基于复随机样本的结构风险最小化原则

统计学习理论目前是处理小样本学习问题的最佳理论.然而,该理论主要是针对实随机样本的,它难以讨论和处理现实世界中客观存在的涉及复随机样本的小样本统计学习问题.结构风险最小化原则是统计学习理论的核心内容之一,是构建支持向量机的重要基础.基于此,研究了基于复随机样本的统计学习理论的结构风险最小化原则.首先,给出了标志复可测函数集容量的退火熵、生长函数和VC维的定义,并证明了它们的一些性质;其次,构建了基于复随机样本的学习过程一致收敛速度的界;最后,给出了基于复随机样本的结构风险最小化原则,证明了该原则是一致的,同时推导出了收敛速度的界.

基于模糊随机样本的结构风险最小化原则

基于模糊随机样本,提出了熵、退火熵、生长函数和VC维等概念,并在此基础上构建了基于VC维的学习过程一致收敛速度的界;给出了基于模糊随机样本的结构风险最小化原则(FSSRM原则),证明了基于FSSRM原则下收敛速度渐进分析的相关性质。

基于β-混合输入的经验风险最小化回归的学习速率(英文)

研究最小平方损失下的经验风险最小化算法是统计学习理论中非常重要研究内容之一.而以往研究经验风险最小化回归学习速率的几乎所有工作都是基于独立同分布输入假设的.然而,独立的输入样本是一个非常强的条件.因此,在本文,我们超出了独立输入样本这个经典框架来研究了基于β混合输入样本的经验风险最小化回归算法学习速率的界.我们证明了基于β混合输入样本的经验风险最小化回归算法是一致的,指出了本文所建立的结果同样适合输入样本是马氏链、隐马氏链的情形.

基于随机粗糙样本的结构风险最小化原则

提出了退火熵,生长函数和VC维等概念,构建了基于VC维的学习过程一致收敛速度的界。然后以这些界为基础,给出基于随机粗糙样本的结构风险最小化原则。最后证明该原则是一致的并且推导出了关于渐近收敛速度的界。

粗糙随机样本的结构风险最小化原则

介绍了粗糙随机理论的基本内容,提出了退火熵、生长函数和VC维等概念.并在此基础上构建了基于VC维的学习过程一致收敛速度的界;随后给出了粗糙随机样本的结构风险最小化原则;最后证明了在此原则下收敛速度渐进分析的一些相关性质.

双重随机样本的结构风险最小化原则

提出退火熵、生长函数和VC维等概念,构建基于VC维的学习过程一致收敛速度的界。以这些界为基础,给出基于双重随机样本的结构风险最小化原则。最后证明该原则是一致的并且推导出了关于渐近收敛速度的界。

拟概率空间上结构风险最小化原则

首先,给出了拟概率空间上结构风险最小化原则。然后,为了解决在拟概率空间上结构风险是否一致收敛到期望风险,也就是根据这个最小化原则结构风险是否能收敛到最小可能的风险,给出并证明了结构风险最小化原则的一致收敛性。

m依赖过程经验风险最小化算法的泛化性能

m依赖过程作为非独立序列的典型样本,其经验风险最小化的泛化性能不容忽视.为了研究基于m依赖过程经验风险最小化算法的推广能力,我们将基于独立同分布序列的相关结论推广到m依赖过程情形中,进一步利用m依赖过程的Bernstein不等式,建立该序列经验风险最小化原则一致收敛的指数界.

基于噪声样本的结构风险最小化原则

统计学习理论中的结构风险最小化原则比经验风险最小化原则的实用性更强,对结构风险最小化原则的研究多是在样本不受噪声影响前提下进行的.基于此,给出零均值噪声样本的函数集容量的相关概念,并讨论了基于VC维的收敛速度的界,给出零均值噪声样本的结构风险最小化原则,为进一步研究概率空间上噪声样本的学习理论提供了理论基础.

交易成本最小化原则与事实认定问题

通常,司法裁判的过程被理解为'三段论'的涵摄过程,司法裁判是以法律规范为大前提、事实为小前提、将法律规范运用于事实而推导出结论,此即判决的过程。由此可见,事实认定不仅是法院审理案件的必经程序,还是法律适用的前提和基础。然而,由于事实认定的过程是法官根据诉讼中所获取的有限信息对已成为历史的案件事实进行重构并予以法律评价的过程,它涉及人的认知能力的局限性、当事人及其他诉讼参与人的诉讼行为、法官的心证过程、社会对法律的价值期待等一系列复杂问题,可谓司法上由来已久和最难解决的问题之一。事实认定的困难被法律经济学通约为司法的交易成本。进一步,依照法律经济学的思路,司法活动规则应该有利于节省司法的交易成本,实现交易成本的最小化。然而,交易成本最小化原则在司法事实认定的意义尚未引起足够重视。本文试图抛砖引玉,引起更多关注。在司法裁判中,我们首先界定交易成本最小化原则的含义,进而分析交易成本最小化在举证责任分配以及权利界定中运用,最后论证在事实推定中如何适用交易成本最小化原则以保障事实推定的合理性。

