基于宏观因子的SVR-Black-Litterman资产配置模型及其实证研究

随着全球经济不稳定性的增强和我国利率市场化的深入推进,金融资产的波动性不断加剧,资产组合优化配置问题依然是金融投资理论研究和实务领域的核心问题。Black-Litterman模型因其解决了传统均值方差模型对参数敏感的问题,且允许将投资者观点融入模型中,已被广泛应用于资产配置实践中。然而投资者观点矩阵的确定一直是Black-Litterman模型理论和应用研究的难点。将宏观因子融入投资者观点矩阵,应用基于主成分分析法的支持向量回归(SVR)模型实现观点矩阵的估计,构建融入宏观因子的SVR-Black-Litterman资产配置模型。为检验模型的有效性,将该模型与经典模型进行比较。实证结果表明,所构建的模型具有较好的市场表现。

MOADA-SVR:一种基于支持向量回归的多元在线异常检测方法

网络异常检测对于保证网络稳定高效运行极为重要。基于主成分分析的全网络异常检测方法虽然具有很好的检测性能,但无法满足在线检测的要求。为了解决此问题,引入流量矩阵模型,利用支持向量回归及其支持向量解的在线稀疏化方法建立流量的一种常态模型,提出了一种基于支持向量回归的多元在线异常检测算法MOADA-SVR。理论分析和因特网实测数据分析表明,该算法与主成分分析算法相比具有类似的检测效果,但具有更低的存储和计算开销。

基于随机下采样和SVR的蛋白质-ATP绑定位点预测

将蛋白质序列的ATP绑定位点与非绑定位点进行分类是个不平衡的二分类问题,其中绑定位点是样本数目稀少的正类样本,非绑定位点是样本数目众多的负类样本。根据机器学习关于可以将分类问题作为回归问题的特例的观点出发,并根据所研究问题本身的特点,在此提出一种基于随机下采样和支持向量回归的蛋白质-ATP绑定位点预测方法。首先,使用滑动窗口抽取蛋白质序列中每个残基的特征,得到一批不平衡的两类样本;其次,应用随机下采样策略,消除正负样本存在的显著不平衡;最后,使用支持向量回归建立预测模型,并选取合适的阈值进行蛋白质-ATP绑定位点的预测。在标准数据集上的实验结果以及与几种最新报道的预测方法的对比结果,验证了本文所述方法的有效性。

基于灰度共生矩阵的无参考模糊图像质量评价方法

无参考图像质量评价已成为近来研究的热点.基于灰度共生矩阵提取相位一致图像特征进行学习的基础上,提出一种无参考模糊图像质量评价方法.该方法首先通过LogGabor小波变换生成待评测图像的相位一致图像,然后利用灰度共生矩阵计算相位一致图像的信息熵、能量、对比度、相关性和同质性5个特征,最后利用支持向量回归模型训练学习,预测得到无参考模糊图像质量得分.4个公开数据库模糊图像上的实验结果表明,该方法预测得分与主观得分有较好的一致性,获得较好的评价指标.

矩阵式单相电源调压技术

提出了一种矩阵式单相电源调压技术,并分析了其工作原理,给出了一种安全的换流策略。仿真结果表明这种变换器输出电压在宽范围内连续可调,而且具有高正弦度的输入电流波形。

基于灰度共生矩阵相似图的图像质量评价方法

针对图像质量评价(IQA)问题,提出一种基于灰度共生矩阵相似图(GLCMS)的方法。首先,分别得到参考图像和失真图像的灰度共生矩阵(GLCM);然后,求得此两幅灰度共生矩阵的相似图,并提取相似图的标准差和熵作为失真图像的特征向量;最后,将特征向量输入到支持向量回归(SVR)算法预测图像质量。TID数据库是专为评价图像质量而建立的,TID数据库上的实验结果表明,所提方法无论在训练集还是测试集上,与主观评价方法的斯皮尔曼相关系数和皮尔逊相关系数均达到0.93以上,表明此方法较好地符合人类视觉特性。该方法为图像质量评价方法提供了新的思路,可用于图像质量评价,使其与人类视觉具有更好的一致性。

面向异构计算平台的SpMV划分优化算法研究

稀疏矩阵向量乘SpMV在科学计算和工程问题中有着广泛的应用。稀疏矩阵的非零元素分布会极大地影响SpMV的计算效率,针对不同的数据分布模式使用特定算法进行加速可以获得显著的性能提升。CPU的控制能力强,适用于通用计算,而GPU的计算核心多,并行度高,适用于数据密集型计算。根据CPU和GPU的不同特点,充分发挥二者的优势,可以使SpMV获得更大的性能提升。研究CPU-GPU混合架构上SpMV的任务划分与优化方法,针对2种主要的稀疏矩阵数据分布模式:Quasi-diagonal和Tetris,提出了一种基于SVR的任务二次分配算法。研究的2种稀疏矩阵模式具有很好的代表性,在实际科学工程应用中占比达到66%。实验评测结果表明,采用本文的算法之后,与GPU相比,异构平台上Quasi-diagonal和Tetris的加速比平均值分别达到1.74×和2.15×。

基于支持向量回归机的扩展卡尔曼滤波

在信号滤波算法优化问题的研究时,扩展卡尔曼滤波算法的精度依赖于系统模型精确性。采用一种改进的扩展卡尔曼滤波算法研究了状态量和观测量相同的系统。用滤波后的状态量和当前观测量以得到实时噪声,求出过程噪声方差阵,在此基础上利用支持向量回归机算法对过程噪声方差阵进行训练,从而得到新的过程噪声方差阵,用此阵作为下一次扩展卡尔曼滤波的过程方差阵,以后继续上述迭代过程。结果证明方法极大的提高了滤波精度。仿真说明方法的有效性。

基于纹理与结构失真的无参考图像质量评价模型

为了解决数字图像难以准确进行客观评价的问题,本研究提出了一种基于纹理与结构失真的无参考图像质量评价(NR-IQA)模型。在纹理方面,提取图像的Tamura纹理特征、颜色共生矩阵特征;在结构特征方面提取三阶梯度特征、Hu不变矩特征,同时对亮度与色度信息进行建模,并提取颜色感知特征和最大局部变化值,构成113维图像特征向量。利用支持向量回归算法(SVR)与广义神经网络(GRNN)算法进行模型训练,并分别在LIVE数据库与TID2013数据库进行有效性与泛化性验证。结果表明,本研究算法与人眼视觉主观评价有较高的一致性,总体性能稳定且运行效率较高。

复杂场景中的全景密度估计方法

为了克服传统密度估计方法受限于算法配置工作量高、高等级密度样本数量有限等因素无法大规模应用的缺点,提出一种基于监控视频的全景密度估计方法。首先,通过自动构建场景的权重图消除成像过程中射影畸变造成的影响,该过程针对不同的场景自动鲁棒地学习出对应的权值图,从而有效降低算法配置工作量;其次,利用仿真模拟方法通过低密度等级样本构建大量高密度等级样本;最后,提取训练样本的面积、周长等特征用于训练支持向量回归机(SVR)来预测每个场景的密度等级。在测试过程中,还通过二维图像与全景地理信息系统(GIS)地图的映射,实时展示全景密度分布情况。在北京北站广场地区的深度应用结果表明,所提全景密度估计方法可以准确、快速、有效地估计复杂场景中人群密度动态变化。