海量信息系统分层约简算法研究

针对海量信息系统的约简问题提出了分层约简算法.通过对确定增量算子的深入讨论,得到一系列定理.进一步给出了有核信息系统与无核信息系统的分层约简算法.最后,通过一个实例,证明了该算法的有效性.     

基于飞行工程模拟器的视景系统有效性研究

介绍了自主研制的飞行工程模拟器视景系统,并以该系统为研究对象讨论了影响视景系统有效性的关键因素。对于大型场景,提出采用分块调度和实时修正的动态数据管理策略解决了飞行仿真中有限的硬件处理能力与不断增长的大地形仿真之间的矛盾。试验测试证明,驾驶员能够根据OTW场景内容准确的判断仿真飞机姿态、机场位置、地面和空中目标等,从而高效完成相关试验科目和飞行任务。     

数据挖掘中分类算法的可扩展性研究

分类是数据挖掘中最重要的技术之一,而且应用领域非常广泛,但面对新出现的海量数据,目前已有的许多分类算法不具备良好的伸缩性,不能从巨大的数据集中快速而准确地发现有用的知识.针对这一问题,本文对分类算法的可扩展性方法进行了深入的研究,并对各种方法进行了分析和对比,从而便于研究和开发者对已有的算法进行改进和扩展,以适应数据挖掘技术的不断发展.     

大型铁路轴承表面变质层研究

应用显微硬度、光学显微镜、X射线衍射、SEM及 AES等,分析与研究了大型铁路轴承(197 726)表面变质层的成分、组织与残余应力,发现变质层中硬度的变化与磨削热产生的相变及表层碳量下降有关,表面存在很大残余压应力,但分布不均匀。     

基于博弈论的城市褐色土地再开发利益冲突解析

开发价值和污染风险并存是城市褐色土地的两面性,也是导致褐色土地再开发中冲突事件不断发生的主要原因.本文在明确城市褐色土地再开发中的利益相关者类型的基础上,分析了利益主体间的关系及其冲突类型,并引入博弈论对各利益主体间的冲突根源进行讨论,最后指出,从法律、资金、公众、政府等方面构建城市褐色土地再开发管治体系是促进褐色土地成功开发的有效途径.     

基于生成对抗网络的入侵检测类别不平衡问题数据增强方法

数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素。当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果。针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡。通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

基于数据融合的不平衡连续手术动作分割识别

为解决样本分布不均衡的连续动作序列分割识别精度不高的问题,提出一种基于深度学习的新型连续动作分割与识别模型,该模型能够从多维时间序列中提取更丰富全面的动作特征。使用基于双向长短时记忆网络(bidirectional long short-term memory networks, Bi-LSTM)的特征提取单元提取数据特征,利用基于注意力机制的特征融合模块融合多种模态的特征,并利用全连接层构建的解码器完成最终分类。实验中使用多种传感器采集了眼科手术中连续环形撕囊操作的连续动作多模态数据对算法进行验证实验。实验结果显示,与使用长短时记忆网络(LSTM)和门控循环单元(gated recurrent unit, GRU)的数据层融合算法以及4种特征层融合策略相比,所提出的模型具有更好的性能。对于数据量最小的动作类别,该算法的识别精度提高了14%以上,全局F₁分数提升8%以上,整体识别准确度达到90.72%。这些结果表明,该模型能够有效解决样本分布不均衡的连续动作序列分割识别精度问题,并为多模态连续动作分割与样本不均衡问题的解决提供了新的思路和方法。     

Term Structure Forecasting: No‐Arbitrage Restrictions versus Large Information Set

This paper addresses the issue of forecasting term structure. We provide a unified state‐space modeling framework that encompasses different existing discrete‐time yield curve models. Within such a framework we analyze the impact of two modeling choices, namely the imposition of no‐arbitrage restrictions and the size of the information set used to extract factors, on forecasting performance. Using US yield curve data, we find that both no‐arbitrage and large information sets help in forecasting but no model uniformly dominates the other. No‐arbitrage models are more useful at shorter horizons for shorter maturities. Large information sets are more useful at longer horizons and longer maturities. We also find evidence for a significant feedback from yield curve models to macroeconomic variables that could be exploited for macroeconomic forecasting. Copyright © 2010 John Wiley & Sons, Ltd.     

新的大群体一致性学习修正决策方法

针对某决策方案,提出了一种基于聚类算法、且能面向较大规模群体、考虑成员学习进化能力并有效收敛群体意见的群体一致性修正方法.首先设计了群体成员学习进化决策程序;接着,借助一种能够处理大数据量聚类的C-均值类型聚类算法,通过梯度下降法逐渐修正群体一致性来避免因个别成员意见偏离太大而引起的群决策失误;最后通过计算机仿真和实验对比分析验证了该方法的正确、有效性.     

Multivariate Forecasting with BVARs and DSGE Models

In this paper I assess the ability of Bayesian vector autoregressions (BVARs) and dynamic stochastic general equilibrium (DSGE) models of different size to forecast comovements of major macroeconomic series in the euro area. Both approaches are compared to unrestricted VARs in terms of multivariate point and density forecast accuracy measures as well as event probabilities. The evidence suggests that BVARs and DSGE models produce accurate multivariate forecasts even for larger datasets. I also detect that BVARs are well calibrated for most events, while DSGE models are poorly calibrated for some. In sum, I conclude that both are useful tools to achieve parameter dimension reduction. Copyright © 2016 John Wiley & Sons, Ltd.