基于偏最小二乘的BP网络模型及其应用

基于BP网络模型具有拟合非线性数据的特性,提出一种基于非线性迭代偏最小二乘算法(NIPALS)的BP网络的构造策略,构造了新的PLS-BP网络模型,使BP网络减少迭代步数,提高学习效率.采用非线性迭代偏最小二乘算法预处理数据,将得到主成分数、自变量和因变量的主成分数的权重以及主成分间的关系矩阵B,以此用来确定BP网络的隐节点数和输入层、输出层的初始权值以及隐节点的关联系数.最后,进行仿真实验,并将它与PLS模型、标准的BP网络模型进行了比较,仿真结果表明,拟合和预测效果较好.     

关于完备超图的C度h—超星（HS）分解

本文论证了超图可c度h-HS分解的存在性条件,同时,给出了超图K_n~3可4度3-HS分解存在的充要条件,部分地解决了文献〔3〕中遗留的问题。     

基于幂律型分布的动态VaR模型及实证研究

针对金融资产回报时间序列的尖峰厚尾性和波动集聚性,提出了基于AR(1)一GARCH(1,1)模型与幂律型分布相结合计算VaR的方法.用GARCH模型对时间序列建模刻画波动集聚性,用基于幂律型分布的扩展形式拟合GARCH模型的残差分布尾部,刻画回报时间序列的厚尾特征,两者结合更好地描述回报时序的动态波动现象.对上证综指进行实证分析,结果表明,文中提出的方法比基于正态分布的GARCH模型和静态幂律尾法更精确.     

一种基于特征加权的K Nearest Neighbor算法

传统的KNN算法一般采用欧式距离公式度量两样本间的距离．由于在实际样本数据集合中每一个属性对样本的贡献作用是不尽相同的,通常采用加权欧式距离公式．笔者提出一种计算权重的方法,即基于特征加权KNN算法．经实验证明,该算法与经典的赋权算法相比具有较好的分类效果．     

不完备信息系统下的一种概率属性约简算法

不完备信息系统中的属性约简一直是粗糙集研究领域的一个难点．在不完备信息系统中，用以往的属性约简算法得到的约简结果中，某一属性要么属于该约简，要么不属于该约简．但在实际生活中，当属性以比较大的概率可区分两对象时，这就表明该属性可能以某一概率属于约简结果．基于这种想法，文中通过构造概率区分矩阵，并在此基础上给出相应的区分函数，提出了一种概率属性约简算法，分析了算法正确性．从该算法得到的约简，可以看出各属性属于约简的可能性．最后用实例表明该算法是有效和可行的．     

广义G-M 模型参数的Bayes线性无偏估计及其优良性

针对广义Gauss-Markov(G-M)模型,采用Bayes估计方法获得参数的Bayes线性无偏估计(BLUE),在均方误差矩阵准则下与广义最小二乘(GLS)估计进行比较,导出了4种相对效率的界,讨论了在PC准则下BLUE相对于GLS估计的优良性.     

向量优化问题严格有效性的二阶最优性条件

 利用约束集的相依锥以及线性锥,结合凸集分离定理,在适当的正则性条件下得到了一类带字典序的向量优化问题的Lagrange乘子法则,并在此基础上提出了Lagrangian函数的概念.同时,利用Lagrangian函数建立了向量优化问题严格有效性的二阶最优性条件.     

基于自适应惩罚函数法的混合遗传算法

引入了自适应的惩罚因子，将约束问题转化为无约束问题．通过遗传算法求得无约束问题的可行解，再将此解作为约束变尺度法的初始可行点，由约束变尺度法得到精度较高的解．数值实验表明该混合算法比单纯使用遗传算法效率高，而且在多数情况下能得到全局最优解。