应用Gibbs Sampler的GARCH模型选择

为了解决候选模型较多,无法一一比较其准则值的问题,提出基于Gibbs样本生成器(Gibbs sampler)的广义自回归条件异方差(GARCH)模型的选择方法.模拟实验结果表明:该模型选择方法可以高效、准确地从大量的候选模型中选择出准则值最小的模型.     

基于GEMS算法的潜变量高斯图模型结构学习

考虑了潜变量高斯图模型下的结构学习(模型选择)问题,即存在潜变量时可观测变量间相互关系的估计问题.简要介绍了高斯图模型及潜变量高斯图模型下的LVglasso方法,给出了GEMS(广义期望模型选择)算法结合LVglasso下潜变量图模型选择的算法步骤.通过模拟,发现GEMS结合LVglasso方法在模型选择速度上比EM(...     

基于TSA-PSO-SVR算法在碳期货价格中的预测研究

针对支持向量回归(SVR)模型参数选择困难以及在碳期货价格预测中模型误差高的问题,提出一种基于改进粒子群算法-支持向量回归(TSA-PSO-SVR)的期货价格预测模型.通过改进粒子群算法惯性权重实现局部搜索和全局搜索能力的平衡,引入被囊群算法(TSA)对粒子群位置更新公式进行优化,利用改进的粒子群算法(TSA-PSO)找出最优参数有效解决支持向量回归参数选择盲目性的问题;将得到的最优参数应用于期货价格预测模型.选取福建碳交易市场的碳交易价格进行预测,与支持向量回归(SVR)、差分自回归移动平均模型(ARIMA)、长短期记忆模型(LSTM)模型作对比,实验结果表明TSA-PSO-SVR模型有效克服了高预测误差和参数选择随机性的问题,并具有较高的泛化能力.     

念珠藻类(蓝藻)psbA基因的进化分析

蓝藻psbA基因家族编码不同形式的D1蛋白，该蛋白是光系统II反应中心的重要组成部分.以39条念珠藻属(Nostoc)及与其同源性较高的psbA基因序列为研究对象，构建最大似然树进行系统发育分析，然后运行PAML4.9软件，使用分支模型、位点模型和分支-位点模型估测氨基酸位点ω值，进一步探讨psbA基因所受到的选择压力.结果表明：(1)系统发育树呈现出内类群中念珠藻分为2个大分支.(2)在分支-位点模型和位点模型下检测出13S,42V,75S,152R和255K为统计学上显著的正选择位点，绝大多数为负选择位点.揭示了念珠藻psbA基因所经历的正选择可能在其适应极端环境中起着重要作用.     

关于ADO.NET数据访问方式编程的研究

该文研究两个方面的内容:(1)研究ADO.NET模型,对各组成部分作分析。(2)具体分析在不同数据访问情况下,如何选择ADO.NET中的组件来编程实现对数据访问操作。其中,理解ADO.NET模型中各组件的实质尤为重要。只有充分理解ADO.NET模型,才能确保在针对不同的数据访问情形下不会选错ADO.NET组件,或选择最适合的组件编写出高效率的代码。     

一种基于单点代理计算的DVE防欺骗模型

在基于P2P的分布式虚拟环境中,局部状态由普通节点计算和发布,因此计算和发布局部状态的节点如果选择不当就会引发欺骗问题.针对这一问题,提出了可扩展的单点代理计算(SPC)模型.在该模型中,通过选择利益无关的代理计算节点来负责每个节点的局部状态的计算和发布,从而实现了对应用层欺骗的预防.在SPC模型中,每"轮"内节点局部状态的计算和发布只需要三个应用层hop,节点加入或者退出只需要O(1)的通信量和O(1)的应用层hop数,而其系统通信量却只是C/S模型中系统通信量的3~4倍.     

分段平稳自回归过程的变点估计与模型选择——基于改进的自适应LASSO方法

针对非平稳时间序列中一类分段平稳自回归(PSAR)过程的变点估计和模型选择问题,在已有的将变点估计问题转化成变量选择问题方法的基础上,提出一种基于两阶段LASSO(TS-LASSO)算法同时进行变点估计和模型选择.具体地,在第一阶段中,通过LASSO算法对序列中的变点和模型进行初步的估计和选择,然后在第二阶段中结合改进的自适应LASSO算法对过估计的LASSO结果进行筛选,最终实现变点的一致估计和模型的准确选择.并对变点估计结果的大样本性质进行了分析.此外,对于特殊情形下的均值变化序列和无变点序列,TS-LASSO算法也能实现有效的估计和识别.最后,结合不同类型序列的模拟检验以及地震波数据的实例分析,证明TS-LASSO算法是有效的,并具有一定的实用意义.     

PD Es对RSV M中模型参数的影响

支持向量机(Support Vector Machines,SVMs)的分类结果严重受限于模型参数的选择.很多学者都在研究调参问题,但目前还没有一个行之有效的方法,常用的办法是网格搜索,一个近似选择参数的方法.以噪声(光暗,有遮挡)图像分类为背景,以正则化支持向量机(Regularized SVM,RSVM)为分类器,研究了偏微分方程组(Partial Differential Equations,PDEs)对RSVM模型中参数选择的影响.实验结果表明通过PDEs的进化可以弱化参数的影响,甚至不需要考虑调参.     

基于逐步搜索EMS算法的M2PL模型潜变量选择

介绍了基于期望模型选择(EMS)算法的多维双参数Logistic(M2PL)模型的潜变量选择方法，并采用逐步搜索的方式对模型选择(MS)步的计算做出了改进.与传统的MS步相比，改进方法计算的子模型个数更少，能够有效提升计算效率.模拟比较显示，改进方法用时更短，且在潜变量选择和参数估计方面具有良好的表现.     

局部窗口动态选择的RSF模型

针对PDE(partial differential equation)图像分割模型-RSF(region-scalable fitting energy)模型对初始轮廓线选择敏感问题,提出根据图像的灰度变化信息动态选择高斯核函数窗口大小的改进RSF模型.实验表明,该模型提高了RSF模型对初始轮廓线的鲁棒性.