井下车用零件多裂纹扩展的时变可靠性分析

针对工程中井下车用零件的多裂纹损伤问题，通过扭转疲劳试验模拟了车用零件中传动轴的疲劳损伤，并应用长焦显微镜与照相机相结合的测量法对零件一定疲劳循环次数后的表面裂纹进行了测量统计，同时以Paris模型及剩余强度估算模型对统计数据进行处理，得到了剩余强度.再应用所建立的时变可靠性数学模型，求取了零件时变强度的漂移率及波动率，并最终得出了该零件在一定疲劳循环后的可靠度.该方法从实际应用上解决了时变理论对零部件时变强度的动态检测问题，将时变理论向工程化应用推进一步，具有良好的应用前景.     

基于不确定理论的短期风险模型

在保险实务中,给定时间内的理赔总量是一个非常重要的数据,而针对该数据的模型更是保险风险分析中的基础模型.本文通过对给定时间内发生索赔的保单的研究分析,以不确定理论为工具,给出了两个带有限制条件的基于不确定理论的短期风险模型的分布,及其期望的一个性质.     

企业战略风险的模糊评价模型

基于战略风险管理的基本概念与内容,从战略风险评价角度出发,提出了一类企业战略风险的模糊评价方法.即通过分析比较传统概率风险测度的不足,将模糊评价方法用于战略风险的评价,以更能准确地反映和把握企业战略的风险程度.     

遥感地表参数反演中的一种不确定性知识处理方法

在基于贝叶斯网络的遥感参数反演模型中引入虚拟节点,提出不确定性知识表示与知识更新方法,推导了遥感反演中的参数后验信息更新公式.用北京顺义遥感实验的多尺度数据对冬小麦的叶面积指数和叶绿素面质量进行反演计算,验证了多知识源反演过程中不确定性知识对参数后验分布概率的调整模式.     

杨氏模量实验的优化研究

针对传统杨氏模量测量存在的一些问题进行深入分析,进而对传统杨氏模量测量仪进行改进,最后提出了减少实验误差、简化数据处理的建议.     

不确定条件下不连续创新项目期权价值优化模型

为探讨不确定性对不连续创新项目期权价值及投资策略的影响,通过引入泊松跳跃过程模拟项目价值的不连续变化建立了不连续创新项目的期权价值优化模型,将技术、市场、组织与资源不确定性分别表示为项目产业化成功率、项目价值和投资成本的不确定性,然后具体解析了不连续变化的跳跃强度、跳跃幅度、跳跃幅度波动率等不确定性对不连续创新项目最优投资策略的影响以及不确定性与期权价值的关系,最后通过蒙特卡罗模拟检验了模型的有效性.模型将现有研究扩展到投资成本亦为不确定的情形,可为不连续创新项目投资和项目价值与风险评估提供决策参考.     

多面体不确定线性系统的鲁棒D-稳定研究

针对一类多面体不确定线性系统给出一种新的鲁棒D-稳定的充分条件,该条件可以由一族线性矩阵不等式(LM Is)的可行解得到,而这族LM Is可以由多面体的顶点描述。通过引入参数相关Lyapunov函数使得该条件的保守性降低,与其他条件相比这个条件具有更广泛的适用性,推广并改进了现有成果。     

置信水平过渡中应注意的问题

在置信水平过渡中,常采取在合成不确定度σ的基础上,乘以置信因子C的方法,这种方法有时会造成置信水平失实,分析失实的原因和应注意的问题.     

双时相影像联合不确定性对变化检测精度的影响机理探索

研究了双时相影像的联合不确定性对变化检测结果精度的影响机理,为通过抑制不确定性的方法提高变化检测精度的工作奠定理论基础.首先利用联合熵对双时相影像的联合不确定性进行量化评估;进而基于空间统计相关方法,研究影像的联合不确定性与双时相影像变化检测精度指标之间的关系;最后建立双时相影像联合不确定性对变化检测结果精度的作用模型.实验结果表明：双时相影像的联合不确定性与变化检测结果的精度之间呈现出强负相关性,且对变化检测结果精度的影响模式具有线性特征.     

Forecasting and nowcasting emerging market GDP growth rates: The role of latent global economic policy uncertainty and macroeconomic data surprise factors

In this paper, we assess the predictive content of latent economic policy uncertainty and data surprise factors for forecasting and nowcasting gross domestic product (GDP) using factor-type econometric models. Our analysis focuses on five emerging market economies: Brazil, Indonesia, Mexico, South Africa, and Turkey; and we carry out a forecasting horse race in which predictions from various different models are compared. These models may (or may not) contain latent uncertainty and surprise factors constructed using both local and global economic datasets. The set of models that we examine in our experiments includes both simple benchmark linear econometric models as well as dynamic factor models that are estimated using a variety of frequentist and Bayesian data shrinkage methods based on the least absolute shrinkage operator (LASSO). We find that the inclusion of our new uncertainty and surprise factors leads to superior predictions of GDP growth, particularly when these latent factors are constructed using Bayesian variants of the LASSO. Overall, our findings point to the importance of spillover effects from global uncertainty and data surprises, when predicting GDP growth in emerging market economies.