一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

循环流化床锅炉返料器改造分析

本文介绍了循环流化床锅炉以及返料器存在的由于返料阀为高流率、低压头、小风量自平衡回灰阀,返料阀松动风采用一次冷风,使用过程中返料装置的配风管容易出现弯曲变形,返料不均匀造成堵塞的缺陷,返料装置的缺陷影响了锅炉的安全稳定运行,造成了一定的经济损失,为彻底解决此问题,通过对现有返料装置进行了改造,解决返料器堵塞的问题,为锅炉安全、稳定、长周期运行提供了基础保障。     

基于相似案例分析的原材料长短期采购比例确定方法

提出了基于相似案例分析的原材料长期与短期采购比例确定方法.首先,将当前需要解决的原材料长期与短期采购比例问题视为目标案例,将收集到的一些历史的原材料采购问题以及采用的原材料长短期采购比例方案作为历史案例;其次,通过计算目标案例与历史案例间的相似度来提取相似历史案例;然后,计算各相似历史案例的采购比例方案实施效果的效用值,并通过设置阈值来筛选采购比例方案实施效果较好的相似历史案例;进而,依据筛选的相似历史案例,计算目标案例中原材料长期与短期采购的比例.最后,通过一个实例分析说明了提出方法的可行性与有效性.     

需求与退货价格具有相关性的双渠道供应链模型与协调

考虑由单个制造商和单个零售商组成的双渠道供应链,制造商负责产品的生产,生产出来的产品一部分由零售商进行传统渠道销售,另一部分由制造商通过网络进行直销.传统零售渠道和网络直销渠道都为消费者提供退货服务,且退货价格与两个渠道的市场需求具有相关性.通过建立双渠道供应链博弈模型,分析了集中式决策和分散式决策下的退货价格策略,并就两种决策模式下的退货策略进行了比较分析,同时就双渠道供应链实现协调进行了合同设计.研究表明:在批发价格契约下不能实现双渠道供应链的协调,而采用两部定价合同可实现双渠道供应链的协调.     

短时冻区气候下土坡浅层水热状况的数值分析

为揭示短时冻区气候下土坡浅层水热状况,利用有限差分技术编制边坡水热耦合程序,分析福建地区典型短时冻区气候下土坡浅层的冻深、冻结时间与含冰率状况以及日最低气温、辐射与平均风速对土坡浅层的冻深、冻结时间与含冰率的影响规律。结果表明:在福建典型短时冻区气候下,土坡浅层最大的冻深约为10 cm以内,浅层一般约在4:00开始冻结,含冰率峰值一般出现在表层以下;日最低气温对土坡浅层冻深、冻结时间与含冰率峰值均有明显影响;风速及太阳辐射对土坡浅层冻深与含冰率峰值影响不大,但对土坡浅层冻结时间的长短影响较大。建议短时冻区土质边坡冻融失稳分析时重点关注浅层10 cm左右的稳定性。     

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.     

Cross‐Section Stock Return and Implied Covariance between Jump and Diffusive Volatility

I examine the information content of option‐implied covariance between jumps and diffusive risk in the cross‐sectional variation in future returns. This paper documents that the difference between realized volatility and implied covariance (RV‐ICov) can predict future returns. The results show a significant and negative association of expected return and realized volatility–implied covariance spread in both the portfolio level analysis and cross‐sectional regression study. A trading strategy of buying a portfolio with the lowest RV‐ICov quintile portfolio and selling with the highest one generates positive and significant returns. This RV‐Cov anomaly is robust to controlling for size, book‐to‐market value, liquidity and systematic risk proportion. Copyright © 2015 John Wiley & Sons, Ltd.     

基于DEA模型的最优基金投资策略研究

为慈善基金提出了最优投资策略,定义了投资回报率的度量,投资回报率分别由主成分分析以及数据包络分析模型测量得到,并根据投资回报率选择了10个最优投资的大学.根据马克维茨投资组合理论确定高校投资额,用目标院校近5年投资回报率的平均值和标准差构建了投资组合模型,资金分配的具体比例能唯一确定.根据规模报酬估计投资时间,帮助慈善基金实现利益最大化.