PH分布的累积报酬分布及应用

采用构造新Markov链的方法对离散PH分布的报酬过程进行研究,证明了在单位时间收益率确定及随机2种情况下带报酬Markov链在被吸收之前的“累积报酬”是PH分布,并给出了相应的表达式,最后给出了2个数值计算实例.     

马氏环境下的股市大盘指数预测模型

马尔可夫链是一种应用于随机过程问题的有效预测方法.本文在当前股票市场的背景下,建立股指马尔可夫预测模型,对上证综指的走势进行预测,通过马尔可夫的无后效性、平稳性和遍历性,计算出大盘短期下跌、持平、上涨三个状态的概率分布,并对股票投资者提出一定的借鉴性建议.     

信用债券的最优投资策略

研究了一个代表性投资者投资于信用债券、股票以及银行存款的最优配置问题. 利用简约化模型对信用债券进行定价, 并给出其价格的动态过程, 通过鞅方法给出了此优化问题的解析解. 结果表明: 只有当信用债券的跳跃风险溢价大于1, 即市场对跳跃风险进行风险补偿时, 投资者才会持有信用债券; 否则, 投资者对信用债券的最优投资为零.     

中国证券市场异象的持续性检验

梳理了理论界对于市场异象的研究结论,针对市场异象的争议,提出了基于马尔可夫的市场异象持续性检验模型,利用1993～2010年我国A股市场的收益数据,对我国股票市场的价值溢价、规模溢价和动量溢价等市场异象进行实证检验。研究发现,我国A股市场的价值溢价与动量溢价在长期内存在持续性,规模溢价的持续性相对较弱,并且,生存偏差、收益平滑和统计区间对于市场异象的持续性存在不同程度的影响。     

基于MCMC的模糊自适应重要抽样法

针对传统的基于马尔可夫链蒙特卡罗 (Markov chain Monte Carlo,MCMC)的自适应重要抽样法只适用于失效边界确定的系统,而不适用于失效域模糊的渐变结构系统问题,提出基于MCMC的模糊自适应重要抽样法。首先从模糊失效域内的某个初始点出发,根据Metropolis准则构造马尔可夫模拟样本点;然后利用自适应核密度估计构建核抽样概率密度函数并进行重要抽样;最后离散化模糊失效域以计算系统的模糊失效概率。该方法合理地解决了以往渐变结构系统性能可靠性难以仿真分析及仿真效率低的难题,具有较高的仿真效率和精度。应用舵机案例对方法的适用性及高效性进行了验证。     

大气低频噪声混合模型的MCMC参数估计

大气噪声是低频通信中的主要干扰,且具有严重非高斯分布特性,对非高斯噪声模型的参数估计对于提高低频接收机的性能具有重要意义。设计了估计非高斯混合模型参数的马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)算法,该算法通过构建贝叶斯层次模型,利用Gibbs抽样和M-H抽样更新迭代参数。利用乘积特性,将稳定分布作为等价的高斯分布来处理,并在层次模型中设置多个额外参数,以增强其灵活性。仿真实验与实测数据表明,该算法迭代收敛快、精度高,有很高的实用价值。     

不完全共因失效系统动态故障树模型分析方法

提出了不完全共因失效的概念,认为共因只能以一定概率作用于共因失效组的元件上,并产生一定程度的损伤。介绍了动态故障树分析方法常用的逻辑门结构,并在此基础上引入了新的逻辑门结构用于对不完全共因失效进行有效描述。指出了目前用于求解不完全共因失效系统动态故障树模型的马尔可夫链方法存在的不足,修正了现有研究给出的马尔可夫链状态转移图,并提出不完全共因失效系统失效概率的通用公式。最后给出应用实例,证明该方法的有效性。     

基于MRF的高分辨率SAR图像道路网自动提取

各种干扰的存在使得高分辨率合成孔径雷达(synthetic aperture radar,SAR)图像道路网的提取变得异常困难。马尔可夫随机场(Markov random field, MRF)模型能够充分利用道路图像的上下文特征以及先验知识,在道路网提取中得到广泛应用,但存在求解过程偏慢及参数设置偏多问题。首先根据道路空间几何特征关系对提取出的线基元进行预连接,以此减少虚假连接给MRF迭代求解带来的运算量;然后建立MRF道路网改进模型对道路网进行快速标记。使用1m机载高分辨率SAR图像进行实验,结果验证了该方法的有效性。     

基于马尔科夫决策过程的多目标跟踪算法

目前,多目标跟踪算法仍面临诸多挑战,例如遮挡、快速运动等所造成的影响难以完全规避.为了解决上述问题,提出一种基于马尔科夫决策过程的多目标跟踪算法.该算法将每个目标建模成一个马尔科夫决策过程,通过最大化奖励函数来驱动状态间的转移,并将强化学习训练用于数据关联相似度函数,有效地解决了目标遮挡问题.同时,为了解决物体快速运动...     

FTC of hidden Markov process with application to resource allocation in air operation

This paper investigates the feedback control of hidden Markov process(HMP) in the face of loss of some observation processes.The control action facilitates or impedes some particular transitions from an inferred current state in the attempt to maximize the probability that the HMP is driven to a desirable absorbing state.This control problem is motivated by the need for judicious resource allocation to win an air operation involving two opposing forces.The effectiveness of a receding horizon control scheme based on the inferred discrete state is examined.Tolerance to loss of sensors that help determine the state of the air operation is achieved through a decentralized scheme that estimates a continuous state from measurements of linear models with additive noise.The discrete state of the HMP is identified using three well-known detection schemes.The sub-optimal control policy based on the detected state is implemented on-line in a closed-loop,where the air operation is simulated as a stochastic process with SimEvents,and the measurement process is simulated for a range of single sensor loss rates.