基于灰色信息的支持向量域分类算法

当被识别的样本包含有未确知性的灰信息时,传统的SVDD算法无法对其类别作出判别.针对这一问题,并考虑到SVDD算法是一种基于样本间距离测度的判别方法,提出了一种针对灰信息样本进行判别的支持向量域数据描述算法-GSVDD算法,该算法利用区间数对未确知性的灰信息进行表达,将区间运算引入到SVDD算法中,以区间距离取代原来的确定性距离,从而对灰信息目标样本进行识别.理论分析和实验结果均表明,该算法是有效和可行的.     

区间系统鲁棒稳定性和鲁棒镇定性的检验条件

讨论了区间系统的鲁棒稳定性和鲁棒镇定性的有限检验问题,给出了线段多项式鲁棒稳定性的充分必要条件,利用该条件对多项式多面体鲁棒稳定性和区间系统鲁棒镇定性进行了有限检验,并给出了相应的检验结果。该检验条件直观简明,利用它可非常方便地对这些区间系统进行鲁棒稳定性分析。     

关于定积分integralfromn=0toa(e~(-x~2)dx)的几种解法

本文在高等数学、数值分析的研究过程中,总结了定积分的几种解法,如重积分法、无穷级数法、数值解法。     

298K时DyCl_3在DMF和水混合溶剂中无限稀释摩尔电导率的测定

在298K时测定了DyCl3在DMF和水混合溶剂中的电导率,根据λ=(k液-k剂)×10-3/c公式求得DyCl3的摩尔电导率λ值,按公式λ=λ0(1-βc(1/2))作图外推求得DyCl3在DMF和水混合溶剂中的无限稀释摩尔电导率λ0值。     

不确定条件下多产品第四方物流闭环网络鲁棒优化研究

在不确定条件下,构建了一个包括生产商、集中退货中心、消费区/初始退货点、维修处理中心、分销中心和废弃处置中心的单周期多产品第四方物流闭环网络选址模型。在销售量和退货率均不确定的情况下,用鲁棒优化的方法进行优化,目标是使总成本最小。通过lingo 10对具体算例进行求解。结果验证了该模型的鲁棒性。     

无穷级数新的积分判别法

利用有界变差函数的性质,建立了比Cauchy积分判别法更广泛的新的积分判别法;利用实分析中的Lebesgue逐项积分定理,推广了文献[7]中一个数项级数收敛性判别法.     

具有无穷时滞的“食物有限”差分系统的持久性

研究具有无穷时滞的"食物有限"差分模型。通过对系统进行详尽的分析,得到了系统的无条件持久的结果。     

拉格朗日中值定理的证明及应用

中值定理是微分学的基本定理,是应用导数研究函数在区间上整体性态的有力工具,其中拉格朗日中值定理是核心内容.给出拉格朗日中值定理的三种证明方法及其在级数散敛性方面的应用.     

基于区间云模型对信息网络的效能评估

根据信息网络的结构和应用功能,在分析高功率微波对构成信息网络的电子设备效应机理基础上,构建了多层次的信息网络系统的效能评估指标体系.将区间数与云模型相结合,提出了区间云模型的评估方法,通过区间层次分析法得到评价指标的区间权重,实现了系统评估指标的定性与定量的相互转换,并利用评价区间云模型拟合出信息网络的综合效能.结合实例模拟分析,验证了该方法可行性和有效性.结果分析表明,使用区间数表示更能体现评估过程中的模糊性和不确定性因素.     

Predicting Stock Return Volatility: Can We Benefit from Regression Models for Return Intervals?

We study the performance of recently developed linear regression models for interval data when it comes to forecasting the uncertainty surrounding future stock returns. These interval data models use easy‐to‐compute daily return intervals during the modeling, estimation and forecasting stage. They have to stand up to comparable point‐data models of the well‐known capital asset pricing model type—which employ single daily returns based on successive closing prices and might allow for GARCH effects—in a comprehensive out‐of‐sample forecasting competition. The latter comprises roughly 1000 daily observations on all 30 stocks that constitute the DAX, Germany's main stock index, for a period covering both the calm market phase before and the more turbulent times during the recent financial crisis. The interval data models clearly outperform simple random walk benchmarks as well as the point‐data competitors in the great majority of cases. This result does not only hold when one‐day‐ahead forecasts of the conditional variance are considered, but is even more evident when the focus is on forecasting the width or the exact location of the next day's return interval. Regression models based on interval arithmetic thus prove to be a promising alternative to established point‐data volatility forecasting tools. Copyright ©2015 John Wiley & Sons, Ltd.