股票价格过程期望收益率的估计

本讨论了股票价格过程期望收益率的估计问题。     

二维顺序统计量的概率分布

研究了二维样本的次序统计量的分布问题,给出了依第一分量排序的次序统计向量的分布的计算公式,证明了在给定第一分量的一个次序统计量的条件下,第二分量的次序统计量的条件分布与某个一维样本的次序统计量的分布是相同的。     

改进的二维最优信息扩散方法

对原有的受单个参数控制的二维信息扩散方式作了改进,通过构造一个概率扩散模型导出了一个由3个参数控制的扩散函数,在此基础上根据实际情况建立一个准则,最终得到一个信息扩散的参数优化数学模型.实例表明在小样本的情况下,该最优信息扩散方法能够取得更加理想的结果.     

基于广义加权支持向量机的焊接缺陷分类方法

提出了一种广义加权支持向量机（GWSVM）的焊接缺陷分类算法。首先为克服由于样本数量不平衡性引起的小样本类别精度差的问题,引入由于样本差异的权重;然后为解决不同类别的重要性要求,根据经验人工确定不同类别重要性的权重。针对样本重要性的影响,采用有监督模糊聚类方法来确定样本重要性权重。测试结果表明：广义加权支持向量机在噪声影响较大及样本类别相差较大时,能够提高重要的、数量少的缺陷检测精度。     

Monte-Carlo法随机分析中提高样本有效性的尝试

Monte-Carlo法是随机分析中统计型方法的典型方法,由于该法具有对随机量的变异性没有限制、对问题的维数不敏感以及其解答为相对精确解等优点得到广泛的关注。而样本生成是Monte-Carlo法随机分析的基础。目前Monte-Carlo法的主要抽样方法有传统抽样法和Latin-Hypercube抽样法。介绍了以上两种抽样方法的基本原理并分析了方法生成样本的有效性,并在此基础上做了进一步提高样本有效性的尝试。该做法简单高效,从而最终提高Monte-Carlo法随机分析的计算效率。通过理论分析和数值算例验证了该做法的有效性。     

基于改进CycleGAN的图像翻译方法

生成对抗网络在图像翻译领域有着非常出色的表现,它可以将源域风格的图像翻译成目标域风格的图像.针对图像翻译生成的图像受噪声干扰严重、轮廓模糊、图像质量较低等问题,提出了一种基于改进CycleGAN的图像翻译方法.以源域风格下的无人机图像举例,在CycleGAN网络结构的基础上,在其生成器中引入自注意力模块,提升网络对中心像素的特征提取能力;用带惩罚项的EM距离替代JS距离,缓解不易收敛的难题.实验结果证明,改进模型成功生成了更高质量的无人机图像.     

一元链醇、环戊烷基链烷临界温度的三参数预报函数

本文依据由HMO理论导出的临界温度预报函数,从链状H-[-CH2-]n-OH和H-[-CH2-]n- 。同系物不确定度各异的27组临界温度文献值中甄选出一致性样本,据此拟合出临界温度预报函数中的三参数值,得到最大预报偏差分别为0．48K、0．62K,平均绝对误差分别为0．29K、0．45K,且显著优于复合基团贡献法估算精度的效果。     

基于稳定学习的图神经网络模型

图神经网络(GNN)在对图样本进行分类工作时效果差强人意,无法发现数据背后真实的功能网络.为提高图神经网络在图分类上的稳定性,提出一种基于稳定学习的图神经网络模型(Stable-GNN).该模型将基于随机傅里叶特征的样本加权采样干预技术与图神经网络结合,尝试在神经网络训练过程中,剔除虚假因果特征,提高模型在图样本分类上的稳定性.实验结果表明,该方法能有效发现真实的关联网络,提高图网络的稳定性.     

对数字信号处理中若干归一化的讨论

就数字频率是模拟角频率对采样频率的归一、模拟频率与数字频率统一定标中的归一、对理想低通滤波器的归一、对样本传函的归一等若干归一进行了讨论,给出了相应的结论.     

基于数据增强的小样本图像分类方法

小样本图像分类训练样本过少,若直接用深度学习的方法对其处理会出现过拟合现象,且存在训练好的模型不能很好的泛化到测试任务上等问题.针对以上问题,提出一种基于数据增强的算法去缓解模型过拟合,并结合深度学习网络wide-ResNet28来提升模型的分类性能.此方法没有引用外部数据对当前任务进行数据扩充,而是借助基类数据的语义先验信息对新类数据的特征进行补充,在形成新的特征分布上进行数据增强.该方法在MiniImageNet和Cub 2个小样本数据集上进行实验,图像特征提取的精确度分别达到83.46%、91.61%,验证了该方法的有效性.