基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。     

Forecasting stock volatility in the presence of extreme shocks: Short-term and long-term effects

This paper introduces a novel generalized autoregressive conditional heteroskedasticity–mixed data sampling–extreme shocks (GARCH-MIDAS-ES) model for stock volatility to examine whether the importance of extreme shocks changes in different time ranges. Based on different combinations of the short- and long-term effects caused by extreme events, we extend the standard GARCH-MIDAS model to characterize the different responses of the stock market for short- and long-term horizons, separately or in combination. The unique timespan of nearly 100 years of the Dow Jones Industrial Average (DJIA) daily returns allows us to understand the stock market volatility under extreme shocks from a historical perspective. The in-sample empirical results clearly show that the DJIA stock volatility is best fitted to the GARCH-MIDAS-SLES model by including the short- and long-term impacts of extreme shocks for all forecasting horizons. The out-of-sample results and robustness tests emphasize the significance of decomposing the effect of extreme shocks into short- and long-term effects to improve the accuracy of the DJIA volatility forecasts.     

江汉平原降水变化趋势的气候分析

利用江汉平原1958年～2004年各气象站点降水量资料,对近47年来江汉平原降水量变化趋势进行了分析.结果表明:江汉平原绝大部分地区年降水量变化表现为明显的增加趋势,降水倾向率为5.7～78.9 mm/10a.江汉平原平均年降水量则呈明显的增加趋势,年降水量以39.9mm/10a的速率增加,尤其是20世纪90年代增幅较大.平原夏、冬季降水均呈增加趋势,春、秋季降水则呈减少趋势.另外,60年代和70年代旱年较多,而80年代以来涝年较多,且有增加的趋势.     

多光谱卫星云图降水区域与强度估计的模糊推理模型

在卫星云图降水分析中,针对降水天气和降水强度具有明显的"模糊"特性,提出了云图降水的模糊推理模型.从不同云类降水的经验知识和降水天气的卫星云图样本中,提取出若干云类降水规则.在此基础上,引入模糊推理方法,建立了卫星云图降水分布和降水强度估计的模糊推理模型.实际应用中,对卫星云图进行云分类,根据云分类结果,去除不可能产生降水的云类区域.对可能产生降水的云类区域,通过提取多光谱云图的灰度等特征进行推理判别,进而得出该区域是否降水以及降水强度和降水分布的估算.试验结果表明,该方法在客观性、定量性和自动化程度方面优于传统的降水估计方法,且建模所需的样本少,可适用于多种类型的气象卫星云图.     

河北省棉花生育期连阴雨气候变化特征分析

利用河北省65个气象观测站自1954年(或建站)至2000年的气象资料,分析了河北省棉花四个生育期的连阴雨气候变化特征.结果表明:河北省棉区大部棉花播种出苗期、蕾期、花铃期和吐絮期连阴雨分别为1～2年一遇、1～3年一遇、1～2年一遇和2～6年一遇.不同时期重连阴雨所占比率分别为25%、65%、49%和45%.近50年来,除播种出苗期连阴雨历年出现次数具有增多趋势外,其它各个时期的连阴雨、重连阴雨以及播种出苗期重连阴雨均具有减少趋势,但各时期减少幅度有所不同.     

嵌套Logistic模型的矩估计

讨论多元极值分布嵌套 Logistic模型 ,给出了分布参数的矩估计及其渐近协方差阵元素的显式表示和数值结果 .当边缘参数相等时 ,用合并样本估计公共参数 ,可以提高估计量的精度 .     

Forecasting VaR models under Different Volatility Processes and Distributions of Return Innovations

This paper provides clear‐cut evidence that the out‐of‐sample VaR (value‐at‐risk) forecasting performance of alternative parametric volatility models, like EGARCH (exponential general autoregressive conditional heteroskedasticity) or GARCH, and Markov regime‐switching models, can be considerably improved if they are combined with skewed distributions of asset return innovations. The performance of these models is found to be similar to that of the EVT (extreme value theory) approach. The performance of the latter approach can also be improved if asset return innovations are assumed to be skewed distributed. The performance of the Markov regime‐switching model is considerably improved if this model allows for EGARCH effects, for all different volatility regimes considered. Copyright © 2014 John Wiley & Sons, Ltd.     

基于核极限学习机的煮糖结晶自适应控制研究

针对煮糖结晶过程难以进行自动控制的问题,提出一种基于预测模型的自适应控制方法.以逐步浓缩上升煮糖工艺为基础,基于核极限学习机构建糖膏液位和糖膏锤度的预测模型;以预测工艺偏差作为适应度函数,利用粒子群算法在线优化蒸汽阀和入料阀开度,并自动调节阀门用于跟踪理想工艺曲线.结果表明:与人工煮糖相比,自适应控制的煮糖过程更稳定且...     

基于稀疏栅格优化的蜂窝车联网定位算法

蜂窝车联网(cellular-V2X,C-V2X)中的定位方案是车路协同与车联网业务发展的重要技术途径之一.目前基于基站、卫星等诸多定位方案,在车联网业务以及车路协同场景中常会遇到定位精度、定位处理时延、部署成本等诸多方面的挑战.针对这些问题,文章对已有栅格定位算法进行优化,提出一种基于统计信息网格(statistic...     

关于上海股市指数日收益尾部的实证研究

基于极值理论（EVT）方法,利用平均超出量函数,结合判断阈值u改变引起参数估计量的变化,找出合适的阈值,建立了上海股市综合指数极端日收益率的广义帕累托模型（GPD）。