基于EGARCH-ε_t-GPD模型的VaR计算

在传统的利用极值理论来计算VaR的过程中,一般先是对时间序列建立GARCH模型,再对残差序列运用极值理论建模,从而估计得到VaR.但建模时在GARCH模型的条件方差方程中,人们只考虑了以前时刻的随机误差项对方差的影响,而忽视了当前时刻的随机误差项对方差所作出的贡献.故作者在对时间序列建立EGARCH模型时,在方差方程中引进了当前时刻的随机误差项,然后再对残差建立GPD模型来研究风险价值,并进行了相应的实证分析,结果表明加入当前时刻的随机误差项后估计得到的VaR准确性更高.     

煤粉燃烧火焰着火判据

研究了煤粉火焰着火判断问题 ,提出了基于图像模式识别方法的煤粉着火判别准则 .在单角煤粉炉上 ,做了不同工况的燃烧试验 .对煤粉燃烧火焰着火形状和特性进行了研究分析 ,并推导出两类问题判别函数 ,在此基础上给出了最小距离判别准则 .该判别法模型应用到煤粉火焰燃烧ON/ OFF的判断上 ,通过对试验所采集火焰图像的分析和计算 ,确定模型中的参数 ,得到判据准则 ,所得到的结果具有一定的普适性     

MEMS加速度计随机误差分析及建模方法研究

MEMS加速度计普遍存在信噪比低、精度低、稳定性差等缺点,主要原因是加速度计随机误差的影响,所以降低随机误差的影响成为了提高精度和稳定性的关键。采用Allan方差分析法对加速度计的实测数据进行随机误差分析,得到了影响加速度计性能的各项随机噪声系数。使用时间序列分析法对加速度计数据进行数学建模,以FPE准则确定使用的模型与阶次。实验结果表明,对加速度计数据进行建模方法科学有效,所得实验数据在精度和稳定性方面显著提高。     

组合多任务与迁移学习的故事发展预测

使用机器挖掘故事中的潜在语义关系从而推断故事发展方向,是当前自然语言处理领域研究的热点之一.现有主流方法存在的共性问题是神经网络理解文本能力有限,模型的关注点均集中在挖掘单个语义信息上,导致模型泛化能力差,使得机器仅能通过单个语义理解文本.针对上述问题,作者提出一种组合多任务与迁移学习的新模型,该模型由共享层、特定任务层、迁移层以及组合层构成.模型的前两层组合语言模型与多任务学习,解决神经网络理解能力不足的问题,第二、三层训练多个语义任务,第四层融合多个语义信息,克服以往模型仅从单个语义理解文本的缺点.对比实验及消融实验表明,新模型预测精度与主流方法相比有较为显著的提升,各特定任务的语义信息有助于预测故事发展方向.     

基于潜在语义的多类文本分类模型研究

在文本分类中,一个文本往往有多类属性,而目前大多数分类模型均为二元分类模型.因此,提出一种基于潜在语义的多类分类模型.该模型同时考虑文档特征信息和文档的类属信息,在提取文档潜在语义信息的同时把对文档分类贡献大的特征信息保留下来.其结果是既能较好地解决文档中同义词和多义词的问题,又能解决多类属分类问题,并且能够探测到新类.在Reuters文档集上的实验表明,在维数较低的情况下,分类效果比较好,性能比较稳定.     

手写维文字符分割中的多信息融合路径寻优方法

针对维吾尔词书写粘连和手写笔画漂移等问题,提出一种基于多信息融合路径寻优的字符分割算法.利用笔画提取、切分和聚类,过分割单词图像得到主体和附加字段,通过字段模糊匹配获得鲁棒的字根序列描述,以抑制笔画漂移造成的干扰;由建立的匹配位置高斯模型来估算字段匹配信息,经对单字分类器输出进行置信度转换,从而得到字符识别信息,再运用数据统计获取单词语义信息;由构建的字符序列二阶Markov语言模型,基于Bayes准则,提出了单词后验概率的多信息加权融合计算方法,通过字段匹配及字根合并的路径寻优,可得到最佳字符分割结果.在手写维文样本库上的实验表明,所提算法能有效提升字符分割的准确率和稳定性.     

语义场模型研究

将场理论引入语义空间,提出语义场模型,利用该模型刻划本体概念间的语义联系及语义分布规律.首先,从势、梯度和场强等多个角度对语义场进行描述,其中,势代表场中某一点的语义,体现语义的分布情况;梯度描述了场中局部位置的语义变化情况;场强则体现了场中语义联系的强弱.然后,分析了场源作用范围,给出了本体概念质量计算方法,讨论了势函数影响因子优选问题.最后,指出了语义场在资源语义聚类、支持语义的P2P应用系统等方面的应用前景及思路.     

