,构造一种检验方法.最后,通过随机模拟研究和实例分析,验证所提估计和检验方法的有效性。
熊辉[6]（2020）在《非线性时间序列的相关性和复杂性研究》文中认为真实世界中的复杂系统具有结构复杂、非线性、多层次、多尺度等典型特征,难以通过直接研究复杂系统本身来解释其运行模式或潜在机理.因而,分析复杂系统输出变量的时间序列,逐渐成为人们探索复杂系统潜在作用机制的重要手段.一般地,复杂系统产生的时间序列具有非线性性、非平稳性的特征,这使得构建于平稳性和线性假设的传统理论方法不再适用.本文主要研究真实复杂系统产生的非平稳、非线性时间序列,利用相应的统计物理和非线性模型,研究真实时间序列的复杂特性,包括相关性、复杂性、时间不可逆性等,旨在为揭示复杂系统内在特征,进而探索其潜在作用机制提供重要线索.本文主要研究内容包括以下四个方面:1.相关性和重分形相关性研究.我们提出多变量去趋势波动分析法（Multivari-ate detrended fluctuation analysis,MVDFA）,研究多变量时间序列的初始变量在相互独立、互相关和来自不同系统等条件下,多变量系统与初始变量的自相关行为的内在联系,并将MVDFA应用到多变量金融时间序列的长程自相关性分析中,验证了其有效性和实用性.另一方面,我们提出方差加权的重分形分析法（Weighted multifractal analysis,WMA）,从理论上推导出经典二项式重分形模型在加权情况下的重分形标度指数,并且通过数值模拟和实证分析,说明了 WMA在区分不同信号上的表现优于经典未加权方法.2.信息复杂性研究.我们将累积剩余熵（Cumulative residual entropy,CRE）推广到分数阶的情形,提出一种新的信息熵度量,即分数阶CRE（Fractional CRE.FCRE）.从理论上,我们研究FCRE与CRE和经典微分熵的关系,并对FCRE的一些性质和定理进行了证明.此外,我们给出了样本数据的FCRE经验估计方法,并证明了经验FCRE收敛到真实FCRE,给出了服从指数分布的随机样本的经验FCRE的一个中心极限定理,而且通过数值模拟,说明了 FCRE的经验估计的有效性.最后,我们将FCRE应用到金融数据的信息复杂性分析中,发现FCRE实用性更好,更能准确地检测出金融危机.3.时间不可逆性研究.我们首次研究了睡眠脑电波（EEG）信号的时间不可逆性,分析了不同睡眠阶段的EEG信号的时间不可逆性,深入地研究了健康个体的年龄、性别和身体质量指数与睡眠EEG信号的不可逆性程度之间的相关关系,以及信号快波和慢波成分对睡眠EEG信号的时间不可逆性的贡献.研究发现,慢波睡眠期具有最高程度的时间不可逆性.只有年龄对睡眠EEG信号不可逆性的影响是显着的,而且睡眠EEG信号中的时间不可逆性程度随着老化而降低,这一现象可能是因为信号中的慢波成分的不可逆性的降低引起的.4.递归重现性研究.递归或重现,意味着系统状态在某种程度上相似于其相空间中的之前某个状态,体现了轨迹间的自相似性.我们在递归图（Recurrence plot,RP）和递归量化分析（Recurrence quantification analysis,RQA）的基础上,结合结合经验模式分解法,从时域-频域的角度,深入地研究了交通流信号随频率演化和随时间动态演变的内在空间结构的重现复杂性.研究发现,交通流信号的重现结构是准周期性的,且受其中低频成分的主导.移除高频噪声后的信号表现出更高的重现复杂度,此时,随时间演变的RQA度量能更准确地刻画且检测出信号不同状态间的动态转变.
