基于广大极值分布的高频极值条件VaR模型

在考虑当前预期和波动性条件下,为了有效地捕获极端条件下收益率时间序列动态特征,提高VaR的度量精度,建立了基于高频数据的条件极值VaR模型.应用智能优化算法对条件极值分布的时变参数进行估计,考察了在不同样本容量分块下的条件极值VaR,并对VaR计算结果的精度进行了Kupiec-LR检验和动态分位数检验.研究结果表明,基于高频数据的条件极值分布较好地拟合了极端条件下的收益率特征,与McNeil提出的传统条件极值VaR相比,应用高频数据建立在条件广义极值分布基础上的条件极值vaR的Kupiec检验DQ检验值都较为理想,表明该模型能够捕捉到我国市场风险特征,提高极端情况下风险测度能力.     

求解DRS多目标优化问题的新颖ε-支配进化算法

首先分析ORS(dominance resistant solutions)多目标优化问题的特点,证明基于Pareto-支配关系的多目标优化问题算法求解该类问题很难收敛.然后,提出一种新的基于ε-支配关系的进化算法-ε-支配进化算法(EDMOEA),给出该算法框架和详细流程.最后,将ε-支配进化算法和NSGA-Ⅱ算法应用于求解一组典型的DRS多目标优化问题和常用的多目标优化测试问题,基于算法的收敛性和Pareto最优解集分布性进行评价和比较分析,表明ε-支配进化算法的有效性.     

基于贝叶斯决策的机内测试虚警滤波技术

提出了一种将贝叶斯决策用于机内测试(RIT)系统的虚警滤波方法.诊断的BIT系统包括正常、瞬态、间歇和故障四类状态,利用最小最大决策法确定这四类状态的先验概率,并建立相应的贝叶斯风险决策表.以机载电源的机内测试系统为例进行研究,为每个诊断模块建立相应的贝叶斯决策器,通过支持向量机识别出有异常的可更换模块后,启动相应的决策器对该模块的BIT状态进行决策.结果表明,该方法能够识别出系统中的瞬态和间歇故障,可有效降低BIT虚警发生的概率.     

基于小波的弹性弹丸膛内引信过载研究

对引信膛内过载的研究,通常采用膛内压力测试的方法,利用弹底压力转换求得引信膛内过载,该方法无法体现弹丸的弹性变形、环境噪声等因素,为了更精确地描述引信膛内的过载,改进膛内引信过载测试方法,在膛内压力测试的基础上建立弹性弹丸模型,将弹丸看作两端自由的均匀等截面弹性杆,用纵向弹性变形运动过载对弹丸纵向过载进行修正,将弹丸膛内过载转换为引信膛内过载.并运用小波理论,根据自行设计的引信膛内过载直接测试方法的测试结果,建立引信高频信号库,然后利用信号库中的高频信号对修正后的过载进行加噪,从而得到能够较为真实的描述引信膛内状态的过载曲线.将处理结果与直接测试结果进行对比表明,使用该方法进行引信过载测试与直接测试方法得到的数据基本吻合,在试验成本上该方法存在优势.     

语境驱动的仿真模型测试方法论

组合模型的有效性验证是利用模型组合实现仿真系统快速开发的迫切需求,也是组合仿真理论和方法研究的一个重要问题.在分析组合模型抽象层次的基础上讨论了不同层次组合有效性的研究内容,并针对组合模型的行为从测试的角度提出了语境驱动的仿真模型测试方法论,重点讨论了方法论中语境的概念、语境驱动的测试框架生成以及测试框架的嵌入和运行时刻检验等内容,目的是判断仿真模型及其组合行为是否忠实反映了设计信息,实现了行为无错的演化.     

求解带装载能力限制的开放式车辆路径问题的遗传算法

对带装载能力限制的开放式车辆路径问题的求解进行了研究,提出了一种用于求解该问题的遗传算法.对算法中几个关键操作的不同实现方式的性能进行了比较.给出了算法对标准测试算例的运算结果,并与文献中目前最好的结果进行了比较和分析.     

量子连续粒子群优化算法及其应用

提出了基于量子理论的连续粒子群优化(Continuous Particle Swarm Optimization based on Quantum Methodology, CPSO-QM)算法,主要是采用了量子理论中的叠加态特性和概率表达特性.其中,叠加态特性可以使单个粒子表达更多的状态,潜在地增加了种群的多样性;概率表达特性是将粒子的状态以一定的概率表达出来.在基准函数的实验测试中,对比其它常用算法,结果显示本文提出的算法性能较好.在实际应用中,以丙烯腈反应器作为建模研究对象,提出了三种进化策略,实验结果显示,这三种策略训练的神经网络软测量模型都可以较好地预测丙烯腈的收率.     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

多值故障字典的测点选择与序测试设计

序贯测试问题是目前的一个研究热点。由于时间复杂度太高,传统的序贯测试算法对于测点数大于12的系统无能为力。为此,将序贯测试问题拆分为测点选择与序测试设计两个问题。测点选择问题用A^*算法解决:运用M进制编码规则,首先给出了启发函数的计算方法,然后给出了能够得到所有最小测点集的改进的A^*算法。序测试设计问题用AO^*算法解决:对二值哈夫曼编码规则进行推广得到了多值编码规则,根据此规则给出了AO^*算法启发函数的计算方法。提出的方法更符合可测性设计的设计流程,试验和复杂度分析表明该方法能显著降低传统方法的时间复杂度。     

模拟电路软故障诊断测试节点优选的仿真研究

基于斜率故障模型和线性相关系数故障模型,提出了一种模拟电路软故障诊断字典法中的测试节点优选算法.针对模拟电路中的单故障和双故障,分别利用节点电压增量计算出的斜率和线性相关系数作为统一故障特征,建立故障字典;给出了在字典建立过程中,利用PSPICE仿真工具对电路进行故障仿真,采用特征函数描述故障统一特征的差别,根据故障隔离度优选测试节点的算法和步骤;并用仿真实例验证了该测试节点优选方法的有效性.