质量功能展开中自相关关系确定的粗糙集方法

针对质量功能展开中各项工程特性之间的自相关关系具有模糊、不确定和不分明等特质,提出了自相关关系确定的粗糙集方法.对于每一项顾客需求,由每一项工程特性组成相应的决策属性集,并由其它工程特性组成相应的条件属性集,分别构造了相应于该决策属性集的决策系统.基于粗糙集中相对约简和相对核等方法,分别建立了其相应的修正决策系统.利用信息熵和等价类的集成方法,获取了修正决策系统中各条件属性的重要度.引入了自相关关系的比例因子概念,确定了各项工程特性之间的自相关关系.以洗衣机的产品研发为例,说明了方法的应用.     

分布式虚拟环境中时间一致性研究

在分布式虚拟环境中,为了给用户造成逼真的和符合真实世界的时空感受,需要解决时空不一致的问题。要做到时空一致,时间一致是关键,本文主要对分布式虚拟环境中时间一致性进行了研究,介绍了几种时间同步的方案,并结合实际应用,给出了实验的结论。     

自适应阶梯模糊控制在电涡流缓速器中的应用

分析了电涡流缓速器在制动过程中所要求的恒速模式及在制动中出现的热衰退现象,提出了采用自适应阶梯模糊控制方法．该方法采用分段调节的机制,通过在线改变规则中的调整因子α,使得电涡流缓速器控制器根据实时转速和转子盘温度的变化,调整模糊控制规则,最终使得电涡流缓速器输出的励磁电流根据转速和转子盘温度实时调节．通过在电涡流缓速器转鼓实验台上对该算法进行验证,对比常规的控制方法,该方法具有更好的控制性能．     

一种新的进化策略及其全局收敛性

在求解单峰最优化问题算法的基础上,给出了一种新的进化策略.针对连续函数优化问题,利用中心极限定理,在较弱的条件下,首先证明了基于均匀分布的(μ λ)-ES算法依概率收敛,然后给出了采用一般连续性随机变量作为变异算子的(μ λ)-ES算法依概率收敛的证明.数值结果表明:采用基于均匀分布的进化策略求解维数较高的连续函数优化问题能够快速有效地收敛到全局最优解.     

一种脉冲噪声中的韧性子空间跟踪方法

一般地,基于二阶统计量的子空间跟踪方法对脉冲噪声敏感,性能出现退化.为此以α稳定分布作为脉冲噪声的模型,研究噪声环境中的韧性子空间跟踪方法.以分数低阶统计量理论为依据,把α稳定分布噪声中的子空间跟踪看做一个无约束的优化问题,提出了一个新的代价函数,并推导出一个韧性算法.同时还利用M估计对算法进行了简化.在数值模拟中把新算法应用于方向估计,结果表明了新算法和简化算法的有效性.     

新的ICA算法实现成组fMRI信号盲分离

独立成分分析(ICA)方法已被成功地用于处理功能磁共振成像(fMRI)信号,但主要是用于处理单个被试的fMRI信号,对于多个被试的情况却很少考虑.为此利用一种扩展的ICA方法--Group ICA来处理多个被试的fMRI信号,结果表明这种方法在保证结果准确性的前提下,可以大大减少计算量,快速获得统计结果.计算中应用的是NewFP算法,统计结果表明这种算法在估计激活的时间动力学准确性上优于FastICA算法.     

河南省高等职业教育的问题与对策研究

河南省的高等职业教育在20多年的发展过程中取得了长足的进步,但就其现状来说,仍是全省高等教育中的薄弱环节。本文对河南省高等职业教育中存在的问题进行了细致分析,并在此基础上提出了一些对策。     

ML-TEA:一套基于机器学习和技术分析的量化投资算法

量化投资尝试利用计算机算法来预测证券的价格和进行证券的交易,并从中获取超额收益,是系统工程在金融投资领域的重要应用.本文设计了一套基于机器学习和技术指标的量化投资算法ML-TEA(machine learning and technical analysis).该模型以技术指标作为输入变量,再分别通过不同的机器学习算法来预测股票数日之后的涨跌方向,并根据预测的方向来构建投资组合.实证结果显示:第一,三种模型的年化收益率都在25%以上,远超大盘指数的10.60%、买入持有策略的3%以及现有策略.从风险调节绩效(夏普比率、特雷纳比率和詹森绩效)来看,三种策略也都远超基准策略和现有策略.以夏普比率为例,三种策略均在1.50以上,而市场指数的夏普比率为0.38.第二,Ada-TEA和SVM-TEA都可以容忍远高于市场实际成本的交易成本.     

钢管弧形切割机的设计

采用可在轨道上移动的加长电机轴的金属切割机来切割钢管端面,在钢管端面上加工出所需要的弧形,设计了钢管弧形切割机.该设计针对解决在管口现场的钢管弧形切割问题,与现有设备比较,具有加工范围广、精度高、机动性强的优点.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.