何佳琪[7]（2020）在《基于混合学习方法的空气污染物浓度预测研究》文中指出随着城市工业的发展、经济规模的扩大、城市交通量的提升、能源需求量的持续增长等,碳化物、氮化物、硫化物和细颗粒物等大气污染物被大量释放,造成了严峻的空气污染问题。根据2016年国际能源署发布的《世界能源展望》显示,空气污染问题每年会导致超过650万人过早死亡,空气污染被认为是危害人体健康的重要因素之一。与此同时,空气污染问题也是一个全球性问题,长期暴露于高空气污染物的环境下,会对交通安全、气候变化和地球空气系统辐射平衡产生不利影响。因此,对空气污染物浓度的精准预测,能够帮助政府和环境保护机构有效地控制和减少空气污染物排放。由于空气污染物形成的复杂机制和来源的多样化,空气污染物浓度水平具有显着的动态性,能够在不同的时间范围内急剧变化。本文以广州市每小时的PM2.5、PM10、NO2、CO、O3和SO2浓度数据作为研究对象,提出了一种新型的“分解-优化-聚类-集成”混合学习方法。全文主要分为以下五个部分:第一部分,主要介绍了本文的研究背景、研究意义、国内外相关文献综述与论文的主要研究内容。第二部分,详细论述了小波包分解算法与统计学习算法的理论基础。第三部分,针对鸽子优化算法的求解问题,分别采用惯性权重替换和粒子群优化对传统的鸽子优化算法进行改进,并将改进后的鸽子优化算法应用于极限学习机算法初始值的优化,同时给出了“分解-优化-聚类-集成”方法的学习框架。第四部分,分别采用本文提出的“分解-优化-聚类-集成”混合学习方法和八种空气污染物对比模型来预测广州市每小时的PM2.5、PM10和NO2浓度,并通过对比统计误差、统计学检验以及采用CO、O3和SO2浓度数据进行鲁棒性分析的结果,综合评价本文提出的混合学习模型在空气污染物浓度预测中的预测效果。本文主要贡献在于:（1）提出了一种新的“分解-优化-聚类-集成”混合学习方法,以提高空气污染物浓度数据的水平和方向预测精度;（2）针对鸽子优化算法收敛精度低的缺点,提出了两种改进鸽子优化算法的方法,实证结果表明,改进后的鸽子优化算法在优化精度以及搜索能力方面均具有显着的提高;（3）采用改进后的鸽子优化算法优化极限学习机模型的随机初始值,避免了模型参数设置的随机性和盲目性,同时提高了极限学习机算法的预测精度。
张冬雪[8]（2020）在《基于LSTM和ARIMA的风速时间序列预测研究》文中研究指明随着近年来传统能源煤炭、石油、天然气等化石燃料的过度开采,发展可再生能源形式已经成为了能源发展的必然趋势。风能作为环境友好型新能源,凭借其便于获取,成本低廉等优点,成为了所有新能源中最具潜力、发展最快、技术相对成熟的清洁可再生能源。但由于风是一种极不稳定的能源形势,是最难预测的气象要素之一,因此不断地提高风速预测的精度成为了一项意义重大的研究。传统的风速预测模型中有线性模型也有非线性模型,大部分的非线性模型在对于风速数据这种具有很强的非线性性时间序列数据的预测上要优于线性模型,但是单一的非线性模型也有其自身的局限,因此本文综合考虑了风速时间序列的非线性性和线性性,提出了一种新的混合建模预测方法:LSTM-ARIMA。利用长短时记忆神经网络LSTM强大的非线性拟合能力及快速学习的能力针对风速数据的非线性特征进行建模,然后对其误差序列使用ARIMA建模并进行预测,最终将两个模型的预测结果加和得到最终的风速预测结果。因为ARIMA模型是对数据进行线性拟合预测的,因此两者的和可以看作是用预测的误差对神经网络的非线性预测的风速值进行小幅度的线性的修正。
赵宇楠[9]（2020）在《房地产企业组织成长过程的区位选择 ——基于战略势视角的实证研究》文中指出跨区位企业横跨多个地理区位,促进了区位间知识、信息和人才的流动,保障地区就业和经济发展,是社会经济的重要组成部分。对于跨区位企业,其成长和发展一般反映为在地理空间的扩张,而区位选择正是其成长过程中的关键活动。然而,企业在区位扩张过程中普遍存在区位“盲目”选择的问题。组织成长中的区位选择研究一直是战略管理、国际商务、经济地理等多个学科领域学者关注的重要问题。现有文献主要从区位的外部环境和企业在某一区位的前期经验等方面对企业区位选择的驱动因素进行研究。有学者指出,多区位单元间形成的网络和系统特征是跨区位企业的重要属性,然而现有研究主要采用一种“单点型”视角看待跨区位企业,视企业区位选择为间断、独立的单一决策,忽视了企业区位选择间关联性对后续区位决策的重要影响,并提出基于微观基础研究企业区位扩张正变得愈发重要。行为战略作为管理学研究中极具潜力的微观基础,其中的战略势正好关注组织活动间的联动以及与系统的互动关系,受到国内外学者的广泛关注。但有学者指出,现有战略势研究存在对事件过度简化的问题,忽视了活动本身特质,这要求对战略势的作用过程进行更深入的梳理和检验。本文以我国在沪深和香港证券交易所上市的房地产企业为研究对象,基于战略势视角探究“企业历史区位选择如何影响其成长路径”的问题,以期在一定程度上弥补现有区位选择研究和战略势研究的不足。