产业集群识别与分类实例研究

本文根据产业集群理论,以西安各行业的数据为基础,运用区位商法和聚类分析法对西安产业集群进行识别和分类,将西安LQ>1的16个行业分为3类两个层次的产业集群,研究结果与实际情况相符合,同时证明了这两种方法是对产业集群识别和分类的有效方法.     

房价影响因素分析

本文利用多项式回归模型讨论了房价与人均GDP、人年均可支配收入、人口密度、房屋造价、土地购置费等因素之间的变化关系,对影响房价的一些主要因素建立了房屋价格的分析模型,通过多次修正拟合,确定了了影响房屋价格的最主要因素,可以为解释现实中的房价波动提供依据,并且可以为政府调控房价提供一定的参考,便于对房价高涨等问题作出相应的措施。     

无线电信号辨识

本文主要关注了无线电信号识别领域,结合神经网络的相关知识点对无线电信号的自动识别进行了研究,得到了一定的研究成果。本文主要采取了两种不同的分析方法,并着重研究了如何利用小波来提取无线电信号,且用RBF网络来进行聚类的工作方法,取得了良好的无线电信号识别效果,验证了神经网络与无线电小波之间的结合能够有效提升对无线电的识别能力,进而保障无线电工作的顺利进行。     

基于灰色关联度的房价影响因素分析

房价与普通民众息息相关,它受各地国内生产总值、国民收入、市场需求,供给等因素影响,在允许政府适当调控政策下,本文针对15个城市房价的影响因素进行了分析,并对未来几年的房价利用数学模型进行了预测。我们首先采用灰色关联度模型计算各影响因子与房价之间的相关性,然后运用MATLAB、R、EXCEL等软件进行编程,利用GM(1,1)模型来预测房价,结果显示这15个城市未来房价将会持续上涨,经济发达地区房价上涨较快。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。     

产业集群动态识别及分类

产业集群已经成为区域经济发展中新的亮点,然而,如何识别和选择产业集群仍然是困扰决策者和研究者的主要技术问题之一.鉴于此,本文在综合国内外相关研究的基础上,以河南省为例,尝试运用基于投入一产出模型的主成份分析法和聚类分析法进行了集群的动态识别和分类研究.     

基于特征价格模型的太原市住宅价格影响因素分析

文章利用特征价格模型对太原市普通住宅的价格特征进行了研究,分析不同特征因素对太原市普通住宅价格的影响程度,并据此构建了住宅估值的线性模型。文章的结果表明,太原市住宅的开发商和物业管理方的商誉和服务水平以及房屋的地理位置对房价有着显著的影响,同时,房屋自身容积率,周边配套交通设施等也是决定房价高低的重要因素。     

基于灰色预测的误差调整模型在保定市房价预测中的应用

除了各期房价历史数据,各对应期市场上其他因素(如地价、人均收入、居住指数、人口等)的变化,对房价的高低也有一定的影响。本文将灰色与多元预测模型相结合,从纵横两个方向对房价进行预测。即利用灰色模型进行基本预测的基础上,再对误差值利用多元模型进行调整,使预测结果精确度更高。     

刍议房声税的开征对我国房价的影响

近期房产税将在我国部分城市试点，人们期望房产税的开征能够抑制快速上涨的房价。该文认为房产税通过增加房屋保有成本，来降低人们对于房屋需求的同时，也减少了房屋的供给，况且它也不能改变影响房价过高、过快上涨的深层次因素。房产税对房价的调控作用在短期内可能会有一定的效果，但在长期则达不到预期的效果，反而会推动房价的上涨，在税负转嫁的情况下还会进一步加重人们的经济负担。     

基于神经网络对房价预测的研究

如今房地产市场容易出现暴涨暴跌的情况,很多大城市的房价已经达到了普通人不能接受的程度,如何高效地解决房地产的问题,一个较好的方案是准确地预测出未来的房地产市场行情。本文利用神经网络来预测房价的走势,优势在于神经网络类似于人脑的结构,具有仿生的特点,能够拟合出复杂的模型结构,对房价预测的任务会有比较好的效果。房价预测模型可以有效地解决当今房地产市场所存在的一些问题,帮助人们理性的投资,切实地解决人们买房难的问题,创造更加和谐美满的社会。     

中部六省地价与房价互动关系实证分析

本文以2005~2013年中部六省的地价与房价相关数据为研究样本,运用计量分析软件Eviews对两者之间的关系进行实证分析。分析结果表明:首先,人口增长率、房屋竣工面积以及本年土地开发面积对地价存在着显著的正向影响,人口密度对地价具有显著的反向影响。其次,人口密度和地价对房价是具有显著的正向影响的,失业率、人均生产总值和竣工房屋面积对房价虽有正向影响但不显著。最后,地价与房价是单向因果关系,其中地价的变化会相应地影响房价的变化。     

韩美英港如何征收房产税?

