数据驱动的公路典型风险场景聚类与特征分析

为了明晰公路交通中典型风险场景,提高公路测试场景构建和公路安全分析的针对性和指导性。收集不同区域代表性省份5年约60 000条公路交通事故数据作为数据源,筛选确定关键分类变量,分别针对7类典型公路路段和路口开展典型交通冲突形式聚类分析,共获取16类典型风险场景,然后构建场景风险特征表征参数,针对典型风险场景的风险特征进行对比分析,进而深入分析道路和环境因素对场景事故数量和发生事故严重程度的影响特征。结果表明：路表情况、防护设施类型、交通信号方式、照明条件、天气和能见度等因素都对部分场景的风险度有较大影响,路面状况因素对场景风险度影响不大。     

河北及周边地区岩石圈磁场变化模值的分析

为更好地开展地磁异常变化与地震的关系,通过对河北及周边地区2017~2021年流动地磁矢量资料,采用模值量化的计算方法,研究发生在测区范围内ML≥4.0地震震中位置变化模值的分布特征。结果表明：①H模和F模的图像分布形态极为相似。测区主要异常形态与测区地质构造对岩石圈磁场变化的控制作用不强。测区岩石圈磁场时间变化总体稳定,局部地区存在起伏波动变化。②80%的震例均发生在H模和F模的低值区,且震中模值与模值测区均值的比值的取值集中在0.2~0.9区间范围内,地震震级和比值不具备线性相关性。③将标准模作为本地区模值异常的参考阈值,得到H模和F模的参考异常阈值分别为3.10和3.54。采用改进的R值评估方法,得到基于“模值测区均值”的R为0.3。可见,基于模值异常的地震预测水平还很低,流动地磁的异常研判工作仍处于探索阶段。     

基于多因素均衡动态分簇的WSN路由协议算法研究

为了解决无线传感器网络分簇路由协议随机筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题,提出一种基于改进社交网络搜索算法(ISNS)优化模糊C均值聚类(FCM)的多因素均衡动态分簇路由协议(MD-LEACH)。首先,引入莱维飞行改进反向精英学习策略,以增强社交网络搜索算法的全局寻优能力;接着,使用ISNS优化模糊C均值聚类算法对网络节点动态均匀分簇,均衡网络负载;此外,在每个簇内,考虑簇内节点的能量因素和位置因素引入模糊推理,设计两种簇头选取模式,动态选举簇首,提高簇首质量。在稳定传输阶段,将单跳改为簇首之间的通信的方式,使用改进的蚁群算法寻找最优数据传输路径,提高能量效率。仿真结果表明,算法能够有效提高能量效率,平衡网络负载,延长网络生存期。     

投资组合最大损失最小化模型研究

根据损失的定义 ,提出了证券投资组合的一种线性规划模型——最大损失最小化 ( MM)模型 ,给出模型的两种表达式 ,并进行了效用分析 .文中进一步阐述了 MM模型和 Markowitz的 MV模型及 Konno的 MAD模型之间的关系 ,比较了它们各自的优缺点.     

基于一阶矩和二阶矩的未决赔款准备金分布函数的界值

应用排队模型的分析方法,研究了未决赔款准备金分布函数,并根据保单组合的损失赔付额分 布函数的性质,在已知其均值和方差的条件下,讨论了针对未来某一时间段内保险公司所需计提的未决赔款准备金分布函数的上界和下界,而且给出的计算实例表明所得到的未决赔款准备金分布函数的上界和下界是十分有效的.     

基于蚁群算法的模糊C-均值聚类算法在声纹识别中的应用

提出了一种基于蚁群算法(ACG)的模糊动态C-均值聚类算法的声纹识别,该算法首先利用蚁群算法的较强处理局部极值的能力,克服了算法在选取聚类中心点时采用随机选取易使得迭代过程陷入局部最优解的缺点,动态地确定了聚类中心和数目.两者有机结合起来可以寻求到具有全局分布特性的最优聚类.将此算法运用于声纹识别上,从语音信号中提取待识别的特征矢量集,对待识别声纹信号进行识别.实验证明,该算法解决了算法对初始值敏感,易陷入局部最优的问题,且计算简单,识别率较高,具有较好的鲁棒性.     

部分和有界的级数在Cesaro意义下收敛性的条件

将级数在Cesaro意义下的收敛性转化为适当数列的均值收敛问题,巧妙构造一个有界数列得到了有界数列均值收敛性的一般性结论,再通过建立数列的有限权重分解,得到了关于有界数列均值收敛的一些有益的结论,进而更完整地解决了级数在Cesaro意义下收敛性的条件问题.     

基于分段波形的信号瞬时频率计算方法

针对局部均值分解(Local Mean Decomposition,LMD)中乘积函数(Product Function,PF)分量的瞬时频率计算问题,引入了一种新的信号瞬时频率计算方法.该方法基于分段波形,先将信号分成若干个全波段(full wave),然后以一组递增的反正弦函数定义每个全波段的瞬时相位,进而得到信号...     

基于APSO的模糊聚类算法

利用改进的自适应粒子群优化算法（APSO）较强全局寻优、快速收敛的特点和模糊C-均值算法（FCM）对初始值敏感、容易陷入局部最优的缺点,提出一种基于自适应粒子群优化算法的模糊聚类算法（APFM）。新算法有效的克服了FCM算法的缺点,同时增强了APSO算法全局搜索和跳出局部最优的能力。实验表明：新算法与单一的FCM和APSO算法相比聚类更准确,效率更高。