具体来讲,子研究一（第四章）重点考察企业区位选择的空间结构如何影响其接下来的区位决策,就企业上一期的区位决策经验分为区位经验和空间经验,通过实证研究检验了重复势和位置势作用,并借助管理因素和制度因素的调节作用验证了位置势的两个理论机理。子研究二（第五章）重点考察企业前期区位选择的经验累积如何影响其接下来的区位决策,基于区域内或跨区域扩张,就企业区位选择分为利用和探索导向两种类型,通过实证研究检验了同类型内和跨类型间区位选择活动的势效应,验证了活动间互补性作为情境势的重要机理。本文主要得出以下研究结论:第一,区位单元间关系是影响企业区位决策的重要因素,企业倾向于选择与既有区位市场空间结构整体更邻近的区位。企业区位选择事件并非一次独立的单一决策,而代表了企业区位单元空间结构的演进。第二,既有惯例和可供性是促使企业选择与既有区位市场空间结构整体更邻近区位的重要机理。企业经历总经理更替或目标区位市场更高的制度质量会弱化企业既有区位市场空间结构的影响。第三,企业区位选择经验以利用和探索的形式内嵌于企业状态的动态调整中。随着历史区位选择经验的累积,前期利用和探索导向区位选择会抑制企业进行同类型区位选择的倾向,而促使企业实施跨类型区位决策。第四,互补性是促使企业实施不同类型区位选择以实现利用和探索动态平衡的重要机理。组织冗余会强化前期利用和探索导向区位选择经验对后续探索导向区位决策的影响。本文的主要创新点在于:第一,本文基于跨区位企业的网络和系统属性,将战略势视角引入企业区位选择研究领域,为全面理解企业成长中区位选择动机提供了新的视角。第二,本文在以往战略势研究所关注的行为事件在时间上关联性的基础上,进一步研究这些事件在空间上形成的结构关联性,进而澄清了前期战略势研究中关于“强化”与“弱化”势效应的理论争论。第三,本文采用过程视角,揭示了资源协同关系在企业平衡内部的持续利用和探索活动中的重要性,深化了对组织内生性成长的理论认识。第四,本文在企业区位选择情境中验证了前期文献所揭示的利用和探索活动跨时期的相互促进关系,丰富了对组织活动利用和探索动态平衡性的理解。
任冉[10]（2020）在《空气污染与旅游业发展 ——基于中国地级市层面数据的分析》文中研究指明本研究基于2013年10月至2017年12月中国58个主要旅游城市月度旅游信息的数据集,实证研究了空气污染与旅游发展之间的因果关系。利用风速这一独立于经济活动的外生气象条件作为大气污染的工具变量,采用计量模型来处理由反向因果关系引起的内生性问题。同时控制了旅游目的地的城市固定效应、月度趋势、气象条件等社会因素。结果发现:（1）总体而言,空气污染对中国旅游业发展有显着的负面影响;（2）空气污染与旅游发展之间存在非线性关系;当空气质量良好时,空气污染对旅游发展的负面影响较小;当空气污染加重时,对城市旅游发展的影响程度也将随之增加;（3）空气污染对旅游业发展的负面影响可以持续一定的时间（本研究为2个月）;（4）旅游目的地城市的旅游资源和酒店基础设施可以部分抵消空气污染对旅游发展的负面影响。同时,本研究还通过2019年2月1日至2019年10月30日中国223个地级市日度在线旅游订单数据集,对空气污染影响旅游发展的机制进行分析。本研究为中国设计能够减轻旅游部门空气污染后果的政策和管理旅游经济的发展提供了重要的经验证据。
二、一种回归模型非线性性的检验方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种回归模型非线性性的检验方法（论文提纲范文）
（1）基于多电极电容传感器的低温两相流反演理论和实验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 1 绪论 |
| 1.1 低温流体两相流相分布及相含率测量研究的意义 |
| 1.2 现有两相流相含率及相分布检测方法 |
| 1.2.1 相分离直接测量法 |
| 1.2.2 照相法 |
| 1.2.2.1 非侵入式照相法 |
| 1.2.2.2 内窥式照相法 |
| 1.2.3 光学法 |
| 1.2.3.1 非接触式激光测量法 |
| 1.2.3.2 光纤探针法 |
| 1.2.3.3 Schlieren成像技术 |
| 1.2.3.4 激光干涉法 |
| 1.2.4 声学法 |
| 1.2.5 辐射衰减法 |
| 1.2.6 核磁共振技术 |
| 1.2.7 示踪粒子法 |
| 1.2.8 电学法 |
| 1.2.8.1 射频法 |
| 1.2.8.2 弧面双电极结构电容传感器 |
| 1.2.8.3 非对称双电极结构电容传感器 |
| 1.2.8.4 同心环结构电容传感器 |
| 1.2.8.5 多电极结构电容传感器 |
| 1.3 基于多电极电容传感器的低温流体测量关键技术及主要问题 |
| 1.3.1 基于多电极电容传感器的低温流体测量关键技术 |
| 1.3.2 基于多电极电容传感器的低温流体测量存在的主要问题 |
