基于谱聚类-独立成分分析-Granger因果检验模型的金融风险协同溢出分析

提出了一种多路归一化割谱聚类方法、独立成分分析法、GARCH模型和Granger模型相结合的金融风险协同溢出模型。利用GARCH模型提取波动;利用谱聚类方法对波动数据集进行聚类分析;再利用独立成分分析法提取每个类的独立成分;最后,利用Granger因果检验分析每个类提取出的主成分对其余类中股指的风险溢出,从而完成金融风险的协同溢出计量。采用本文提出的模型对近几次金融危机期间全球主要股指进行了金融风险协同溢出分析。实证结果表明,本文提出的方法能较好地刻画金融风险的协同溢出效应。     

基于灰色关联聚类的特征提取算法

针对航空发动机气路部件故障样本特点,提出了一种基于灰色关联聚类的特征提取算法.论述了邓氏、相对变率和斜率三种灰色关联度分析方法,并以利用灰色关联度作为动态聚类欧氏距离的思想,构建灰色关联聚类特征提取模型.以某型涡扇发动机常见气路部件故障为例,利用ESVR算法验证特征提取能满足故障诊断要求. 仿真结果表明:该方法可以提取特征传感器, 使核与约简更精确.     

基于奇异事件特征聚类的时间序列符号化方法

提出一种基于小波的多尺度奇异事件特征提取方法,将时间序列分割为一系列具有独立趋势形态的事件子序列;对以变换参数表示的事件子序列的利用混合遗传聚类算法实现离散符号化,每一事件子序列以其所属类别标识,从而将连续数值域的时间序列转化为离散符号域的事件序列。方法用于对非平稳金融时间序列进行了符号化转换,实验结果表明该方法是有效的。     

基于灰关联分析的谱聚类

谱聚类作为一种建立在谱图理论基础上的聚类方法,具有能够处理任意空间形状数据且收敛于全局最优解的优点,但其对参数非常敏感,参数值微小的变化都会影响聚类精度.提出一种将基于差异信息理论的灰关联分析结合到谱聚类中的新方法,利用序列的均衡接近度描述数据点的相似程度,在克服参数影响的同时提高了传统谱聚类算法的性能.实验结果证明了新方法的有效性.     

基于小波和多重分形的金融时间序列聚类

为研究时间序列波动特征及其聚类,定义了反映序列波动特征的概率测度并考虑长期趋势项对时间序列多重分形分析的影响,采用小波分解与重构的方法去除低阶项,得到消除趋势项后的序列.比较消除趋势项前后序列的多重分形谱,结果显示多重分形谱的形状在消除趋势项后更加趋于钟形.由于多重分形谱可以定量表征序列的波动特征,将此方法应用于上海市场股票价格序列的波动特征分析,结果显示,消除趋势项后的上海市场股票价格序列的多重分形谱用于其波动特征的聚类具有更合理的物理意义.     

基于多维形态特征表示的时间序列相似性度量

特征表示和相似性度量是时间序列数据挖掘的基础工作, 其质量好坏直接影响后期的挖掘结果. 利用正交多项式回归模型对时间序列进行多维形态特征表示, 分析特征维数对时间序列拟合效果的影响, 选取部分特征来描述序列的主要形态趋势, 提出了一种鲁棒性较强的形态特征相似性度量方法来近似度量时间序列, 且具有较高的相似性度量质量. 实验结果表明, 基于多维形态特征表示的时间序列相似性度量方法不仅满足下界要求, 具有较好的下界紧凑性和数据剪枝能力, 而且在时间序列聚类和分类等数据挖掘任务中取得了良好的效果.     

基于方差波动多重分形特征的金融时间序列聚类

提出了一种新的概率函数计算方法，用于研究金融时间序列在方差波动方面的多重分形特征。在此基础上提出了一种基于多重分形的时间序列聚类算法，该算法能够根据不同的分析目的，灵活地使用不同的概率函数以及序列的多重分形特征参量进行聚类。对上海证券市场实际数据的实验结果表明，本文提出的聚类算法是灵活有效的。     

基于数据分组处理方法的聚类分析模型

与通常的聚类方法相比,客观聚类分析方法能自动、客观地确定聚类个数并找到最优聚类方案.通过算法步骤的剖析和算例分析,对客观聚类分析方法的核心构件,即一致性准则的不足进行了评价.利用偶极子给出了新的一致性准则,提出了数据分组处理(GMDH)聚类分析方法.从理论分析和实证比较两方面论证了新的一致性准则的优越性,指出了GMDH聚类分析方法是客观聚类分析方法的发展.     