风险最小化：基金选择股指期货的理由

根据国外的经验，基金是参与股指期货的主体之一，那么基金如何利用股指期货呢？通常体现在以下四个方面。

银行风险处置路径的国际经验及我国实践

建立以存款保险为核心的商业银行风险处置机制已基本成为国际主流国家的共识,2015年《存款保险条例》实施后,我国的市场化、法治化的银行风险处置体系也在迅速完善。本文从分析国际存款保险风险处置经验入手,通过建立存款保险基金使用成本最小化分析模型,并引入美国银行真实处置数据进行实证分析,尝试提出符合我国制度实际的“存款保险基金使用成本最小化”风险处置路径。结论表明:一方面应当优先考虑银行系统的重要性,以确定是否采取持续经营救助的方式处置风险;另一方面对于非系统重要性银行,应遵循基金成本最小化原则,按照“全额收购与承接→部分收购与承接→过桥银行→破产清算”的顺序进行处置。此外,本文基于处置实务对未来《存款保险条例》的修订提出相关建议,以期为我国处置实践提供借鉴。

基于经验风险的中心文本分类算法

采用经验风险最小化归纳原则和梯度下降方法调整传统中心分类法的类别中心向量,解决了传统中心分类法因忽略训练集文本权值因素而导致的类别中心向量表达能力较差问题,得到了与支持向量机分类性能基本一致的一种改进的中心分类法.实验结果表明,该方法是提高中心分类法分类性能的一种有效方法.

银行风险处置模式及相关成本的国际比较

银行风险处置是金融供给侧结构性改革的一项重要工作,也是银行业健康持续发展的关键。本文首先对美、日、欧盟等主要国家的银行风险处置模式进行分析总结,得出由存款保险公司负责风险处置实际操作,承担主要处置成本已成为国际普遍做法。其次,在分析美国联邦存款保险公司近50年来处置成本数据的基础上,对不同处置模式下的存款保险基金使用成本进行比较,得出“成本最小化”原则下银行风险处置的最佳模式。最后,尝试提出符合我国实际的银行风险处置模式,以期为实现我国存款保险基金使用成本最小化,有序处置银行风险提供借鉴参考。

基于复拟随机样本的统计学习理论的理论基础

引入复拟(概率)随机变量,准范数的定义。给出了复拟随机变量的期望和方差的概念及若干性质;证明了基于复拟随机变量的马尔可夫不等式,契比雪夫不等式和辛钦大数定律;提出了拟概率空间中复经验风险泛函、复期望风险泛函以及复经验风险最小化原则等定义。证明并讨论了基于复拟随机样本的统计学习理论的关键定理和学习过程一致收敛速度的界,为系统建立基于复拟随机样本的统计学习理论奠定了理论基础。

受噪声影响的复hybrid样本的学习理论关键定理

结合机会测度理论和统计学习理论,提出了机会空间上受噪声影响的复hybrid样本的复期望风险泛函、复经验风险泛函以及复经验风险最小化原则的定义,给出并证明了机会空间上受噪声影响的复hybrid样本的学习理论的关键定理.

Sugeno测度空间基于复样本的统计学习理论

引入复g_λ随机变量、准范数的定义,给出了复g_λ随机变量的期望和方差的概念及若干性质;证明了基于复g_λ随机变量的马尔可夫不等式、契比雪夫不等式和辛钦大数定律;提出了Sugeno测度空间中复经验风险泛函、复期望风险泛函以及复经验风险最小化原则严格一致性等定义;证明并构建了基于复g_λ随机样本的统计学习理论的关键定理和学习过程一致收敛速度的界,为系统建立基于复g_λ随机样本的统计学习理论奠定了理论基础。

受噪声影响的复拟随机样本的STL关键定理

引入了拟概率空间上复拟随机样本受噪声影响的复经验风险泛函、复期望风险泛函、复经验风险最小化原则以及严格一致性的定义,提出并证明了拟概率空间上复拟随机样本受噪声影响的学习理论关键定理,为系统建立拟概率空间上基于噪声影响的复拟随机样本的统计学习理论奠定了基础.

复合ICA-SVM机械状态模式分类

提出了一种新颖的、基于独立分量分析 ( ICA)的复合神经网络 ,用于不同机械状态模式的特征提取。利用支持向量机 ( SVM)进行最终分类。与通常的基于经验风险最小化 ( ERM)原理的神经网络方法相比 ,基于结构风险最小化 ( SRM)原理的支持向量机分类方法具有更好的推广能力。而借助多个独立分量分析网络 ,隐藏于多通道振动观测信号中的不变特征得到有效提取 ,从而实现了支持向量机分类器在分类能力和推广性两者间的合理平衡。