| 1.4 本文主要工作 |
| 2 多电极电容传感器的正问题计算 |
| 2.1 多电极电容传感器的电场控制方程及定解条件 |
| 2.2 电容计算 |
| 2.3 传感器静电场的有限元计算 |
| 2.4 灵敏场 |
| 2.4.1 灵敏度计算 |
| 2.4.2 弧形双电极及8电极电容传感器灵敏场分析 |
| 2.5 本章小结 |
| 3 基于支持向量回归的低温流体空泡率计算方法 |
| 3.1 模糊最小二乘支持向量回归 |
| 3.1.1 最小二乘支持向量回归 |
| 3.1.2 核函数的构建 |
| 3.1.3 LSSVR的模糊化及基于高维空间距离的模糊隶属度 |
| 3.2 基于FLSSVR的多电极电容传感器空泡率测量方法 |
| 3.2.1 训练样本的获取 |
| 3.2.2 测量噪声的添加 |
| 3.2.3 训练样本数量、参数取值及输入/输出的数据归一化 |
| 3.2.4 空泡率拟合结果 |
| 3.3 多电极电容传感器的空间滤波作用 |
| 3.4 本章小结 |
| 4 基于ECT的低温流体相分布测量方法 |
| 4.1 反问题灵敏场及ECT线性近似方程的导出 |
| 4.2 经典反演算法的导出 |
| 4.2.1 线性反投影算法(LBP) |
| 4.2.2 Tikhonov正则化算法(TR) |
| 4.2.3 Landweber迭代 |
| 4.2.4 迭代的Tikhonov正则化(ITR) |
| 4.2.5 同步迭代重建技术(SIRT) |
| 4.2.6 全变分1范数正则化算法(TV L1-norm) |
| 4.2.7 迭代与正则化的关系 |
| 4.3 各算法应用于低温流体两相流的反演成像数值实验 |
| 4.4 改进的反演算法 |
| 4.4.1 改进的Tikhonov正则化算法 |
| 4.4.2 基于支持向量回归的线性化误差计算及改进反演算法 |
| 4.5 本章小结 |
| 5 相分布测量验证性实验 |
| 5.1 常温替代工质的相对介电常数测量 |
| 5.2 常温替代工质对的ECT测量 |
| 5.3 本章小结 |
| 6 总结和展望 |
| 6.1 全文总结 |
| 6.2 本文创新之处 |
| 6.3 展望 |
| 参考文献 |
| 作者简历及在学期间所取得的代表性研究成果 |
| 致谢 |
（2）基于深度学习的聚酯纤维聚合过程软测量建模研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 聚酯纤维聚合过程发展现状 |
| 1.2.1 聚合过程反应机理及生产工艺 |
| 1.2.2 聚合过程国内外研究现状 |
| 1.3 软测量建模基本知识 |
| 1.3.1 软测量建模的基本步骤 |
| 1.3.2 软测量建模的基本方法 |
| 1.3.3 软测量建模的对象特征 |
| 1.4 聚合过程软测量建模研究现状 |
| 1.4.1 基于机理模型的聚合过程软测量 |
| 1.4.2 基于数据驱动的聚合过程软测量 |
| 1.5 论文的研究内容和创新点 |
| 1.5.1 本文的主要研究内容 |
| 1.5.2 本文的主要创新点 |
| 第二章 基于半监督改进型门控循环单元回归网络的聚合过程软测量建模 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 标签有限问题描述 |
| 2.2.2 循环神经网络 |
| 2.2.3 门控循环单元 |
| 2.2.4 注意力机制 |
| 2.3 半监督改进型门控循环单元回归网络软测量模型 |
| 2.3.1 半监督门控循环单元回归网络 |
| 2.3.2 半监督改进型门控循环单元回归网络 |
| 2.3.3 基于半监督改进型门控循环单元回归网络的软测量建模 |
| 2.4 实验的设计 |
| 2.4.1 数据选取与预处理 |
| 2.4.2 实验设置 |
| 2.5 实验结果与分析 |
| 2.5.1 有效性对比实验 |
| 2.5.2 优越性对比实验 |
| 2.6 小结 |
| 第三章 基于双流型门控循环单元网络的聚合过程软测量建模 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 长短时记忆网络 |
| 3.2.2 p-范数门控循环单元 |
| 3.3 双流λ型门控循环单元软测量模型 |
| 3.3.1 λ型门控循环单元 |
| 3.3.2 双流λ型门控循环单元模型架构 |
| 3.3.3 基于双流λ型门控循环单元网络的软测量建模 |
| 3.4 实验设计 |
| 3.4.1 数据选取与预处理 |
| 3.4.2 实验设置 |
| 3.5 实验结果与分析 |
| 3.5.1 有效性对比实验 |
| 3.5.2 优越性对比实验 |
| 3.6 小结 |