基于已实现波动率的上证综指异常时序检测

时间序列模式识别、异常检测在金融领域有着广泛应用,能够为金融决策提供重要参考信息.在大数据场景下的异常检测中,为满足对计算效率、存储空间的要求,通常对时序数据利用近似表示进行降维.但在高频金融领域,已有的近似方法会丢失大量波动信息,而微观结构噪声、市场波动信息对高频金融分析至关重要.因此,本文在传统方法基础上,结合基于变点检测的时序近似表示和已实现波动率,通过聚类识别表现异常的时间序列.基于上证综指数据的实证分析表明,引入已实现波动率能够进一步优化聚类质量,准确识别波动异常的时间序列,为实际金融分析提供有价值的决策支持.     

基于消耗波动性聚类的航材分类研究

针对难以依据航材消耗数据进行分类的问题,建立基于消耗波动性聚类分析的分类模型。基于消耗序列波动性将航材转化为二维图,因该机型服役时间较短,航材样本数量较小,选用无监督分类算法聚类分析对航材分类。针对传统聚类算法的局限性,提出层次划分聚类算法,并使用“容距比”参数为初始中心选择良好环境。仿真结果显示层次划分聚类算法更加稳定高效,同时表明该模型能有效进行航材分类。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

金融时间序列分形维估计的小波方法

讨论了金融时间序列的性质,通过实际数据说明,金融时间序列具有两个重要特性——统计自相似性和非平稳性.利用正交小波变换的方法,给出了其分形维的估计方法.最后,实证分析了国内金融市场,并应用此方法分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维.     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

HRRP稀疏自编码器深层特征与散射中心特征的关联性研究

利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile, HRRP)进行了学习训练, 基于各层权重系数矩阵定义了一种综合权重系数, 通过综合权重系数和降维特征与散射中心特征的对比分析, 发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性, 并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络, 经过深层学习后获取训练后的权重系数和降维后的特征, 并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明, 综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵, 反映了距离域强散射中心位置随角度变化的可能的分子集; 降维特征能够实现对强散射中心的学习和提取, 反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响, 可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究, 为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。     

基于动态灰色主成分分析的多时刻威胁评估

针对目标威胁评估问题的高维数、时变性等特点, 提出基于动态灰色主成分分析(dynamic grey principal component analysis, DG-PCA)的多时刻威胁评估方法。首先, 以潜艇为分析对象, 构建协同作战模式下的威胁评估指标体系。其次, 提出扩展灰色相似关联度用于表征指标间动态非线性相关度, 构建用于多元非线性时间序列分析的DG-PCA模型。最后, 结合层次分析法(analytic hierarchy process, AHP)与时间序列赋权, 建立基于加权DG-PCA的多时刻威胁评估模型。分析结果表明, 所提方法能够融合多时刻信息, 符合作战实际, 并且在小样本情况下具有较好的数据提取能力。     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

正交指数约束的平滑非负矩阵分解方法及应用

提出了一种正交指数约束的平滑非负矩阵分解方法,该方法将非负矩阵分解为基矩阵、列归一化平滑矩阵和系数矩阵之积,同时在目标函数中加入了正交指数约束,保证了低维特征的非负性和局部化,减小了分解误差,提高了稀疏性的调节能力。将该方法应用于数据降维、特征稀疏性比较、有遮挡人脸识别和视频运动特征提取。实验结果表明,该方法比同类方法具有更好的性能。     

基于Park-HHT的故障特征提取方法

针对三相对称系统,提出了一种新的故障特征提取方法。该方法首先将系统输出信号进行Park变换,之后进行希尔伯特-黄变换(Hilbert-Huang transform, HHT),从HHT的本征模态函数中选取低频分量,提取信号幅度作为故障特征值。该方法兼具Park变换和HHT的优点,在降低变量维度的同时提高了故障分辨率,并且具有较强的抗噪声能力。最后,在三相逆变电路中进行了仿真实验,根据特征向量间距离分布对不同方法的提取效果进行评价,验证了所提方法的有效性。     

基于Park-HHT的故障特征提取方法

针对三相对称系统,提出了一种新的故障特征提取方法。该方法首先将系统输出信号进行Park变换,之后进行希尔伯特-黄变换(Hilbert-Huang transform, HHT),从HHT的本征模态函数中选取低频分量,提取信号幅度作为故障特征值。该方法兼具Park变换和HHT的优点,在降低变量维度的同时提高了故障分辨率,并且具有较强的抗噪声能力。最后,在三相逆变电路中进行了仿真实验,根据特征向量间距离分布对不同方法的提取效果进行评价,验证了所提方法的有效性。