广义自回归条件异方差模型加速模拟定价理论

研究了广义自回归条件异方差(GARCH)模型下方差衍生产品的加速模拟定价理论.基于Black-Scholes模型下的产品价格解析解以及对两类标的过程的矩分析,提出了一种GARCH模型下高效控制变量加速技术,并给出最优控制变量的选取方法.数值计算结果表明,提出的控制变量加速模拟方法可以有效地减小Monte Carlo模拟误差,提高计算效率.该算法可以方便地解决GARCH随机波动率模型下其他复杂产品的计算问题,如亚式期权、篮子期权、上封顶方差互换、Corridor方差互换以及Gamma方差互换等计算问题.     

基于海流的海洋微小信号前端放大电路的研究

根据海流信号传感器的测量原理,提出了采集放大电路的技术方案。针对采集信号噪声大的特点,对海流电场微弱信号进行滤波提取,实现了对该信号同相分量的补偿式放大,在一定程度上克服了传感器在下沉时引起感生电场的强干扰,提高了电路测量精度。同时采用多级放大的原理,将微弱信号放大至仪器可观测的范围。通过Multisim仿真软件进行验证,结果表明,该采集放大电路满足设计要求,在保证信号质量的同时将信号放大至105~106倍。     

反相高效液相色谱法测定盐酸左旋米那普仑原料药中多种杂质

建立盐酸左旋米那普仑原料药有关物质测定的反相高效液相色谱法.色谱柱为Waters sunfire C_(18)(5μm,250 mm×4. 6mm);以0. 05%TFA水溶液为流动相A,0. 05%TFA乙腈溶液为流动相B,进行梯度洗脱;检测波长为220 nm;流速为1. 0 m L/min;柱温为30℃;进样体积10μL.盐酸左旋米那普仑与有关物质(含降解产物)分离度良好,且能同时控制极性小的工艺杂质和极性大的降解杂质.方法简便快速、准确灵敏、重复性好,能够用于盐酸左旋米那普仑有关物质测定.     

安全可信的电子印章体系与关键技术研究

电子印章作为法定物理印章在网络空间中的延伸,具有同等的法律效力。进入"互联网+政务服务"的新时代,电子印章在政务管理和社会治理中的作用已得到国家的高度认可。然而,当前电子印章还面临缺少权威根节点、互信互验以及统一监管的需求和挑战,亟需顶层设计。基于对电子印章的系统性分析,首次提出了信息化电子印章和法定安全可信印章分类,完善了具有兼容性的电子印章数据格式和协议设计,创新性地设计了"公安体系化制章,社会服务化用章"的电子印章新架构,提出了印章载体USB-Key签章模式、印章集中服务签章模式、骑缝章技术、批量签章技术、移动终端云签技术、信息化印章升级技术等应用模式与关键技术,对国家电子印章体系的规划建设及相关产品的研制具有重要的参考价值。     

开裂钢筋混凝土梁的车致振动研究

为了研究裂缝对钢筋混凝土梁车致振动性能的影响,提出了一种能考虑混凝土呼吸裂缝尖端闭合效应的模拟方法,并采用分离式分析方法编制了开裂钢筋混凝土梁与车辆的耦合振动分析程序,并以开裂的钢筋混凝土简支梁为例进行开裂梁车致振动分析。研究表明:在相同的车辆荷载作用下,钢筋混凝土梁开裂前后的挠度变化趋势相同,但裂缝的存在会使挠度变大。考虑呼吸裂缝的闭合效应后,移动车辆荷载作用下开裂截面刚度呈"U"形变化,开裂混凝土梁会发生亚谐振动,且亚谐振动的频率幅值会随着车辆荷载的变化发生迁移。所提出的混凝土裂缝的变刚度模型能够更加真实地体现裂缝的本质,可以用于开裂混凝土梁的动力分析,发现的开裂钢筋混凝土的亚谐振动现象可为桥梁结构的裂缝损伤的识别提供一种思路。     

条叶百合引种栽培及繁育

开展条叶百合引种栽培试验及繁育技术研究.结果表明:条叶百合生长物候期为120 d,种子萌发为子叶出土型;繁育方式为有性繁殖、无性繁殖;利用"必速灭广谱土壤消毒剂"可以防治百合属重茬种植引起的病害;田间管理第1年主要为遮阳,第3年主要为预防倒伏;人工栽培繁育可以获取优质种源.     

基于SBAS和IPTA技术的京津冀地区地面沉降监测

京津冀位于华北平原北部地区,地下水的长期超量开采,造成了严重的区域地面沉降,对京津冀区域进行大范围地表形变监测已经成为一个值得关注的问题.基于相邻条带的RADARSAT-2数据,结合小基线集干涉测量技术和干涉点目标分析技术,获取京津冀地区2012-2016年地面沉降场时序信息.基于监测结果对研究区地面沉降发育情况进行初步探讨,并对沉降漏斗的时空演化特征进行分析.研究发现,京津冀地区发生地面沉降的区域较多,地面沉降不均匀性特征明显,地面沉降发育最严重的地区位于北京金盏一带,最大沉降速率达到130 mm·a~(-1);在多个沉降漏斗中,北京金盏沉降漏斗、天津王庆坨沉降漏斗发育最为严重,累计沉降量分别达到661 mm,658 mm.衡水市阜城县、景县沉降漏斗扩张趋势最为剧烈,累计沉降量大于200 mm的面积达到1494 km~2.     

基于CNN模型的施工现场典型安全隐患数据学习

该文旨在通过卷积神经网络(convolutional neural networks,CNN)模型对基础设施建设期典型安全隐患进行数据学习与挖掘,为现场智能安全管控提供方法和依据。依托于Wesafety平台实时统计出的某大型水电站现场安全隐患数据,分析了现场典型安全隐患特征,提出了基于CNN的安全隐患学习与挖掘模型,并定义了模型结构的卷积层、池化层、全连接层以及训练和测试流程,开发了相应的程序。结果表明:该方法提高了基础设施建设现场扁平-闭环安全管理的效率,为智能安全管理提供了崭新的思路,达到了机器自动识别典型隐患的目的,研究结果对建设工程安全隐患自动分类分析具有参考意义。