| 第四章 基于有监督深度变分自编码网络的聚合过程软测量建模 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 自编码网络 |
| 4.2.2 变分自编码网络 |
| 4.3 有监督深度变分自编码软测量模型 |
| 4.3.1 有监督深度变分自编码子模型 |
| 4.3.2 改进型无监督深度变分自编码子模型 |
| 4.3.3 基于深度变分自编码模型的软测量建模 |
| 4.3.4 解决过程数据缺失问题的新型软测量建模 |
| 4.4 实验设计 |
| 4.4.1 数据选取与预处理 |
| 4.4.2 实验设置 |
| 4.5 实验结果与分析 |
| 4.5.1 有效性对比实验 |
| 4.5.2 缺失数据对比实验 |
| 4.6 小结 |
| 第五章 基于质量驱动型高斯混合变分概率网络的聚合过程软测量建模 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.2.1 高斯混合模型 |
| 5.2.2 Householder变换 |
| 5.2.3 门机制连接 |
| 5.3 质量驱动型高斯混合变分概率网络软测量模型 |
| 5.3.1 对角型高斯混合变分概率网络 |
| 5.3.2 非对角型高斯混合变分概率网络 |
| 5.3.3 质量驱动型高斯混合变分概率网络 |
| 5.3.4 基于质量驱动型高斯混合变分概率网络的软测量建模 |
| 5.4 实验设计 |
| 5.4.1 数据选取与预处理 |
| 5.4.2 实验设置 |
| 5.5 实验结果与分析 |
| 5.5.1 有效性对比实验 |
| 5.5.2 优越性对比实验 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录 A 攻读博士学位期间取得的成果 |
| 附录 B 攻读博士学位期间参与的项目 |
| 附录 C 攻读博士学位期间获得的奖励和荣誉 |
（3）股指期货对技术指标影响的探究（论文提纲范文）
| 符号说明 |
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 基本面和技术分析 |
| 1.2.1 基本面分析简要介绍 |
| 1.2.2 技术分析概述与发展 |
| 1.3 有效市场假说 |
| 1.4 文献综述 |
| 1.4.1 国外关于技术指标的探究 |
| 1.4.2 国内关于技术指标有效性的探究 |
| 1.4.3 国内关于股票价格的探究 |
| 1.5 研究内容与结构安排 |
| 1.6 本文主要创新和展望 |
| 第二章 价格反应程度研究 |
| 2.1 研究背景 |
| 2.2 股指对信息的反应程度 |
| 2.2.1 理论模型 |
| 2.2.2 实证研究 |
| 2.3 本章小结 |
| 第三章 收益率动态过程与销售规则检验 |
| 3.1 研究背景 |
| 3.2 原始数据的描述性统计分析 |
| 3.3 移动平均线规则 |
| 3.3.1 MA规则定义 |
| 3.3.2 MA标准检验结果 |
| 3.4 高低点突破规则 |
| 3.4.1 TRB规则定义 |
| 3.4.2 TRB标准检验结果 |
| 第四章 Bootstrap再抽样检验结果 |
| 4.1 Bootstrap检验 |
| 4.1.1 研究背景 |
| 4.1.2 Bootstrap方法简介 |
| 4.2 随机游走过程 |
| 4.3 AR(1)过程 |
| 4.4 GARCH(1,1)过程 |
| 4.5 GARCH-M(1,1)过程 |
| 4.6 非线性过程 |
| 4.6.1 MA的非线性过程 |
| 4.6.2 TRB的非线性过程 |
| 4.7 本章小结 |
| 第五章 技术销售规则的获利能力检验 |
| 5.1 非线性预测模型 |
| 5.2 样本数据 |
| 5.2.1 MA非线性预测与获利能力检验 |
| 5.3 本章小结 |
| 第六章 结论 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（4）赵各庄矿地下水位动态特征及多元时间序列分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 技术与路线 |
| 第2章 研究区概况及地下水系统 |
| 2.1 地理概况 |
| 2.2 地质背景 |
| 2.3 矿区水文地质条件分析 |
| 2.4 地下水动态滤波分析 |
| 2.5 本章小结 |
| 第3章 数据准备及分析 |
| 3.1 重采样技术 |
| 3.2 主成分分析 |
| 3.3 STL分解 |
| 3.4 相关性分析 |
| 3.5 本章小结 |
| 第4章 时间序列分析理论 |
| 4.1 一元时间序列分析 |
| 4.2 多元时间序列分析 |
| 4.3 时间序列平稳 |
| 4.4 非线性检验 |
| 4.5 模型估计 |
| 4.6 模型检验 |
| 4.7 模型评价 |
| 4.8 本章小结 |
