无标度网络拓扑结构非均匀性研究

利用网络结构熵定量分析了无标度网络拓扑结构的非均匀性.通过引入度秩函数,解析地给出了无标度网络的网络结构熵.研究发现当标度指数大于2时,无标度网络的网络结构熵仅与标度指数有关,与网络规模及最小度无关.在给定网络规模及最小度条件下,无标度网络的网络结构熵在标度指数等于1.7附近取最小值,即此时网络最不均匀,当标度指数大于1.7时,无标度网络的网络结构熵随标度指数单调递增.     

单向单交叉并行链优先约束的可靠性系统测试优化

针对具有单向单交叉并行链优先约束的可靠性系统的最优测试序列问题,提出了一种最优测试原则,该测试原则的约束条件更接近复杂的实际情况。通过证明三个相关的定理,分别解决了单向单交叉并行链优先约束的问题转化形式,相交单元在最优测试序列中测试的先后顺序,以及反“Y”形优先约束问题的最优测试序列。利用这一测试原则,可使此类系统获得总期望测试成本最小。通过一系列证明,给出了该原则的求证过程及具体步骤。     

一种混合建模方法在陀螺漂移预测中的应用研究

陀螺仪作为惯性导航系统的核心惯性器件,其漂移性能直接影响导航的精确性,分析陀螺漂移的变化趋势并预测由漂移所引发的陀螺故障具有重要的意义。提出一种基于灰色理论和平稳时间序列分析的混合建模方法,并将其用于预测陀螺漂移。实验结果表明该混合建模预测方法能够精确地预测陀螺的漂移,从而为陀螺的性能分析和故障预报提供依据。同时与单一预测方法相比,该混合方法具有较强的预测能力。     

基于最邻近聚类和向量模糊c-均值的混沌预测

针对混沌时间序列难预测的问题,提出一种新的基于最邻近聚类和向量模糊c-均值(FCMV)聚类算法的模糊建模方法。其前提参数辨识分两步,首先用最近邻聚类法初始划分输入空间,得到规则数及初始聚类中心,再用FCMV把具有相同收敛向量的聚类中心归到同一个区域来优化前一步得到的聚类中心,得到前提参数;采用递推最小二乘算法辨识模型的结论参数。最后通过对Mackey-Glass混沌时间序列的建模和预测验证了该方法的有效性与实用性。     

基于符号时间序列直方图的高频金融波动预测

将符号时间序列分析方法与K-NN(K-Nearest Neighbors)算法相结合,提出了一种基于符号时间序列直方图的高频金融波动整体分布的预测方法。首先将时间序列符号化得到符号时间序列,并以符号序列直方图表示符号序列的分布,引入符号直方图时间序列的概念,采用K-NN算法得到下一个周期符号序列直方图的预测。在K-NN算法中,针对符号序列直方图的特点,提出以欧几里得范数,χ2统计量和相对熵作为选择邻居时的符号直方图序列相似度的度量方法,利用系统自身的几何特性确定符号直方图序列的嵌入维数。以上证综指5分时的高频数据检验了本文方法的预测能力。结果表明,本文方法预测所得结果整体误差均在可以接受的范围内,预测所得的分布与真实分布均值相同,但是方差较小。     

单增序列灰色GM(1,1)模型解之间的误差分析

针对单调增长原始数据序列, 文章在理论上讨论白化型与内涵型GM(1,1)(grey forecasting model)模型解之间的相对误差. 在推导出两个模型解之间的相对误差上界表达式的基础上, 作者研究了相对误差上界函数的性质, 讨论了相对误差一致上界关于原始数据序列长度n的单调性. 结果表明当发展系数位于[-1/(n+1),0]内时, 白化型与内涵型GM(1,1)模型解之间的相对误差上界是0.9%,可以合理使用白化模型代替内涵模型; 而发展系数在区间[-2/(n+1),0]内时, 这两个模型解之间的相对误差可能达到8.64%, 此时白化模型代替内涵模型须较谨慎地使用.     

基于EMD与STSA混合方法的金融收益信息提取与预测

针对STSA方法在金融时间序列分析中的缺陷提出了运用EMD与STSA结合的改进方法。以上证指数、深证成指、建筑指数、金融指数、地产指数、上证商业6种指数的收益数据作为研究样本,利用EMD方法分解提取出一系列反映原始序列不同时间尺度信息的分量,通过对各分量进行STSA分析后发现导致原始序列多变化模式的原因。在此基础上提出了通过单一变化模式分量对原始序列变化趋势进行估计的条件和限定范围,实验结果表明,该方法在提取和分析时间序列变化模式方面具有独特的优势,具有较高的预测精度和实用性。     

沪市指数的短期尾部相依结构

短期相依和同期相依是金融资产两类主要的相依关系。应用相依结构Copula函数模型对上海综合指数收益率序列前后一个交易日的价格波动的短期相依关系的尾部相依结构进行了分析。经检验认为Clayton-copula模型能较好地捕捉沪市收益率序列的短期相依关系的变化规律;上证综合指数收益率的短期相依结构有正相依关系也包含了负相依关系,且主(副)对角线上的尾部相依结构表现为非对称的特征。     

基于GM(1,1)模型的时间序列分段表示方法

时间序列分段表示的目的是对序列进行降维,并使得处理后的数据尽可能保留原始数据特征。以较小的误差,对数据进行较高比率的压缩,是分段表示方法的目标。以往的分段方法主要用线段进行分段,在数据拟合时,存在较大的误差。本文利用GM(1,1)模型的单调变化性质,在拟合误差阀值的限制下,提出了一种基于GM(1,1)模型的分段表示方法(GMPR)。经实验验证,得出相比以往的线性分段方法,GMPR可以取得更好的结果。     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.