股票遴选与投资业绩——基于属性约简及动态时间规整距离

评价风险资产价值的指标(属性)有很多,以少量指标(属性)从数以千计的风险资产中筛选出有投资价值的资产对投资业绩影响重大。本文以股票市场为例,提出了基于属性约简及动态时间规整距离的股票遴选方法。首先利用基于属性重复度的改进属性约简算法筛选出能区分股票投资价值的约简属性集,之后将单指标动态时间规整算法拓展到多指标,建立股票间基于约简属性集的多维动态时间规整距离集,利用聚类技术对规整距离集进行聚类并通过拆分规整距离对股票进行类别划分,遴选收益-风险特征均较好的类别中的股票构建资产池。数值试验表明:随机模拟权重和均等权重投资组合的累积收益率均高于市场基准,且资产的优化配置进一步改善了投资组合的收益-风险特征。该方法通过属性约简降低了投资者评价股票投资价值的难度,通过多维动态时间规整距离度量了不同股票关于各指标(属性)时间序列变动趋势的相似程度;遴选过程基于历史数据,避免了主观因素的影响,且筛选结果具有稳健性。此外,该方法适合于一般风险资产的遴选,还可以将不同市场不同行业考虑在内,以便更好地实现分散化投资。

仿射传播和谱聚类的船舶轨迹聚类

针对谱聚类算法中常用的K-means算法对特征向量空间进行聚类初始值敏感等问题,提出了一种新的基于仿射传播(AP)的谱聚类算法。首先,利用动态时间规整(DTW)距离度量各船舶自动识别系统(AIS)轨迹之间的结构相似性,得到距离矩阵;其次,使用快速AP聚类算法改进传统谱聚类算法,基于指定的类别数对内河桥区水域船舶AIS轨迹数据进行实例验证。仿真实验结果表明:本文算法在不增加时间复杂度的基础上,比传统谱聚类算法有更高的鲁棒性,且实验准确率提高5.24%。

基于Kinect骨骼信息的手势识别

为了提高手势识别的精度和鲁棒性,设计了一套基于Kinect获取的骨骼信息的手势识别算法。该算法首先检测手势的起始点与结束点,然后在截取的图像中提取手势特征,最后用距离加权动态时间规整算法计算测试样本与模板的相似度,得出手势识别结果。通过对常用鼠标手势进行测试表明:本方法可以取得较高识别率,而且不受光照条件影响。

移动终端手势识别中DTW匹配算法研究

针对现有手势识别算法中存在的计算量复杂、识别率低和效率差等不足,提出一种基于L-ADTW的移动终端手势识别的匹配方法,利用手机内置加速度传感器进行手势识别,采用差分检测方法自动检测出有效手势序列,用改进的起始松弛点对有效手势序列进行校准,使用L-ADTW匹配算法进行有效手势序列段匹配,并将匹配结果与优化阈值比较分析。实验结果表明,提出的L-ADTW算法,在保证手势匹配高效的前提下,使等错率降到2.5%,认证成功率提高了5.37%。