| 第5章 矿区地下水位时间序列分析结果 |
| 5.1 平稳性检验 |
| 5.2 非线性检验 |
| 5.3 SARIMA模型建立 |
| 5.4 非线性模型建立 |
| 5.5 动态关系分析 |
| 5.6 ARX模型建立 |
| 5.7 本章小结 |
| 第6章 分析与讨论 |
| 6.1 模型评价结果 |
| 6.2 分析 |
| 第7章 结论 |
| 参考文献 |
| 个人简历 |
| 致谢 |
（5）几种数据下Rubin因果模型和回归模型的统计推断及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第1章 绪论 |
| 1.1 数据简介 |
| 1.1.1 高维数据 |
| 1.1.2 复共线性数据 |
| 1.1.3 纵向数据 |
| 1.2 模型简介 |
| 1.2.1 回归模型 |
| 1.2.2 Rubin因果模型 |
| 1.3 方法简介 |
| 1.3.1 回归调整估计 |
| 1.3.2 广义提升树方法 |
| 1.3.3 逆概率加权估计 |
| 1.3.4 多项式样条 |
| 1.4 本文研究内容及结构 |
| 第2章 高维复共线性数据下Rubin因果模型的回归调整估计 |
| 2.1 引言 |
| 2.2 估计方法和渐近性质 |
| 2.2.1 回归调整估计 |
| 2.2.2 渐近性质 |
| 2.2.3 保守方差估计 |
| 2.3 数值分析 |
| 2.3.1 模拟研究 |
| 2.3.2 实例分析 |
| 2.4 理论证明 |
| 2.4.1 定理证明 |
| 2.4.2 引理及其证明 |
| 2.5 本章小结 |
| 第3章 纵向数据下Rubin因果模型的广义提升树方法 |
| 3.1 引言 |
| 3.2 模型介绍和估计方法 |
| 3.2.1 模型和假设 |
| 3.2.2 估计方法 |
| 3.3 NGHS数据分析 |
| 3.4 数值模拟 |
| 3.4.1 倾向得分的模型假设 |
| 3.4.2 数据产生方式 |
| 3.4.3 响应变量的模型假设 |
| 3.5 本章小结 |
| 第4章 纵向数据下Rubin因果模型分位数处理效应的统计推断 |
| 4.1 引言 |
| 4.2 分位数处理效应估计 |
| 4.3 NGHS数据分析 |
| 4.4 数值模拟 |
| 4.5 本章小结 |
| 第5章 未知联系函数下分位数变系数模型的识别和估计方法 |
| 5.1 引言 |
| 5.2 分位数变系数模型 |
| 5.2.1 模型及其识别条件 |
| 5.2.2 估计量和收敛速度 |
| 5.3 数值分析 |
| 5.3.1 模拟研究 |
| 5.3.2 实例分析 |
| 5.4 理论证明 |
| 5.4.1 定理证明 |
| 5.4.2 引理及其证明 |
| 5.5 本章小结 |
| 第6章 含有测量误差的非平衡面板数据模型的统计推断 |
| 6.1 引言 |
| 6.2 估计方法和渐近性质 |
| 6.2.1 校正的估计方法 |
| 6.2.2 渐近性质 |
| 6.3 检验方法 |
| 6.4 数值模拟 |
| 6.4.1 所提估计量的表现 |
| 6.4.2 所提检验方法的表现 |
| 6.5 实例分析 |
| 6.6 理论证明 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（6）非线性时间序列的相关性和复杂性研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与研究对象 |
| 1.1.1 时间序列的相关性 |
| 1.1.2 时间序列的复杂性 |
| 1.1.3 时间序列的不可逆性 |
| 1.2 本文主要工作 |
| 2 相关性和重分形相关性研究 |
| 2.1 基于波动函数的相关性分析 |
| 2.1.1 多变量的去趋势波动函数法 |
| 2.1.2 数值模拟与模型验证 |
| 2.1.3 多变量股票数据的相关性分析 |
| 2.2 基于配分函数的重分形相关性分析 |
| 2.2.1 方差加权的配分函数法 |
| 2.2.2 重分形模型理论分析 |
| 2.2.3 模型有效性比较 |
| 2.2.4 股票数据的重分形相关性分析 |
| 3 信息复杂性研究 |
| 3.1 分数阶累积剩余熵 |
| 3.2 定理证明 |
| 3.2.1 FCRE相关命题与定理 |
| 3.2.2 FCRE与经验FCRE |
| 3.2.3 经验FCRE的中心极限定理 |
| 3.3 数值模拟与模型验证 |
| 3.4 股票数据的复杂性分析 |
| 4 时间不可逆性研究 |
| 4.1 方法介绍 |
| 4.1.1 可视图与不可逆性 |
| 4.1.2 经验模式分解 |
| 4.2 数值模拟与模型验证 |
| 4.3 睡眠EEG信号的不可逆性分析 |
| 4.3.1 睡眠EEG介绍 |
