股票市场的高维动态因子模型及其实证分析

收益率和波动率是金融市场最重要的变量，为研究对其产生影响的因素，建立了收益率和波动率动态因子模型，并引入带惩罚的EM算法得到高维动态因子模型的稀疏参数估计。将此模型应用到沪深交所股票数据中，得到了对股票收益率和波动率产生影响的公共因子及稀疏的因子载荷矩阵。根据因子载荷矩阵，发现在两个模型中都有一个共同因子对绝大多数股票影响，其他因子是对某行业股票产生影响的行业因子。结合国内相关政策和事件等因素，分析了因子波动趋势，并给出了可能的解释。另外，利用因子贡献率，从行业角度分析了共同因子和行业因子对行业股票的影响程度。     

基于反向学习的状态空间模型进化算法

由于状态空间模型进化算法(SEA)易受初始种群的影响,精度不高,容易早熟等问题.因此,提出了一种基于反向学习的状态空间模型进化算法(OLSEA).通过对状态进化矩阵G重新构造实现全局搜索,增强了全局探索和局部搜索能力;算法结合了反向学习策略,提高了算法搜索效率,增强了跳出局部最优的能力;利用8种基准测试函数对算法有效性...     

基于整句输入法的状态空间模型

提出融入Viterbi算法的状态空间模型,成功地描述了整句转换的状态空间,实现了整句输入法。这种模型的插入操作,只需对新增的拼音节点与已输入的拼音节点可能产生的所有字词候选节点进行概率累积计算,链接到状态空间模型中;删除操作,只需直接删除与拼音节点相关的候选字词节点;而当到达用户输入边界,可以依赖右指针域指向尾节点的候选字词节点中累积概率最大者的父指针,通过回溯找到最优语句候选。该状态空间模型比起词网格更易判断前驱和后继,实验证明其对整句输入法实现是有效的。     

一种基于状态空间模型的进化算法

传统进化算法主要通过选择、重组和变异这三种遗传操作实现种群的进化。在进化过程中通常需要设定群体规模、交叉概率和变异概率等参数,而且它们的值会直接影响计算结果及精度。为了简化操作过程,设计一种基于离散系统状态空间模型的进化算法,这种算法采用实数编码方式,构造一个状态进化矩阵来实现重组和变异的功能,提高算法的可操作性和可靠性。并将该算法应用于求解无约束全局优化问题,对几种典型的测试函数进行仿真,结果表明:这种新的进化算法具有搜索能力强、收敛速度快、计算精度高、操作简单等优点,对相关研究有参考作用。     

基于无效状态空间的多状态网络可靠性评估

在应用d-最小割(路)集计算多状态网络可靠度精确值算法中,运用容斥原理求解d-最小割(路)集较为复杂。为此,提出一种不需d-最小割(路)集直接计算多状态网络可靠度精确值的算法。该算法按一定规则分割状态空间,在此基础上生成无效状态空间,通过迭代计算直接获得可靠度精确值,同时通过定义边的容量下界及剩余网络。实例分析结果表明,运用该算法可减少计算量,并能精确求解d-最小割(路)集。     

基于状态空间模型和概率矩阵分解的推荐算法

传统的矩阵分解算法在时间上将全部训练数据作为整体进行计算以获得用户兴趣特征,忽略了用户兴趣漂移问题。针对此问题,提出一种基于状态空间模型和概率矩阵分解的推荐算法。首先将用户兴趣特征向量与用户评分数据的矩阵分解映射到线性高斯状态空间中;然后使用EM算法和卡尔曼滤波器对模型参数进行动态求解;最后根据前后获得用户兴趣特征向量确认用户兴趣是否发生漂移,并进行相应推荐。实验结果表明,该算法与传统的矩阵分解推荐算法相比,能更好地感知用户兴趣漂移,提高推荐质量。     

基于状态空间模型的仿生算法在电力市场竞价中的应用

提出一种基于状态空间模型的新型仿生算法（SBA）,并用于求解电力市场竞价问题。SBA将仿生算法的群体表示为状态向量,通过状态转移实现群体的繁殖和更替,基于仿生算法中新个体的生成策略（如遗传算法中的遗传算子）构造状态转移矩阵,通过评价状态转移矩阵的特征值来考察算法的收敛性和收敛速度。仿真实验表明：这种算法对于解决电力市场竞价问题是有效的。     

基于状态空间模型进化算法的全局收敛性分析

基于状态空间模型进化算法(SEA)是一种新颖的实数编码进化算法,在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系,促进SEA在工程优化问题中的应用研究,利用齐次有限Markov链对SEA的全局收敛性进行分析, 证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围,同时引入弹力搜索得到改进型弹力状态空间模型进化算法（MESEA）。分析结果表明,弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论,为算法在工程优化问题中的应用提供了理论依据。     

基于HNP模型的强化学习状态空间表示方法

蛋白质结构预测是生物信息领域中具有挑战性的问题之一.将强化学习运用在HNP晶格模型的最优结构发现中,性能出色,但结构预测所需的状态空间巨大,容易导致维数灾难问题.在全状态空间基础上,进一步提出半状态空间与简单状态空间方法,以达到约减状态空间的目的,同时对奖赏函数与策略进行定量分析.实验结果表明,该方法有效解决全状态空间无法计算长序列的缺点,其中简单状态空间较全状态空间有3条序列预测出更低能量,半状态空间较全状态空间方法全部6条长序列都预测出更低能量,且半状态空间预测的能量平均值较简单状态空间降低了9.83百分点.     