房产税对房价会产生影响,但程度依赖于税率高低和具体征收形式等。房产税的征收能增加房屋的持有成本,释放空置房屋,增加供给;还能抑制投资性需求,减轻需求压力,消除房价上涨预期。房产税的具体影响力度依赖于税率高低、形式设置(是否累进、何种减免等)以及其他影响供求的因素的状况。香港多次用差饷减免和调整物业税税率来平滑房地产市场,但效果有限。     

房价变动优化分析

为预测未来房价的变动范围,根据往年的房价应用GM(1,1)模型,并结合灰色-马尔科夫模型对房价进行预测。考虑到影响房价的诸多因素变量,对给定的多个因素应用回归分析加以确定。从市场投机因素和政府的调控手段出发优化模型,通过模型分析给出合理的建议。     

金融危机对石家庄房价的影响

金融危机对我国经济产生了重要的影响,同时也影响了房地产市场,对于省会石家庄市而言,其房价产生了巨大的波动。面对这种局面,政府、房地产商必须迅速作出反应以保证房地产市场平稳发展。本文对金融危机的成因以及其向房地产市场的传导过程进行分析,通过对石家庄市房价金融危机前后房价的变化来说明金融危机对房价的影响;用灰色数列对石家庄市区新建房屋进行房价预测,并提出房地产市场健康发展的建议。     

遗传神经网络在电信业务收入预测中的应用研究

误差反向传播神经网络(BPNN)由于优越的非线性数据处理性能以及较强的学习能力而被广泛地运用于电信业务的预测当中。然而,神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果,而遗传算法(GA)是一种全局寻优搜索算法,能够有效克服上述缺陷。本文针对影响电信业务收入的主要因素,将BP神经网络与遗传算法有机结合起来,建立了相应的遗传神经网络模型用于电信业务收入预测,并利用实际数据进行效果验证。实验表明,该预测模型具有很强的学习能力和自适应性,其预测结果优于BP神经网络模型,而且具有良好的泛化性。     

经济基本面还是房地产政策在影响中国的房价

许多西方文献认为房价在长期能反映经济基本面,并给出了实证证据。但本文利用1998—2008年中国35个大城市面板数据,发现中国房价与经济基本面间缺乏稳定的对应关系,房地产宏观调控后房价向上偏离了经济基本面,且房价方程发生了结构改变。本文认为中国特殊的房地产政策,尤其是土地政策,影响了房价反映经济基本面的机制。通过考察房地产市场受政策调控的变量与房价之间关系,本文发现土地供应量对房价有显著的负向影响;信贷对房价有显著的正向影响;反映房屋市场供需情况的房屋销售面积和空置面积对房价也有显著的负向影响。此外,东部和中西部城市在房价影响因素上也存在一些差异。本文最后提出了相应的政策建议。     

基于余弦相识度的聚类算法在统计调查对象分类中的应用研究

对统计数据的研究往往采用无监督学习的聚类算法,而基于欧式距离的常规聚类算法不太适合统计数据,文章将常用于文本相似度计算的余弦相似度算法与聚类算法相结合,形成基于图形相似度的模糊识别算法,采用统计月度数据进行实验测试,证明能够实现企业分类,达到了研究目标。     

基于a-k-gn法的边坡稳定性分析

在边坡稳定性分析中,边坡安全系数受地质条件、地貌因数、水文气候、地震作用、风化作用等众多因素的影响,这给边坡评价带来了极大的困难.采用a-k-gn法预测边坡安全系数:用层次分析法对影响边坡稳定性的主要因素进行分析;用自组织竞争kohonen神经网络列-边坡样本进行归类;运用经过遗传算法优化的bp神经网络(遗传神经网络)方法,建立边坡安全系数隐函数关系式,从而预测边坡安全系数.用kohonen神经网络归类后的边坡数据为样本,用层次分析法选取了容重γ、粘聚力c、内摩擦角φ、边坡角α、边坡高度h和孔隙压力比γu作为边坡安全系数隐函数的随机变量输入单元,以边坡安全系数f作为输出单元.通过预测值与实际值的对比分析,验证了a-k-gn法预测边坡安全系数的合理}生.     

为“需求决定房价说”正名——基于城镇居民人均住房面积的思考

消费者对商品住宅的需求分为实际需求和潜在需求两类,前者决定着房价水平,后者有一部分会向前者转化,进而激发投机(投资)需求,推高房价。在研究需求对商品住宅价格作用机制的基础上,结合人口变化、城镇化进程和商品住宅供给三个影响因素,对2020年~2050年中国城镇居民人均住房面积和商品住宅价格变化趋势进行了预测。     

基于聚类和模糊神经网络的软件维护工作量预测

在对软件维护工作量分析的基础上,利用聚类和模糊神经网络理论,建立了时间序列对象的预测模型,并应用于软件维护工作量的预测研究,从而探讨了一条适合软件维护工作量预测的新途径。