基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.     

基于概念共现图的多文档自动摘要研究

以概念统计为基础,以WordNet为语义资源进行语义消歧和概念归并,提出了一种概念共现图模型并把它应用于多文档自动文摘.该模型利用概念间的共现信息构造概念共现图,抽取多文档集合的主题概念,再根据主题概念构建向量空间模型并计算句子的重要性.由于对概念进行了良好的归纳,该模型能够挖掘蕴涵在文档集中的深层次主题.在DUC2005数据集上评测的结果表明,该方法取得的效果令人满意,可用于实际的应用.     

若干评价准则对不平衡数据学习的影响

为解决绝大部分传统的以精度准则为优化目标而获得的分类器不适于不平衡数据学习(IDL)的问题,文中通过在支持向量机(SVM)模型上进行"元学习",研究了精度、平衡精度、几何平均、F1得分、信息增益、AUC(ROC曲线下方图面积)以及文中新提出的GAF和GBF等评价准则对IDL的影响.在16个来自UCI的不平衡数据集上进行了仿真实验.对实验结果的统计分析表明:不同准则对分类器性能的影响有显著差异;即便是对于先进的学习方法支持向量机(SVM)而言,若以精度准则最大化选择分类器,那么得到的SVM分类器也容易偏向预测多类;通过在其他准则上优化,能输出纠偏了的SVM分类器,它们的整体性能更好,尤其是在预测少类能力方面;在GAF以及GBF准则上优化所得的SVM分类器具有稳定且良好的性能.     

若干评价准则对不平衡数据学习影响的研究

评价准则对分类器的构建起着重要作用, 在不平衡数据学习(IDL)中这更是如此. 众多研究已表明, 绝大部分传统的以精度准则为优化目标而获得的分类器是不适于IDL的. 那么其他准则又如何呢? 本文致力于回答这个问题. 通过在支持向量机(SVM)模型上进行“元学习”(Meta-Learning), 我们研究了若干常用的评价准则对IDL的影响, 这些准则包括ACC(精度)、BAC(平衡精度)、 GMean(几何平均)、F1(F1得分)、 IG(信息增益)、AUC(ROC曲线下方图面积)以及本文提出的两个新准则GAF和GBF. 在16个来自UCI的不平衡数据集上进行了仿真实验； 对实验结果的统计分析表明, 不同的准则对分类器性能的影响有显著差异. 即便是对于先进的学习方法SVM而言, 若以精度准则最大化选择分类器, 那么得到的SVM分类器也容易偏向预测多类(majority class). 然而, 通过在其他准则上优化, 我们能输出纠偏了的SVM分类器, 它们的整体性能更高, 尤其是在预测少类(minor class)能力方面得到了显著提高. 进一步地, 仿真实验发现在GAF以及GBF准则上优化所得的SVM分类器具有稳定且良好的性能, 这表明它们是值得采用的评价准则.     

基于多尺度特征提取的图像语义分割

指出了基于深度学习的图像语义分割中,如何充分利用图像上下文信息以达到更好的分割效果,是当前图像语义分割研究的关键问题.为解决这一问题,提出了一种基于多尺度特征提取的图像语义分割方法,通过构建深层卷积神经网络,并利用不同尺度图像作为网络的输入来提取不同尺度图像的特征,最后经过特征融合得到了分割图.在公开数据集Stanford background dataset 8类数据集上进行训练和验证,实验结果达到了84.33%的准确率.实验表明:通过提取和融合多尺度特征,可以达到更好的图像语义分割效果.     

基于区间二元语义VIKOR的外包供应商选择模型

在外包战略中,间接成本提升、信息不对称、控制权降低等问题给供应商选择增加了困难.为充分发挥外包优势、降低外包风险,将外包供应商选择准则分为服务质量、价格与成本、沟通与协调以及研发与创新四类,并运用区间二元语义VIKOR模型对外包供应商进行评价及排序.通过算例及比较分析验证了区间二元语义VIKOR模型在外包供应商选择中的优势.结果显示所提出模型不仅有效避免了数据处理过程中信息失真情况,规避了排序结果重复的问题,而且可同时处理定性与定量数据,融入了主客观权重及决策者偏好,从而为企业选择供应商提供了更为理想的方法.     

