基于多元条件极值模型的股指期货与现货下尾部相依性研究

运用多元条件极值模型研究了沪深300股指期货与现货指数之间的下尾部相依关系。通过先构建随机波动-超阈值（SV-POT）模型描述两种资产收益的边缘分布，再建立多元条件极值模型对分布下尾部的相依结构进行研究。实证结果表明：两个收益的下尾存在显著为正的相依关系且条件相依程度都在80%以上，但相差不大，两者可以看成是一个同质的市场。     

基于区域协方差和目标度的航空侦察图像舰船目标检测

为了实现岛岸复杂环境下航空侦察图像舰船目标检测,提出一种基于区域协方差和目标度的显著目标检测方法。在联合条件随机场和字典学习的图像显著性检测框架下,首先提取每个区域增强的sigma特征,并进行稀疏编码,然后又设计基于显著优化的目标度特征,利用信念传播算法推断生成舰船目标显著图,最后应用高效子窗口搜索方法实现舰船目标检测。实验结果表明,新方法的显著图结果目标区域一致高亮,背景杂波抑制效果好,可实现准确的目标检测。     

离散时间模型的幂效用无差别定价

研究了离散时间模型的幂效用函数无差别定价问题.利用鞅方法证明了完全市场的幂效用函数无差别定价为无套利定价,讨论了不完全市场中幂效用函数无差别定价计算的关键问题,并得到了单阶段三叉树模型的幂效用函数的无差别定价满足的方程.     

几类特殊图的条件色数

对整数k>0,r>0,图G的条件(k,r) 染色是一个从顶点集V(G)到数集{1,2,…,k}的映射c,使得：（1）相邻点获得的颜色不同;（2）|c(N(v))|≥min{|N(v)|,r}。G的条件色数是使得G有一个正常的(k,r) 染色的最小k值,记为χ_r(G)。本文主要研究了r取3时,几类特殊图的条件色数。     

非齐次等式约束线性回归模型的条件根方估计的效率

对非齐次约束线性回归模型的狭义条件根方估计和广义条件根方估计进行讨论.利用相对效率定义比较两种根方估计的效率,证明在一定条件下,广义条件根方估计的效率不低于狭义条件根方估计,在根方参数的限制下比较了它们的下界之间的关系,从而可选择适当的根方参数,使广义条件根方估计就均方误差而言更具有良好的性质.     

宏观交通安全建模研究与安全影响因素分析

由于对规划层面的交通安全研究不足,道路网络特征、区域交通特征及区域其他与交通安全的关系尚不明确,导致在交通规划阶段缺少可用的方法和工具来评价不同规划方案的安全性.依托美国佛罗里达州Orange县的数据对宏观交通安全建模进行了系统研究,基于拓扑学理论计算交通分析小区(traffic analysis zone,TAZ)路网形态结构,提取TAZ层面交通特征和其他影响因素.TAZ在空间上有远近之分,相邻的TAZ在社会经济发展、道路交通特征方面有某种程度的趋同性,距离较远的TAZ之间有某种程度的相异性.贝叶斯条件自回归模型可以分析空间相关数据,利用先进的贝叶斯空间统计模型分析TAZ层面交通安全与影响因素之间的关系.基于事故发生机理考虑,提出将主干路事故和支路事故分别建模的新思路.分析发现新的建模思路能够很好区分不同道路类型的安全影响因素;路网形态结构和安全之间有显著的关系.     

基于条件概率的错误定位方法

有效的软件调试是保证软件可靠性的关键。调试旨在发现程序中存在的错误并进行修复,其中错误定位最为烦琐,针对目前性能优异的基于程序频谱的定位方法展开研究。为了能直观地表现程序频谱与执行结果之间的联系,结合条件概率的思想对这种联系进行量化分析,并基于条件概率模型的特征提出了一种新的可疑度计算公式CPStar,该方法采用了不确定性系数Star,通过调节系数的大小提高公式的可用性,可以有效修正成功测试用例的数量对定位效果的不利影响。实验结果表明,提出的CPStar方法可以在一定程度上提高错误定位的准确性与效率,其定位效果优于其他方法。     

基于预测能力的贝叶斯网络结构学习

给出了变量之间预测能力的概念及估计方法,证明了预测能力就是预测正确率.在此基础上建立了基于预测能力的贝叶斯网络结构学习方法,并使用模拟数据进行了实验.实验结果显示该算法能够有效地进行贝叶斯网络结构学习.     

多重图的线图连通度

提出了多重图的线图的概念,研究了多重图的线图连通度的上界和下界.刻画了图的最小度与其线图连通度的关系:若δ(G)≥μ([p/2] 1),则kl(G)≥δL(G)-2(μ-1),并通过构造出一系列的图,证明此结果是最好的:条件不能够被削弱,结论不能够被加强.同时,揭示了图的限制性边连通度就是线图连通度,推广了已有文献的结果.     

Exploiting PLSA model and conditional random field for refining image annotation

This paper presents a new method for refining image annotation by integrating probabilistic latent semantic analysis(PLSA) with conditional random field(CRF).First a PLSA model with asymmetric modalities is constructed to predict a candidate set of annotations with confidence scores,and then model semantic relationship among the candidate annotations by leveraging conditional random field.In CRF,the confidence scores generated by the PLSA model and the Flickr distance between pairwise candidate annotations are considered as local evidences and contextual potentials respectively.The novelty of our method mainly lies in two aspects:exploiting PLSA to predict a candidate set of annotations with confidence scores as well as CRF to further explore the semantic context among candidate annotations for precise image annotation.To demonstrate the effectiveness of the method proposed in this paper,an experiment is conducted on the standard Corel dataset and its results are compared favorably with several state-of-the-art approaches.