On a Mixture GARCH Time‐Series Model

Abstract. Recently, there has been a lot of interest in modelling real data with a heavy‐tailed distribution. A popular candidate is the so‐called generalized autoregressive conditional heteroscedastic (GARCH) model. Unfortunately, the tails of GARCH models are not thick enough in some applications. In this paper, we propose a mixture generalized autoregressive conditional heteroscedastic (MGARCH) model. The stationarity conditions and the tail behaviour of the MGARCH model are studied. It is shown that MGARCH models have tails thicker than those of the associated GARCH models. Therefore, the MGARCH models are more capable of capturing the heavy‐tailed features in real data. Some real examples illustrate the results.     

基于链接率的AdHoc自适应按需加权分簇算法

AdHoc网络通过分簇算法来实现网络分层,以支持高效的资源管理和路由策略。稳定的分簇算法可以减少网络的计算和通信开销。为了提高分簇算法的稳定性,文中提出了一种基于链接率的自适应按需加权分簇算法（AOWLR）。该算法将节点的运动轨迹抽象为直线形和圆弧形两种,并引入邻居节点的平均链接率预测值作为衡量簇稳定性的一个重要标准。NS2仿真结果证明,同AOW相比,AOWLR算法的负载平衡因子较高,连通统治集（CDS）更新频率和节点充当簇头的公平性指数（HFI）较低。     

一种基于改进PSO的K—means优化聚类算法

针对传统的K—means算法对初始聚类中心的选取敏感、容易收敛到局部最优的缺点,提出一种基于改进粒子群优化算法（PSO）的K—means优化聚类算法。该算法利用PSO算法强大的全局搜索能力对初始聚类中心的选取进行优化：通过动态调整惯性权重等参数增强PSO算法的性能;利用群体适应度方差决定算法中前部分PSO算法和后部分K—means算法的转换时机;设置变量实时监控各个粒子和粒子群的最优值变化情况,及时地对出现早熟收敛的粒子进行变异操作,从而为K—means算法搜索到全局最优的初始聚类中心,使聚类结果不受初始聚类中心影响,易于获得全局最优解。实验结果表明文中提出的改进算法与传统聚类算法相比具有更高的聚类正确率、更好的聚类质量及全局搜索能力。     

融合动态层次聚类和邻域区间重组的蚁群算法

针对蚁群算法搜索速度过慢以及解质量不足等问题,提出一种融合动态层次聚类和邻域区间重组的蚁群算法。在初始阶段,调整层次聚类阈值并按照类间距离最小合并的原则迭代至目标簇集,根据预合并系数进行簇间合并,通过蚁群系统得到小类路径并断开重组以加快算法整体收敛速度;接着使用蚁群系统对解空间进行优化,同时并行处理簇集与簇集邻域区间扩散重组,增加解的多样性,进一步固定迭代次数进行比较,若邻域区间重组解质量优于当前优化解则进行推荐处理,提高解的精度;当算法停滞时,引入调整因子降低各路径信息素之间差异以增强蚂蚁搜索能力,有助于算法跳出局部最优。实验结果表明,在面对大规模问题时,算法的精度在3%左右,该方法相比传统方法可以有效提高解的精度和收敛速度。     

基于数据分布的聚类联邦学习

联邦学习(federated learning)可以解决分布式机器学习中基于隐私保护的数据碎片化和数据隔离问题。在联邦学习系统中,各参与者节点合作训练模型,利用本地数据训练局部模型,并将训练好的局部模型上传到服务器节点进行聚合。在真实的应用环境中,各节点之间的数据分布往往具有很大差异,导致联邦学习模型精确度较低。为了解决非独立同分布数据对模型精确度的影响,利用不同节点之间数据分布的相似性,提出了一个聚类联邦学习框架。在Synthetic、CIFAR-10和FEMNIST标准数据集上进行了广泛实验。与其他联邦学习方法相比,基于数据分布的聚类联邦学习对模型的准确率有较大提升,且所需的计算量也更少。     

基于加权的无人机集群组网分簇算法

在无人机集群组网中,节点的高速移动会造成网络拓扑结构更新频繁,使网络管理变得更加复杂。分簇能够增大网络容量,实现空间资源的复用,是优化网络管理的有效手段之一。针对大规模、高速移动的环境进行了研究,提出了一种多参数加权分簇算法。该算法将最大速度相似度分簇算法中的分簇指标引入到加权分簇算法中,并且对链路保持率、节点度差、节点剩余能量进行改进,综合考虑这四种参数,通过加权组合的方式选举具有最大权重的网络节点作为簇头。仿真结果表明,该分簇算法不仅能够减少簇的数量和簇间切换率,提高分簇的稳定性,而且能够延长最小节点生存时间,改善网络的整体续航能力。     

面向聚类的平面反射数据扰动方法

面向聚类的数据隐藏通常使用数据扰动技术防止敏感信息泄露。针对现有的面向聚类的数据扰动方法隐私保护度低的问题,提出一种基于平面反射的数据扰动方法,将发布对象的全部属性两两配对构成平面上的点,再随机选择一条直线,作每对属性关于直线的对称点,转换后的数据即为发布的数据。实验结果表明,这种方法具有较好的隐私保护度和聚类可用性,且对高维数据有良好的适应性。     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

下行床气粒流动行为的Eulerian-Lagrangian模拟

采用计算流体力学和离散单元方法耦合模型（CFD-DEM）对二维下行床内的气粒流动行为进行了全床数值模拟。模拟结果展示了下行床典型操作条件下特有的气固动态流动结构：沿流动方向存在明显的入口控制区、过渡区和（完全）发展区;颗粒聚团并不是出现在浓度相对较高的入口区，而是在过渡区之后的发展过程中逐渐形成较多的、松散的动态聚团结构。下行床发展段呈现典型的近壁浓环结构，这与实验结果基本一致。考察了颗粒之间以及颗粒与壁面之间的碰撞参数对下行床内气固流动结构的影响，发现完全弹性碰撞颗粒体系在入口区呈现最快速的颗粒分散;而对本文研究的操作条件，颗粒碰撞参数对发展段时均流体力学行为只产生轻微的影响。     

代谢物组学信息挖掘的WT-HCA方法

针对现有的代谢物组学信息挖掘方法存在的问题，尝试将小波分析(wavelet analysis)与无导式模式识别手段等级聚类分析（hierarchical clustering analysis, HCA）相结合，整合小波分析在频域去噪及信息提取的能力和等级聚类分析客观性强的特点，建立了小波变换-等级聚类分析（wavelet transform-hierarchical clustering analysis, WT-HCA）方法。以文献拟南芥代谢物组数据为例，考察了所建立方法提取代谢物组信息的能力。结果表明，WT-HCA方法可以有效地提取代谢物组信息。在系统默认距离定义方案下，WT-HCA方法能将亲本两类样品完全分开，而HCA方法基本不能将样品区分开；在另一种距离定义方案（样品间距离为欧氏距离，类间距离为离差平方和距离）下，WT-HCA方法将4类样品中的3类完全正确归类，总的分类正确率达到了93.75%，显著高于HCA所得到的84.375%的总体分类正确率。