基于状态空间的工作流模型验证

工作流模型的正确性和可靠性是工作流管理系统健壮性的基础。该文提出一种基于状态空间的工作流模型验证方法,从而确保在构造期间产生有效的工作流模型。     

基于状态空间模型的智能优化算法及其应用

针对城市公共交通系统中公交优化调度问题的具体特征,提出一种基于状态空间模型的实数编码智能优化算法(SIA)。SIA引入遗传算法(GA)的基本理念。通过构造状态进化矩阵来指导算法的搜索方向,再通过选种池的优胜劣汰的选择机理来实现算法朝最优解逼近。将该算法与GA分别应用到公交优化调度问题中,考虑发车时间间隔的约束,建立以企业和乘客的利益最大化为目标的数学模型。实例仿真结果表明,SIA在寻优精度和计算量方面优于GA,验证了该算法的有效性。     

基于状态空间预计算的软组织实时形变模型

为提高混合软组织实时形变模型(HSTDM)的计算效率,提出一种基于状态空间预计算的混合软组织实时形变模型。利用HSTDM模型,通过离线预计算方式得到离散形变状态空间的精确数据,在实时交互时采用光滑粒子流插值函数计算力反馈和形变节点的偏移值。仿真结果表明,该模型能够描述软组织线性、非线性和各向异性材料特性,并在视觉和触觉上分别达到60 Hz和500 Hz以上的刷新率。     

自组织状态空间模型参数初始分布搜索算法

自组织状态空间模型为估计非线性非高斯状态空间模型中的未知参数提供了一种有效方法. 针对自组织状态空间模型中参数的初始分布难以确定的难点,提出了一种搜索自组织状态空间模型参数初始分布的算法. 所用搜索算法基于一种高效的进化模型,具有全局搜索能力,使得参数的初始分布向真实参数"移动". 数值实验分析结果验证了提出方法的有效性.     

基于灵敏度分析的模块化回声状态网络修剪算法

针对回声状态网络（Echo state network,ESN）的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法（Pruning algorithm for modular echo state network,PMESN）.该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分解（Singular value decomposition,SVD）构造子储备池模块的权值矩阵,并利用分块对角阵原理生成储备池.然后利用子储备池模块输出和相应的输出层权值向量,定义学习残差对于子储备池模块的灵敏度以及网络规模适应度.利用灵敏度大小判断子储备池模块的贡献度,并根据网络规模适应度确定子储备池模块的个数,删除灵敏度低的子模块.在网络的修剪过程中,不需要缩放权值就可以保证网络的回声状态特性.实验结果说明,所提出的算法有效解决了ESN的网络结构设计问题,基本能够确定与样本数据相匹配的网络规模,具有较好的泛化能力和鲁棒性.     

空间信息网络多层路由算法研究

在对数学模型研究的基础上,建立了单层和多层网络的数学模型,提出了一种适合多层空间信息网络应用的优化受限的层次路由算法。分析和仿真结果表明该算法具有较小的时延,降低了路径的切换概率,能够有效地提高空间信息网络的路由性能。     

基于空间模型和遗传算法的高校排课系统

如何实现具有人性化设计、能满足多约束条件的高效排课系统是高校教务工作的难点问题. 针对某高校排课问题, 提出基于空间模型的高校排课算法. 首先对比分析现行各排课算法的优劣性, 然后结合该校实际排课需要, 构建排课问题空间模型和约束模型以降低排课问题复杂度, 并在此基础上, 对遗传算法进行优化, 设计了基于遗传算法的排课算法, 提出了排课问题的解决方案. 实验结果表明, 该排课系统较好的解决了该校的排课问题, 为其他类似问题的解决提供了可借鉴经验.     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题. 网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network, ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm, GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average, ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine, LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

基于翻转课堂模式的网络学习空间设计

针对当前学生个性化学习不足和教学中师生交流不足的问题,本文在翻转课堂模式下设计网络学习空间,有 效促进教学改革和学习方式的改变。首先本文对翻转课堂的概念和特征、教学模型进行了描述;其次对网络学习空间的设计 目标和原则、功能结构进行了详细的分析;最后对网络学习空间进行详细设计。本文对教学改革具有积极的推动作用。     

A Generalized State Space Average Model for Parallel DC-to-DC Converters

The high potentiality of integrating renewable energies, such as photovoltaic, into a modern electrical microgrid system, using DC-to-DC converters, raises some issues associated with controller loop design and system stability. The generalized state space average model (GSSAM) concept was consequently introduced to design a DC-to-DC converter controller in order to evaluate DC-to-DC converter performance and to conduct stability studies. This paper presents a GSSAM for parallel DC-to-DC converters, namely: buck, boost, and buck-boost converters. The rationale of this study is that modern electrical systems, such as DC networks, hybrid microgrids, and electric ships, are formed by parallel DC-to-DC converters with separate DC input sources. Therefore, this paper proposes a GSSAM for any number of parallel DC-to-DC converters. The proposed GSSAM is validated and investigated in a time-domain simulation environment, namely a MATLAB/SIMULINK. The study compares the steady-state, transient, and oscillatory performance of the state-space average model with a fully detailed switching model.