基于改进的布谷鸟搜索光伏电池模块参数识别与仿真

光伏电池模块参数识别是一个具有多个局部极值的非线性优化问题,传统的优化技术很难进行精确识别.基于交叉熵方法构建一种改进的布谷鸟搜索,该方法利用交叉熵全局优化算法和布谷鸟搜索的协同演化来快速而精确识别光伏模块参数.实验结果表明所构建的算法用于识别光伏模块参数是可行和有效的,且具有全局搜索能力强、优化精度高和鲁棒性好等特性.     

基于PSS迭代分裂的广义鞍点问题求解

基于正定和反Hermite分裂(PSS)迭代技术,给出求解广义鞍点问题的一种广义Uzawa迭代法——修正局部PSS迭代算法,分析了该方法的收敛性,并用数值算例验证了新算法的有效性.     

局部Lipschitz模糊函数的性质及广义方向导数

借助模糊数的左端点和右端点给出局部Lipschitz模糊函数的一个等价刻画,并引进了局部Lipschitz函数广义方向导数的概念.利用两个集合的间隔和距离给出局部Lipschitz模糊函数的若干性质,并举例给出求广义方向导数的方法.     

基于高斯受限玻尔兹曼机的非线性过程故障检测

针对非线性工业过程,提出了一种基于高斯受限玻尔兹曼机(GRBM)模型的故障检测方法.该方法从海量过程数据中提取出GRBM隐层特征信息,通过隐层特征再构建出重构数据,并依据重构误差在残差空间中构建检测统计量,形成了非线性过程故障检测算法.仿真结果表明,基于GRBM的故障检测方法不仅比传统的核主元分析(KPCA)方法具有更好的故障检出率,并且针对大数据量问题具有更强的处理能力.     

广义α_1对角占优矩阵的判定准则

广义α1对角占优矩阵在数学、系统理论、弹性力学等诸多领域有着广泛的应用,但若是想判定一个矩阵是否是广义α1对角占优矩阵却是比较困难.利用构造的方法,通过对矩阵行标做划分,给出了判定广义α1对角占优矩阵的简洁方法.     

地震损失风险的Copula混合分布模型及其应用

地震造成的损失主要包括直接经济损失和人员伤亡.本文以我国1950-2015年期间的地震灾害统计数据作为研究样本,建立了地震灾害造成的直接经济损失和死亡人数的Copula混合分布模型.在该模型中,用右截断的Gumble分布与广义帕累托分布构造的混合分布拟合对数直接经济损失,用两端截断的负二项分布与广义帕累托分布构造的混合分布拟合死亡人数,用Copula函数建立直接经济损失与死亡人数之间的相依关系,并通过蒙特卡罗模拟计算风险相依情况下地震灾害的风险度量值.与传统的地震灾害模型相比,本文提出的直接经济损失与死亡人数的Copula混合分布模型对巨灾数据的拟合更加合理,为我国建立地震巨灾保险制度提供了一种可供选择的精算模型.     

大数据科学的认知和数学基础引论

 大数据不仅在科学、工程与计算智能中有着广泛的应用，而且在人类感知、估计、量化、记忆和推理的认知机制中发挥着基础性作用。通过对大数据科学理论的基础研究，提出一组大数据系统的一般原理和分析方法。为了从形式上解释大数据的起源和本质，探讨大数据的认知基础及其数学模型，严格地引出了根植于科学、工程和社会各个领域的大数据的一般模式。研究发现大数据不再是传统实域上的纯数，而是一个前所未有的新型数学结构，称为递归类型化超结构（RTHS）。这一大数据系统的基本拓扑特性揭示了大数据工程的复杂性及其操作与处理的全新认知、理论挑战，以及可选解决方案。     

φ-截曲率为常数的Sasaki统计流形中子流形的广义标准δ-Casorati曲率不等式

对φ-截曲率为常数的Sasaki统计流形中的子流形建立关于广义标准δ-Casorati曲率的不等式, 并给出不等式中等号成立的条件.     

基于尺度不变特征变换的快速图像特征区域检测

针对快速图像特征区域检测受噪声干扰和尺度空间影响, 导致图像特征区域检测精度较低、 延时较长, 检测结果不可靠的问题, 提出一种基于尺度不变特征变换的快速图像特征区域检测方法. 先通过加权核函数, 加权平滑处理图像中各像素点, 实现图像去噪； 再在此基础上通过构建图像高斯尺度空间确定图像特征点区域, 删除低对比度像素点和边缘像素点, 快速提取图像特征点, 检测特征点所在区域即为图像特征区域. 仿真实验结果表明, 该方法能高效率、高精度地实现快速图像特征区域检测的全面检测.     

Does a lot help a lot? Forecasting stock returns with pooling strategies in a data‐rich environment

A variety of recent studies provide a skeptical view on the predictability of stock returns. Empirical evidence shows that most prediction models suffer from a loss of information, model uncertainty, and structural instability by relying on low‐dimensional information sets. In this study, we evaluate the predictive ability of various lately refined forecasting strategies, which handle these issues by incorporating information from many potential predictor variables simultaneously. We investigate whether forecasting strategies that (i) combine information and (ii) combine individual forecasts are useful to predict US stock returns, that is, the market excess return, size, value, and the momentum premium. Our results show that methods combining information have remarkable in‐sample predictive ability. However, the out‐of‐sample performance suffers from highly volatile forecast errors. Forecast combinations face a better bias–efficiency trade‐off, yielding a consistently superior forecast performance for the market excess return and the size premium even after the 1970s.