| 4.3.2 统计检验方法介绍 |
| 4.3.3 不可逆分析结果 |
| 5 递归重现性研究 |
| 5.1 方法介绍 |
| 5.1.1 递归图 |
| 5.1.2 递归量化分析 |
| 5.1.3 EMD降噪与多级滤波 |
| 5.2 交通信号的重现性分析 |
| 5.2.1 参数选取 |
| 5.2.2 交通流信号介绍 |
| 5.2.3 频域下的递归特征演变 |
| 5.2.4 时域下的递归特征演变 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于混合学习方法的空气污染物浓度预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 引论 |
| 一、研究背景与意义 |
| 二、国内外文献综述 |
| 三、主要研究内容 |
| 四、本文的创新点 |
| 第一章 小波包分解与统计学习基础理论 |
| 第一节 小波包分解算法 |
| 一、小波分析的基本原理 |
| 二、小波包分解的基本原理 |
| 第二节 统计学习方法理论 |
| 一、极限学习机算法 |
| 二、多维尺度变换 |
| 三、k均值聚类算法 |
| 第二章 基于“分解-优化-聚类-集成”的混合学习方法 |
| 第一节 鸽子优化算法的改进 |
| 一、鸽子优化算法 |
| 二、基于粒子群算法的鸽子优化算法的改进 |
| 第二节 “分解-优化-聚类-集成”学习方法的构建 |
| 一、改进鸽子算法优化的极限学习机模型 |
| 二、“分解-优化-聚类-集成”的学习框架 |
| 第三章 广州市空气污染物浓度预测 |
| 第一节 广州市空气污染物数据的来源与预处理 |
| 一、数据来源 |
| 二、数据预处理 |
| 第二节 广州市空气污染物浓度预测结果分析 |
| 一、模型性能评估准则 |
| 二、空气污染物浓度预测的对比分析 |
| 三、空气污染物浓度预测的鲁棒性分析 |
| 结论与展望 |
| 一、结论 |
| 二、展望 |
| 参考文献 |
| 在校期间科研成果 |
| 致谢 |
（8）基于LSTM和ARIMA的风速时间序列预测研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 风速预测研究现状 |
| 1.2.1 物理模型 |
| 1.2.2 统计模型 |
| 1.3 论文结构 |
| 第二章 预备知识 |
| 2.1 监督学习 |
| 2.1.1 目标函数 |
| 2.2 梯度下降法 |
| 2.2.1 梯度的推导 |
| 2.2.2 批梯度下降与随机梯度下降 |
| 2.3 神经网络 |
| 2.3.1 神经网络的训练 |
| 2.3.2 反向传播算法(BP)推导 |
| 2.4 循环神经网络(RNN) |
| 2.4.1 网络的计算方法 |
| 2.4.2 网络的训练:BPTT |
| 2.5 梯度爆炸和梯度消失问题 |
| 第三章 时间序列预测的混合算法:LSTM-ARIMA |
| 3.1 长短时记忆神经网络:LSTM |
| 3.1.1 网络的计算方法 |
| 3.1.2 网络的训练 |
| 3.2 ARIMA |
| 3.2.1 模型介绍 |
| 3.2.2 建模步骤 |
| 3.3 LSTM-ARIMA |
| 第四章 风速时间序列预测 |
| 4.1 数据来源 |
| 4.2 确定训练集和测试集 |
| 4.3 建立模型并预测 |
| 4.3.1 创建LSTM网络并预测 |
| 4.3.2 建立ARIMA模型并预测 |
| 4.3.3 预测结果 |
| 4.4 模型评价 |
| 第五章 附录 |
| 5.1 激活函数 |
| 5.2 按元素对应相乘 |
| 5.3 学习率的设置 |
| 5.4 AIC表 |
| 第六章 总结与展望 |
| 6.1 论文所做工作 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
（9）房地产企业组织成长过程的区位选择 ——基于战略势视角的实证研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 现实背景 |
| 1.1.2 理论背景 |
| 1.2 研究目标与研究内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 研究方法与技术路线 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线 |
| 1.4 理论创新点 |
| 第二章 文献综述 |
| 2.1 组织成长中的区位选择问题 |
| 2.1.1 组织成长与市场区位选择 |
| 2.1.2 影响组织成长中区位选择的区位层面因素 |
| 2.1.3 影响组织成长中区位选择的企业层面因素 |
| 2.1.4 组织成长中区位选择研究的主要理论视角 |
| 2.2 组织情景中的势 |