基于common logic的UML类图形式化及验证

统一建模语言(UML)是目前广泛使用的一种面向对象建模语言,其图形化,半形式化的特点,使其缺乏精确的语义描述,模型之间容易出现不一致问题,因此,UML类图的形式化问题尤为重要.common logic是一阶逻辑的一个特殊拓展,语法简洁,无符号,易读易掌握易使用,语义精确,满足一阶模型理论,相较于其它逻辑语言,更适合UML类图进行形式化规约.因此,提出采用common logic对UML类图进行形式化,得到形式化的语义规约,并对实例模型进行一致性验证.     

基于LSSWM模型的交并式动态扩展聚类算法

为获取Web上中文人物的精确信息,特别是同名人的分辨,提出了一种基于LSSWM模型的交并式动态扩展聚类算法。通过构建中心词库,对每篇文档建立基于中心距离、中心段、篇章长度等潜在语义信息的语句-词条矩阵LSSWM,利用交并式动态扩展聚类算法,对相似文档进行聚类。实验表明,该算法在保持人物语义信息的连贯性、突出不同位置语义信息重要性的同时,对文档的聚类有较高的准确性。     

基于低维语义向量模型的语义相似度度量

语义相似性度量能够提高信息检索的准确性和效率,已成为文本处理中的一个核心任务.为解决一词多义等词汇歧义问题,提出一种基于低维向量组合的语义向量模型.该模型引入了知识库与语料库的多语义特征的融合,主要的语义融合对象包括连续的分布式词向量和从WordNet结构中的语义特征信息.首先利用深度学习技术中的神经网络语言模型,预先从文本语料中学习得到连续的低维词向量;然后从知识库WordNet中抽取多种语义信息和关系信息;再将多语义信息融入词向量进行知识扩展和强化,生成语义向量,从而实现基于向量空间的语义相似性度量方法.在基准测试集上的实验结果表明,该方法优于基于单一信息源(知识库WordNet或文本语料)的语义相似性度量方法,其皮尔森相关系数比基于原始词嵌套向量的方法提高了7.5%,说明在向量特征层面上的多语义信息的融合有助于度量词汇间的语义相似性.     

基于条件随机场的多线索中文语义角色标注

随着人工智能和中文信息处理技术的产业化发展,自然语言处理相关研究已逐步深入到语义理解层次上,而中文语义角色标注则是语义理解领域的核心技术.针对现有线性标注模型无法满足语义信息技术产业化发展对准确率的需求,提出了采用多层级语言学线索组合的模型优化方法.首先,选取综合标注性能优异的条件随机场基准模型,构建相配套的语义角色标注语料库.然后,在模型中融入词法及句式等多层级语言学线索,实现了对模型的多层次优化.最后,通过对比实验各项标注指标,论证了融入的相关语言学线索可以有效增强线性序列模型的标注性能.     

一种串联机器人的随机误差分析方法

利用旋量理论,通过定义关节处的误差运动旋量,建立了包含结构参数误差的串联机器人误差模型. 在此基础上,提出了一种将Monte Carlo方法与串联机器人误差模型相结合的随机误差分析方法,用于揭示机器人末端位姿误差的概率特性. 并以直角坐标装配机器人为例,在Matlab软件环境中进行了仿真,得到了机器人末端随机位置误差在工作空间内的分布规律. 仿真结果表明,该方法正确、有效,仿真得到的随机误差特性对标定精度的提高以及最优工作空间的选择具有重要意义.      

基于元模型架构的UML类图到PVS规范的转化方法

UML是一种非形式化的面向对象建模语言,它缺少精确的语义定义;PVS规范则是一种具有精确语义定义的形式化规范语言,通过PVS规范给UML图形赋予精确的语义可以结合两者的优势.为此,提出了一个将UML类图转换成PVS规范的框架.按照UML的4层架构,依次对元元模型、元模型以及UML图形进行转换,并且前一次转换所得到的规范可以为后面的转换提供上下文背景.与其他方法相比,这种分层转化的方法降低了转换难度,保证了转换的正确性,保持了UML模型更完整的语义成分.     

水利水电开发排序的多层次多准则模糊规划模型

针对跨流域调水工程,分析了目前水利水电工程开发程序常规方案优选方法中存在的缺陷,建立了多准则递阶层次结构模型;论证了引入风险型评价指标的必要性、运用多准则多层次研究开发程序的合理性、建立多层次模糊综合评判的可能性;同时,根据所研究的问题需要考虑决策者准则偏好的特点,提出悲观准则、乐观准则及折中准则,并将偏好以系数的形式体现在模型中,给出了相应模型的求解方法.工程案例表明,该模型是可行的.