多维条件方差偏度峰度建模

为了考察多个市场或多个金融资产之间的高阶矩风险度量问题,有效地捕获收益率时间序列高阶矩动态特征,在考虑当前预期和波动性条件下,推导了高阶中心矩和协矩之间的关系,提出了能够有效解决维数灾祸问题的多维条件高阶矩模型.在多维S_U分布基础上,采用动态条件相关性(DCC)和自回归条件密度技术,通过智能优化算法对条件高阶矩模型的时变参数进行估计.实证研究结果表明,多维条件高阶矩模型较好的拟合了收益率时间序列高阶矩动态特征,与之前的高阶矩模型相比,能够有效解决高阶矩模型的维数灾祸问题,表明该模型能够捕捉到我国多个市场之间高阶矩风险特征,提高多维条件高阶矩模型测度能力.     

删失试验寿命的贝叶斯生存极值回归模型

针对删失寿命试验数据缺少随机变量尾部分布和常规删失数据分析对长寿命区高可靠度估计不准确的问题,构建了一个结构元件寿命分布的贝叶斯生存极值回归模型。运用MCMC方法与Gibbs抽样获得参数后验分布的基本原理,借助数据仿真说明了利用WinBUGS软件包进行建模分析的过程,证明了该模型在删失试验中的直观性和有效性。研究结果表明:利用Gibbs抽样进行模拟分析,能很方便地得到模型参数的相关估计。     

基于椭圆-双曲线马氏度量的图像分类算法

为了进一步拓宽度量学习在图像分类中的适用范围,同时提高分类的性能,本文提出一种基于椭圆双曲线马氏度量的图像分类算法。该算法首先将颜色特征和局部二值模式描述的纹理特征相结合来表示图像特征;然后引入对样本数据具有更好的适应性的椭圆双曲线度量,根据数据统计特性定义椭圆双曲线马氏度量,给出椭圆双曲线马氏度量学习算法,从而获取最优的度量矩阵;最后利用椭圆双曲线马氏度量矩阵将样本变换到新的特征空间,从而降低特征各维度间的相关性,同时计算图像特征间的距离从而完成分类。实验表明该算法提高了图像分类的有效性。     

考虑协变量的相关多响应稳健优化设计

研究了协变量之间以及多响应之间同时存在相关性的问题,考虑了多响应的最优性与稳健性,提出了基于主成分分析与似然不相关回归相结合的方法解决含有多个协变量的多响应稳健设计问题。该方法分析了决策者在协变量概率取不同阈值的情况下,将相关多响应优化问题转化为求解相应情况下的综合满意度函数最大值的问题。并结合具体的实例进行分析研究,结果表明了本文所提出的方法能够有效地解决此类多响应稳健设计问题。     

基于主基底分析的两阶段变量筛选方法

在实际系统分析及建模中,人们往往需要保留一些特别重要的分析变量。本文改进了基于主基底的变量筛选方法,分两个阶段来筛选系统分析所需变量。用重要变量构建初始主基底超平面,作为筛选其他普通变量的起点。该方法既结合了人们的定性分析经验,又保留了基于主基底分析的变量筛选方法能够自动筛选系统分析所需最简变量集合的特点,达到了数据降维目的。实际案例分析验证了该方法的有效性。     

考虑偏度特征的动态多响应稳健参数设计与优化

研究了具有动态特性的多响应稳健参数设计问题,分析了响应变量往往具有偏度特征的情况,提出了基于多元偏正态分布与响应曲面法相结合的动态多响应稳健优化模型,该模型不仅考虑了动态多响应之间的相关性,而且也考虑了尺度与偏度对动态多响应系统最优性与稳健性的影响。首先,利用非参数检验方法判断在信号因子不同水平下的各响应变量所服从的分布类型;其次,通过构建各响应变量在信号因子不同水平下的联合位置,尺度与偏度的响应曲面模型,进而建立基于多元偏正态分布的期望损失函数;然后,利用混合遗传算法对所构建的综合期望损失函数进行全局优化求解;最后,通过对具体的工业实例进行分析研究,结果表明本文所提出的方法能够有效地解决具有偏度特征的动态多响应稳健参数设计问题。     

