有条件接收系统中基于分级访问控制的密钥分配算法

有条件接收系统通过对节目信息进行加扰从而达到对用户收取收视费用．安全性是衡量有条件接收系统的重要指标，它直接取决于所采用的加扰算法和密钥分配算法．提出一种应用于数字电视广播中有条件接收系统的基于分级访问控制的密钥分配算法．该算法不仅能够大大地降低加密的计算量且能够获得较高的效率和安全性，而且还能够灵活地处理用户的加入与离开，这对于运营商动态管理收视用户有着重要的价值．     

隐马氏模型中的标量估计

通过测度变换的方法构造一个概率空间,利用观测变量在该构造空间中独立的性质,研究了一类在实际中应用广泛的隐马尔可夫模型———零延迟隐马尔可夫模型;然后通过测度的逆变换,将构造空间中得到的结果返回到实际的空间中来,克服了通过半鞅的方法得到标量估计的困难。最后给出了零延迟隐马尔可夫模型中标量估计的一般公式,并且应用该公式给出了状态、跳跃次数、状态到达次数等标量估计,以阐明该方法的应用。     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

CVaR风险度量下的安全第一标准

通过优化方法给出了在均值 CVaR有效前沿上,满足给定的三种安全第一标准的最优证券组合、最优证券组合的期望收益及其CVaR风险值的求解方法和相关结果.三种安全第一标准的经济意义分别如下使证券组合的回报率低于给定的生存水平的概率达到最小;在证券组合的回报率低于生存水平的概率不超过指定值的条件下,使它的生存水平达到最大;在证券组合的回报率低于给定生存水平的概率不超过指定值的条件下,使它的回报率的期望值达到最大.这些结果可为金融机构和投资者正确决策提供理论依据.     

基于条件风险价值的智能区域代理商报价策略及EV充电管理

智能区域代理商整合区域内电动汽车(electric vehicle,EV)参与电力市场交易,然而在联营市场(包括日前和实时市场)交易机制下,联营市场电价的随机性增加了代理商的市场交易风险.基于此,提出了以联营市场条件期望购电成本最小为目标的报价决策模型,该模型考虑了联营市场电价的随机特性,并将模型转换成带条件风险价值约束的随机优化问题.由于含随机性变量概率密度函数的积分计算困难,因此利用蒙特卡罗模拟,预测电价分布特性,采用抽样平均近似法对模型进行离散化处理,并通过构造函数将原问题化为凸优化问题进行求解.数值实验表明代理商通过控制EVs参与联营市场竞价交易,对EVs进行充电管理,可有效降低峰谷差,有助于电网的稳定性.     

基于理论视角研究宏观经济政策对企业投融资行为的影响

自从MM定理提出以来,对投融资行为的研究基本在此基础上展开.然而,近年来的一些研究显示,考虑宏观经济政策与微观企业行为的互动具有重要意义.在全面梳理企业投融资研究文献的基础上,重点分析了最近对宏观经济政策与微观企业行为互动的研究,进而提出未来应加强对宏观经济政策影响下的企业投融资行为研究,并对其研究方向进行了展望.     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

基于相互隶属度的云模型相似性度量方法

针对现有云模型相似性度量方法计算复杂度高、结果不稳定、适用性有限等问题,提出了一种基于相互隶属度的云模型相似性度量方法.依据云模型期望曲线以公共面积与自身面积之比定义云模型之间的隶属度,进而利用相互隶属度计算云模型之间的相似度.讨论了不同交点及半云情形下相应面积的计算方法,并给出了相似度的计算公式及性质证明.仿真实验表明,该方法能够在多种情形下合理地度量云模型的相似性,并且具有较高的结果准确度和较低的计算复杂度,基于云模型的评估实例进一步验证了该方法的有效性.      

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.     

Semantic image annotation based on GMM and random walk model

Automatic image annotation has been an active topic of research in computer vision and patternrecognition for decades.A two stage automatic image annotation method based on Gaussian mixturemodel (GMM) and random walk model (abbreviated as GMM-RW) is presented.To start with,GMM fitted by the rival penalized expectation maximization (RPEM) algorithm is employed to estimatethe posterior probabilities of each annotation keyword.Subsequently, a random walk processover the constructed label similarity graph is implemented to further mine the potential correlations ofthe candidate annotations so as to capture the refining results, which plays a crucial role in semanticbased image retrieval.The contributions exhibited in this work are multifold.First, GMM is exploitedto capture the initial semantic annotations, especially the RPEM algorithm is utilized to train themodel that can determine the number of components in GMM automatically.Second, a label similaritygraph is constructed by a weighted linear combination of label similarity and visual similarity ofimages associated with the corresponding labels, which is able to avoid the phenomena of polysemyand synonym efficiently during the image annotation process.Third, the random walk is implementedover the constructed label graph to further refine the candidate set of annotations generated byGMM.Conducted experiments on the standard Corel5k demonstrate that GMM-RW is significantlymore effective than several state-of-the-arts regarding their effectiveness and efficiency in the task of automatic image annotation.