最大公因数闭集上平方矩阵的行列式的整除性

设S={x1,…,xn}是由n个不同正整数组成的最大公因数闭集．得到的主要结果是：（1）如果n≤3，则det（S）n^2整除det[S]n^2；（2）如果max{xi si∈S}〈12，则det（S）n^2整除det[S]m^2；（3）当n=4时，存在最大公因数闭集．S，有det（S）n^2不整除det[S]n^2．     

期权稳健定价模型及实证

建立了期权稳健定价模型，给出了欧式看涨和看跌期权的稳健定价公式，并用标准普尔500指数期权的做市商买入价和卖出价数据进行了实证研究.     

整数矩阵及其应用

首先给出了整数矩阵的定义及性质,然后讨论了它在求整数的最大公因数和解整系数不定方程中的应用.     

含隐变量和选择偏差的图模型中的因果推断

Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。     

一种基于FP-tree的最大频繁项目集挖掘算法

挖掘最大频繁项目集是许多数据挖掘中的关键问题．为克服早期基于Apriori的最大频繁项目集算法中的缺点,相继有多种挖掘最大频繁项目集方法被提出．其中对基于FP-tree的最大频繁项目集挖掘算法比较多,但对FP-tree中的结点的频度计数关注的很少．通过对FP-tree结构进行了仔细分析后,在FP-tree中结点的频度计数和集合理论的基础上,提出了一种新的最大频繁项目集挖掘算法USDMFIA(using set to discover maximum frequent itemsets algorithm)．通过分析比较,显示此算法是有效的．     

伽马射线暴从何而来——观测卫星正在日益揭开产生宇宙中最大规模伽马射线暴的神秘天体

“伽马射线暴”是指在遥远的宇宙深处产生能量强烈释放，导致在极短的时间之内，就有大量的伽马射线降临地球的现象。这种宇宙伽马射线暴究竟来自何处？很长时间以来都是一个谜，甚至被称为“天文学界的最大谜团”。近年来，随着人造观测卫星技术和数量的不断进步，人类正在逐步揭开宇宙伽马射线暴的起源之谜。特别是自2005年以来，利用美国的“雨燕”号探测器和日本Here-2号观测卫星的观测结果，更让人们在研究宇宙伽马射线暴的追本溯源方面，取得了比较大的进展。另外，在追踪宇宙伽马射线暴的研究过程中，使得人们对宇宙的诞生和演化等其他谜团，也有了更深刻的认识。本文所述正是有关宇宙伽马射线暴的研究方面的最新进展。[编者按]     

无违约风险抵押贷款定价研究

本文利用期权定价原理和△对冲技术,建立了无违约风险情况下固定利率抵押贷款定价问题的数学模型,建立了抵押贷款市场价格所满足的变分不等方程,并利用特征线差分法得到了价格离散格式的解,并对还款的提前执行所要求的临界无差异无风险利率做出了深入的分析,并给出了其近似计算公式。     

最大熵和Brill方法结合识别英语BaseNPs

为了进一步提高基本名词短语(BaseNPs)的识别精度,针对最大熵方法和Brill方法各自的特点,提出基于两者相结合的英语基本名词短语识别算法.该算法是在高准确率词性标注的基础上实现的.在训练和测试两个阶段中,均先采用最大熵方法识别基本名词短语,然后将已具有很高精度的识别结果作为初始标注结果运用于Brill方法中.实验结果表明,此联合算法达到了94%的准确率和召回率,充分融合了最大熵方法和Brill方法的优点,可与基于相同训练和测试语料的目前最理想的英语基本名词短语识别结果相比.     

快速挖掘最大频繁项目集的新算法

针对关联规则下最大频繁项目集的特性,提出了一种快速挖掘最大频繁项目集的新算法MMFI(miningmaximumfrequentitemsets)。该算法摆脱了传统的经典算法Apriori及其变种情况下的自底向上的搜索策略,利用集合枚举树(set enumerationtree)的变形结构采取了自顶向下的新的搜索方式,并通过其独特的启发式判断策略、候选项目集的生成策略等,大大减少侯选项目集的生成,从而降低了CPU搜索时间,提高了挖掘效率。     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。