基于机群仿真模型的平均秩次法有效性分析

为了验证平均秩次法在估计完全删失数据分布函数参数时的有效性,设计了一种明晰平均秩次法适用范围的蒙特卡罗仿真方法。该方法考虑现场故障数据的实际生成过程,以机群为研究对象,通过飞机架数、飞行天数、日利用率动态变化驱动故障样本、删失比变化,获取故障间隔时间的完全删失数据。结合拉依达准则,确定了平均秩次法的计算错误率。仿真结果表明,样本量在9.1,删失比为0.328时,错误率达到28.9%,此条件下,平均秩次法已经不适用。因此,在航空工程实际的可靠性评估中,由于大量高可靠性产品的出现,平均秩次法的适用范围变窄。     

基于全方位优化算法的改进马田系统分类方法

针对马田系统的若干不足, 提出一种改进的马田系统优化模型, 其核心思想是 根据分类问题的目的和特点提出若干优化目标, 采用优化模型替代正交表和信噪比筛选关键变量. 针对模型的特点, 采用了一种全方位优化算法进行求解. 通过对4个 UCI数据集的算例分析表明, 该方法不仅有较好的分类精度, 且能筛选关键变量, 降维效果明显. 最后对一个实际生产案例 进行了研究, 结果表明该方法在保持高分类效率的情况下, 能够显著减少质量检测变量, 降低成本, 提高生产效率.     

基于MapReduce的大规模数据集流形学习降维研究

信息技术的快速发展导致了数据规模的爆炸式增长，传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足，成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高，对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题，提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中，利用流形具有局部欧氏同胚的性质，在每个桶内采用欧氏距离度量点之间的测地距离，桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明，该算法能有效地估计数据点间的测地距离，适用于处理大规模数据集的降维问题.     

基于熵的图像空间特征提取及检索方法

针对图像颜色的空间分布特征,提出了一种新的基于熵的表示方法。该算法采用空间分布熵来描述颜色的空间特征,具有旋转、平移、尺度等不变特性。结合人类的视觉特征及熵的特性,进一步提出利用加权空间分布熵来优化和改进颜色空间分布特征的提取算法。结合图像颜色直方图,给出了两种图像间的相似性度量方法。仿真实验证明,该算法在进行图像检索时具有更好的检索效果。     

基于特征子空间的三维模型相关反馈检索方法

从三维模型中提取出的高维特征向量一般分布在原始空间的某个非线性低维子空间中,而测地距度量算法可以有效地甄别这种非线性分布.提出一种在相关反馈中,通过更新测地距离来捕捉三维模型特征点的分布特性的检索算法.为了解决相关反馈后期效果提升缓慢的缺陷,作者提出了模型潜力值理论来辅助使用了测地距核函数的支持向量机学习器改善相关反馈机制.     

基于空间分布特征的阵群目标数据关联算法

在低数据率条件下,对监视区域内的每个目标进行有效分析是非常困难的。针对该问题,将阵群目标作为研究对象,并给出了一种基于空间分布特征的阵群目标数据关联算法。首先,在近邻点集聚合的基础上,从传感器给出的单目标观测集合中提取出阵群目标观测(简称阵群观测);其次,按照自顶向下的方式逐次计算各个阵群观测不同子集空间分布的距离度量,并以此为基础计算阵群观测之间的关联度量;最后,通过在关联代价矩阵上应用二维分配算法得到不同时刻各个阵群观测之间的对应关系。仿真结果证实了该算法的有效性。     

Heckman-Tobit模型的半参数估计

Heckman-Tobit模型可以同时处理样本选择问题和删失数据问题,是一个重要的微观计量模型.本文根据结果变量的条件生存函数所满足的性质,提出Heckman-Tobit模型的一种半参数估计方法.这种方法通过积分的形式,有效地利用了结果变量整个条件分布的信息.在一些正则性条件下,本文证明了所提出的半参数估计量的相合性和渐近正态性.其渐近性质的成立不依赖于扰动项的具体分布.数值模拟实验的结果表明,本文的半参数估计量具有优越的有限样本性质,且当扰动项服从非正态分布时优于最大似然估计量.     

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.     

