考虑枢纽失效情形的客运枢纽层级选址模型

基于混合式服务模式,提出了枢纽失效和不完全信息条件下旅客依次访问备选枢纽的服务策略,并建立了有容量限制的可靠性层级选址模型。实例分析结果表明,该选址模型可以增加选址方案的可靠性,降低由于枢纽失效而产生的惩罚费用。模型参数敏感性分析结果表明,对于失效概率过高的枢纽设施网络,仅靠增加枢纽数量已无法提高选址方案的可靠性,而保持较高可靠性的枢纽设施网络在应对可能造成高损失事件时的弹性较高。     

概率统计观念形成中的思维障碍分析

概率统计的研究对象是随机现象.概率统计思维的本质在于:对随机事件发生的频繁程度定量化,在不确定的情景中作出良好判断.正是其思维方法别具一格,学生理解概率显得很复杂、很困难.通过对具体概率统计问题常见错误的分析,发现概率统计观念形成中的思维障碍,提出概率统计教学中应关注的方面.     

大规模网络中基于FFT的呼叫阻塞率的快速算法

在大规模网络条件下,Kaufman提出的一维递推快速呼叫阻塞率（CBP）算法由于其呼叫阻塞率的计算将导致系统计算溢出,改进的Kaufman方案虽然消除了计算溢出,但是其计算时间随网络规模的变大呈指数增长．有鉴于此,文中提出了一种基于快速傅立叶变换（FFT）方法和计算溢出避免预处理机制的呼叫阻塞率快速计算方法．仿真结果表明,该算法消除了计算溢出且降低了计算复杂度,具有计算简单、无误差、速度快的优点．     

一种确定IFSP中迭代次数下限的算法

提出了一种求解带概率的迭代函数系统（IFSP）中迭代次数下限的自动算法,该算法基于一个基本假定,从给定的多个压缩仿射变换矩阵的谱半径入手,先分别求出每一个压缩仿射变换收敛到其对应的不动点时的迭代次数,然后根据每一个压缩仿射变换使用的概率即可计算出IFSP中迭代次数的下限．理论分析和实验计算结果表明,提出的算法能有效地确定IFSP中迭代次数的下限,且在保证分形图质量的同时避免了不必要的计算开销,为快速生成高质量的分形图提供了一种有效的方法．     

具有投资收益的双险种双复合Poisson-Geometric风险模型的破产概率

本文研究了保费过程和索赔过程均为复合Poisson-Geometric过程的具有投资收益的双险种双复合Poisson-Geometric风险模型,利用概率论中的期望理论和切比雪夫不等式,得出此模型的调节系数不存在。在将干扰因素考虑进来后,得到了调节系数和破产概率的表达式。     

联合功率域SPMA协议的动态阈值算法

针对基于优先级概率统计的多址接入(statistic priority-based multiple access, SPMA)模式协议在高负载情况下战术信息的碰撞概率十分严重, 网络性能无法满足协同攻击要求的问题, 本文借鉴非正交多址接入技术在功率域上区分同时同频信号的思想, 改进SPMA协议信号发送机制与多优先级检测机制, 在原有的时域、频域基础上引入功率域, 提出一种联合功率域的SPMA协议性能改进策略。并针对各优先级数据包到达率的动态变化场景, 设计动态阈值算法, 以达到降低碰撞概率, 提升网络吞吐量的目的。仿真结果表明, 采用该改进策略与动态阈值算法可以使网络承载更大的业务流量, 提高网络吞吐量。     

岩土力学参数概率分布的推断方法研究综述

岩土力学参数的概率分布推断是岩土工程可靠性分析的关键步骤之一,选择和建立输入参数的概率模型直接影响可靠性最终的计算结果和精度.介绍了不同情况下确定岩土参数概率分布的各种推断方法和研究进展,主要包括小样本情况、较大样本及大样本情况、存在先验分布和现场有限小样本情况下的推断方法.详细介绍了笔者最近在这一领域内所做的工作,希望对这一领域内的研究工作起到一定的推动作用.     

基于概率图的作战任务智能规划方法

针对人工调配作战资源及规划方案效率低下的问题,本文提出一种基于概率图的作战任务智能规划方法,通过统计分析判定任务间因果关系,采用GNN抽取任务中的关键事件构建概率图并计算任务规划方案成功的概率,进而基于时间序列方法预测战场态势变化,实现辅助指挥员智能决策。最后,本文在某联合登岛案例中开展了方法验证,结果表明,所提出的方法可成功实现任务规划并具有可解释性,可实现对战场态势变化的预测和快速响应,在战场上为军队提供强有力的支持。     

Bernoulli多项式与幂和多项式的关系

研究了Bernoulli多项式与幂和多项式的关系,给出了用幂和表示Bernoulli多项式的一个公式,得到了关于Bernoulli多项式的形式上非常对称的两个恒等式.     

Forecast Combination and Bayesian Model Averaging: A Prior Sensitivity Analysis

In this study we evaluate the forecast performance of model‐averaged forecasts based on the predictive likelihood carrying out a prior sensitivity analysis regarding Zellner's g prior. The main results are fourfold. First, the predictive likelihood does always better than the traditionally employed ‘marginal’ likelihood in settings where the true model is not part of the model space. Secondly, forecast accuracy as measured by the root mean square error (RMSE) is maximized for the median probability model. On the other hand, model averaging excels in predicting direction of changes. Lastly, g should be set according to Laud and Ibrahim (1995: Predictive model selection. Journal of the Royal Statistical Society B 57 : 247–262) with a hold‐out sample size of 25% to minimize the RMSE (median model) and 75% to optimize direction of change forecasts (model averaging). We finally apply the aforementioned recommendations to forecast the monthly industrial production output of six countries, beating for almost all countries the AR(1) benchmark model. Copyright © 2011 John Wiley & Sons, Ltd.