| 2.2.1 势概述 |
| 2.2.2 势的内涵与本质 |
| 2.2.3 势与相关概念辨析 |
| 2.2.4 战略势的相关研究 |
| 2.3 研究评述 |
| 2.3.1 对现有组织成长中区位选择研究的评述 |
| 2.3.2 对现有战略势研究的评述 |
| 2.4 基于战略势视角研究区位选择问题的重要性 |
| 2.4.1 引入战略势视角研究组织成长中区位选择问题的必要性 |
| 2.4.2 区位选择情境对拓展现有战略势研究的重要性 |
| 2.5 本章小结 |
| 第三章 研究情境与研究思路 |
| 3.1 研究情境及其适宜性 |
| 3.2 研究数据收集与整理 |
| 3.3 研究思路 |
| 3.4 本章小结 |
| 第四章 子研究一:区位空间结构对区位决策的影响 |
| 4.1 理论分析与研究假设 |
| 4.1.1 重复势与区位选择 |
| 4.1.2 位置势与区位选择 |
| 4.1.3 管理因素的调节作用 |
| 4.1.4 制度因素的调节作用 |
| 4.2 研究方法 |
| 4.2.1 研究样本 |
| 4.2.2 变量定义与测量 |
| 4.2.3 模型与方法 |
| 4.3 研究结果 |
| 4.3.1 描述性统计和相关系数 |
| 4.3.2 回归结果分析 |
| 4.3.3 扩展分析及稳健性检验 |
| 4.4 本章小结 |
| 第五章 子研究二:区位经验累积对区位决策的影响 |
| 5.1 理论分析与研究假设 |
| 5.1.1 势效应方向的争论 |
| 5.1.2 利用和探索 |
| 5.1.3 势效应机制模型 |
| 5.1.4 研究假设 |
| 5.2 研究方法 |
| 5.2.1 研究样本 |
| 5.2.2 变量定义与测量 |
| 5.2.3 模型与方法 |
| 5.3 研究结果 |
| 5.3.1 描述性统计和相关系数 |
| 5.3.2 回归结果分析 |
| 5.3.3 扩展分析及稳健性检验 |
| 5.4 本章小结 |
| 第六章 研究结论与展望 |
| 6.1 组织成长中区位扩张问题分析结果的讨论 |
| 6.1.1 企业区位选择的空间结构对后续区位决策的影响 |
| 6.1.2 企业区位选择的经验累积对后续区位决策的影响 |
| 6.2 研究主要结论 |
| 6.3 研究理论贡献与实践启示 |
| 6.3.1 理论贡献 |
| 6.3.2 实践启示 |
| 6.4 研究局限与未来展望 |
| 6.5 本章小结 |
| 参考文献 |
| 附录1:攻读博士学位期间研究成果和科研项目参与情况 |
| 附录2:攻读博士学位期间获奖情况 |
| 致谢 |
（10）空气污染与旅游业发展 ——基于中国地级市层面数据的分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 研究方法与研究思路 |
| 1.4 创新之处和不足之处 |
| 2 文献综述 |
| 2.1 空气污染影响旅游业发展 |
| 2.2 旅游业发展影响空气质量 |
| 3 理论分析 |
| 3.1 旅游者效用最大化 |
| 3.2 空气污染对旅游业的影响路径 |
| 4 实证分析 |
| 4.1 数据及模型 |
| 4.2 实证分析及结果 |
| 4.3 稳健性检验 |
| 4.4 异质性分析 |
| 5 进一步分析与讨论 |
| 5.1 机制分析数据及模型 |
| 5.2 机制分析及结果论述 |
| 6 结论与政策启示 |
| 6.1 研究贡献 |
| 6.2 研究结论及未来展望 |
| 6.3 政策启示 |
| 参考文献 |
| 在校期间发表的学术论文及科研成果清单 |
| 致谢 |
四、一种回归模型非线性性的检验方法（论文参考文献）
- [1]基于多电极电容传感器的低温两相流反演理论和实验研究[D]. 谢黄骏. 浙江大学, 2021
- [2]基于深度学习的聚酯纤维聚合过程软测量建模研究[D]. 谢锐敏. 东华大学, 2020(01)
- [3]股指期货对技术指标影响的探究[D]. 贺潇. 山东大学, 2020(12)
- [4]赵各庄矿地下水位动态特征及多元时间序列分析[D]. 张静. 桂林理工大学, 2020(01)
- [5]几种数据下Rubin因果模型和回归模型的统计推断及应用[D]. 岳莉莉. 北京工业大学, 2020
- [6]非线性时间序列的相关性和复杂性研究[D]. 熊辉. 北京交通大学, 2020(03)
- [7]基于混合学习方法的空气污染物浓度预测研究[D]. 何佳琪. 中南财经政法大学, 2020
- [8]基于LSTM和ARIMA的风速时间序列预测研究[D]. 张冬雪. 兰州大学, 2020(01)
- [9]房地产企业组织成长过程的区位选择 ——基于战略势视角的实证研究[D]. 赵宇楠. 上海交通大学, 2020(01)
- [10]空气污染与旅游业发展 ——基于中国地级市层面数据的分析[D]. 任冉. 暨南大学, 2020(04)