度量收益率的实际分布和相关性对资产组合选择绩效影响

在对MarkoWitz资产组合选择理论的局限性,以及金融资产收益率的实际分布与相关性进行分析的基础上,根据Copula函数在构建反映随机变量实际分布与相关性的联合分布函数上具有的优势,构建了反映组合资产收益实际分布和相关性的联合分布函数.为了研究度量收益率的实际分布和相关性对资产组合选择的影响,以投资者具有常相对风险回避效用函数为假设条件,根据所构建的联合分布函数和中国证券市场的数据,采用动态返回测试方法进行实证研究.     

定时删失数据下的双响应曲面建模与优化

针对一类与时间相关的质量特性存在定时删失情形的稳健参数设计问题,提出了一种结合期望最大化算法和改进的随机森林算法的变量选择与过程优化方法.首先,采用期望最大化算法计算不同水平组合下的位置与散度估计;其次,利用改进的随机森林算法选择重要的因子效用;然后,将响应的置信区间引入优化策略中以构建更保守的约束条件,降低模型不确定对优化结果的影响;最后,通过一个实际的工程案例验证所提方法的有效性.实例分析的结果表明,所提方法能有效降低信息损失及模型不确定性对建模和优化结果的影响,能获得更加可靠的可控因子最优设计值.     

基于支持向量机的分布数据挖掘模型DSVM

针对分布环境的数据挖掘要求,提出了基于支持向量机的分布数据挖掘模型DSVM.定义了DSVM中特征多叉树的概念,描述了基于移动Agent访问分布数据集来构建特征多叉树的方法,阐述了通过特征多叉树来反映分布环境各数据集属性总体特征的思想,并利用该数据结构和支持向量机的特点,提出了基于壳向量的分布式支持向量机增量算法来修正和完善特征多叉树,最终实现分布环境下全局的数据挖掘.实验结果表明,该模型有效地解决原有分布环境下其他挖掘算法存储开销大、执行效率差、安全性和隐私性低等问题.     

一种多重Weibull回归模型在竞争失效分析中的应用

基于传统竞争失效分析中对截尾数据(包括寿命数据截尾及失效机理信息的删失)、以及环境因子伴随变量的研究不足,提出贝叶斯生存分析理论中一种多重Weibull回归模型;在该模型中假设各失效机理条件下的产品寿命均服从某种Weibull分布,利用该模型能够较为灵活地拟合竞争失效分析中存在数据截尾的情形;针对高维数值积分的不便,讨论了基于Gibbs抽样的MCMC方法,提出通过运用该方法动态模拟出多重Weibull回归模型中相关参数后验分布的马尔可夫链;并通过对模型结构的输入输出分析,给出随机截尾条件下模型参数的贝叶斯估计;利用BUGS软件包进行实例分析的结果,证明了该模型在竞争失效分析中的直观性与有效性。     

基于统计学习的逆向运动学实现方法

基于统计学习的思想,提出一种逆向运动学实现方法。角色动画运动数据维数较高,各维度之间存在相关性,直接对其分析计算复杂度高。该方法基于高斯过程隐变量模型对运动数据降维,将高维运动数据映射到二维隐空间,对隐空间数据进行聚类,寻找样本运动数据的典型姿态,典型姿态张成的子空间保留了样本运动数据的主要特征和规律。结合末端约束,对典型姿态进行加权优化,得到满足末端约束的最佳姿态。实验表明,该方法取得了较好的效果。     

基于DAG方法的SVAR模型识别: 理论基础和仿真实验

在递归结构假设条件下,文章证明了SVAR模型与线性动态因果结构模型是相同的数据生成过程,且SVAR模型中的同期变量系数矩阵结构与同期变量为节点的DAG之间存在特定的对应关系;文章还证明：给定真实的数据生成过程为线性动态因果结构模型,从数据出发,利用现有的IC,SGS,PC等因果结构推断算法可以对同期变量为节点的DAG作出正确推断,且这一结论不依赖于变量服从联合高斯分布,从而在理论上证明了基于DAG方法构建SVAR模型识别条件的可行性,并给出该方法下SVAR模型识别的充要条件;最后,Monte Carlo仿真结果显示：在扰动项服从不同分布条件下,基于DAG方法在构建正确的SVAR模型识别条件方面均有着非常好的表现,SVAR模型识别的充要条件也得到了仿真结果的有力支持.