确定和不确定策略框架下的古诺双寡头模型

基于确定策略模型建立了不确定策略的Cournot双寡头模型,用非线性动力学的理论和数值模拟的方法分析了确定和不确定策略下各模型的复杂性.结果是确定性模型会产生分岔,混沌等复杂的动力学现象,而不确定性模型则具有简单的动力学性质.这说明寡头厂商对策略的理性选择会消除市场的不确定性,以避免寡头之间的剧烈竞争.

不确定策略对发电侧定价的激励机制研究

现有的对电力市场的研究以确定策略下的寡头博弈模型为主,但这种确定策略框架却不符合现实中寡头厂商会改变策略的情形。建立了不确定策略框架下的Bertrand双寡头模型,对其数值仿真并将结果与确定策略框架下的模型进行比较。结果表明发电厂商采用不确定策略能带来比采用确定策略更多的利润,且能保证电价的稳定。说明让各企业采取自己合适的策略竞争可以提高市场效率。

非对称不确定策略下合作对偶均衡研究

从参与者对手利益出发,研究对手成本最低的双人合作博弈问题:当博弈活动出现非理性现象及竞争者自身策略不确定情形时,假设竞争者自身支付矩阵能准确获知,对手策略落在混合策略集内,但自身策略集为一非对称有界闭集(混合策略集的子集),提出了合作对偶博弈模型。并采用鲁棒优化技术,研究了双人合作对偶博弈中均衡的求解问题,得到以下结论:当非对称不确定策略集中元素取l_(1∩∞)-范数时,使对方成本最低的问题可转化成一个线性规划问题,使双方成本同时最低的问题可转化成一个混合互补问题。最后用数值算例验证了模型的合理性和有效性。

策略对称不确定时鲁棒合作对偶均衡研究

文章从竞争对手角度出发,提出合作对偶均衡:博弈双方自身支付矩阵能准确获知,其自身策略集不能准确获知,但可估计其策略集落在一有界对称闭集且是混合策略集子集内,双方同时做出决策,使得对手成本最低。接着采用鲁棒优化技术和对偶理论进行研究,得到:当自身不确定策略集中元素取l2-范数时,双方成本同时最低的问题可转化成一个二阶锥互补问题。当不确定策略集中元素取l1∩∞-范数时,双方成本同时最低问题可转化成一个混合互补问题。最后选取一个数值算例,对模型的合理性和有效性进行验证。

基于松散条件下协同学习的中文微博情感分析

传统的协同学习算法需要2个充分冗余的特征视图,而在多数情况下达不到特征充分冗余的要求,为此提出松散条件下的协同学习框架.利用支持向量机算法和长短期记忆网络(LSTM)算法分别建立基于向量空间模型的微博特征视图和基于语义相关的词向量特征视图,在2个视图上进行协同学习.针对未标注样本的选择,提出结合主动学习中的不确定策略和协同学习中的最高置信度策略的选择策略,从不同角度充分利用未标注样本中包含的信息量.实验结果表明,在中文微博情感极性研究领域,提出的选择策略与传统选择策略相比,能够提高分类器的性能,并且利用松散条件下的协同学习框架实现微博情感分析性能.

动态神经网络分类器主动学习算法及其智能控制应用

针对动态神经网络分类器训练时采样时间长、计算量大的问题,提出一种动态神经网络分类器的主动学习算法。根据主动学习AL(Active Learning)算法中一种改进型不确定性采样策略,综合考虑样本的后验概率及其与已标记样本间的相似性,标注综合评价得分值较小的样本,将其用于对网络分类器的训练。通过Sobol’敏感度分析法,神经网络适时地增加敏感度值较大或删减敏感度值较小的隐层神经元,以提高其学习速率,减小输出误差。分类器训练仿真实验结果表明,与被动学习算法相比,该算法能够大大缩短网络分类器训练时间,降低其输出误差。将该算法用于液压AGC系统中,实验结果表明,该算法可实现系统中PID控制器参数的在线调节,提高了厚度控制精度,以此验证了该算法的适用性。

结合情感词典的主动贝叶斯文本情感分类方法

提出一种改进的结合情感词典的主动贝叶斯情感分类方法(SLAB).为了证明提出方法的有效性,选用康奈尔影评数据集和互联网电影资料库(IMDB)数据集作为实验数据,并与基于不确定性采样策略的主动学习方法进行比较.结果表明:文中提出的方法在较少的标注训练集下,能够取得更高的分类准确率,一定程度上解决了基于不确定性采样策略的主动学习方法中的误差累积问题.

解读苏珊·桑塔格作品中的“反对阐释”

苏珊·桑塔格的《反对阐释》一文使她成为大众视野里代表先锋文学的偶像,她的作品也深刻体现了她的先锋理论。本文尝试通过解读她的小说《恩主》《死亡之匣》中的不确定策略解读她的＂反对阐释＂先锋理论。