基本概率预期下灰霾治理的最小化风险策略

文章在Sleator竞争比分析方法的基础上进行拓展研究,构建基本概率预期下灰霾治理的最小风险策略模型,并使用统计学的原理进一步验证,把概率预期和统计学结合起来对灰霾治理的最优策略进行论证分析。认为当灰霾治理的收益预期较大时无法求出最小风险策略,当灰霾治理的收益预期小于最大水平时可以分为小概率情况和大概率情况两种类型,通过把概率论和统计学结合使用求解最小化风险策略,基本概率预期可以确定小概率情况下的最优解,统计学算法可以在基本概率预期前提下确定大概率情况下的次优解。

基于危险天气不确定性的最小风险路径规划方法

为降低飞行过程中遭遇危险天气的概率,同时避免大范围绕飞导致的路径与耗油增加,针对航路中的雷暴、积冰和颠簸天气,使用数值预报和概率预报,面向航前飞行计划,提出一种基于危险天气不确定性的最小风险路径规划方法.首先,基于概率预报数据使用配料法和C-F模型计算雷暴发生概率,基于数值预报数据计算积冰预测指数和颠簸预测指数;然后,融合多类型危险天气,提出一种具备风险标识的栅格化地图;在此基础上,改进传统路径最短的规划算法,构建以风险最小化为目标的Dijkstra和A^(*)算法;最后,使用2023年4月3日华中地区强对流天气预测数据建立风险地图,使用上述改进算法与传统Dijkstra、A^(*)和RRT算法进行路径规划并对比分析.结果表明,传统Dijkstra和A^(*)算法可计算得到最短飞行路径,而改进的A^(*)算法可计算得到总风险最小路径;若综合考虑飞行风险与路径长度,改进的Dijkstra算法最为适合.

药品风险最小化评价研究报告规范解读

目的通过介绍国际药品风险最小化评价研究(pharmaceutical risk minimization evaluation studies,RIMES)报告规范(RIMES报告规范)条目并开展实例解读,帮助实施者和读者更好理解并应用RIMES清单工具。方法总结药品风险最小化项目的特点及研究现状,同时基于翻译完整过程(translation integrity procedure,TIP)经过前向、后向对译等多环节,完成RIMES清单翻译并开展实例解读。结果梳理RIMES清单所包含的关键信息、研究设计、实施和评价等4个维度共43个条目。结论随着全球药物警戒管理机构进一步的推行,RIMES报告规范将为RIMES提供重要的框架指导。

基于结构风险最小化原则的奇异值分解降噪研究

针对奇异值分解降噪中矩阵有效秩的阶次难以确定的问题,提出了利用结构风险最小化原则来确定矩阵的有效秩阶次的新方法。该方法依据统计学习理论,把有效秩阶次的选择看作是一个学习过程,利用结构风险最小化原则来代替传统的经验风险最小化,从而自动得到奇异值分解降噪中矩阵的有效秩。仿真表明,该方法不但具有较好的降噪精度和算法稳定性,而且降低了消噪模型算法的复杂度。

决策风险最小化属性约简

决策粗糙集模型下目前定义的属性约简都要求约简前后正区域保持不变或者非负区域不变等,而属性约简所带来的区域变化的好坏却无法判断,只能人为地偏向于保持或增大正区域或非负区域,这在理论性和可解释性上存在一定的困难。属性减少所带来的前后区域变化实际上是由决策风险所决定的,基于此提出一种与各个区域无关基于决策风险最小化的属性约简,使得决策者基于约简后的属性集合所作的决策风险最小。约简只与决策风险相关,不再通过区域变化来解释,使得定义的约简在理论性和可解释性上更强。

一种有效的基于风险最小化的属性约简算法

基于粗糙集理论定义的属性约简大都要求约简前后正区域保持不变或者非负区域不变.在概率型决策粗糙集模型下,决策区域和决策规则与属性增减之间并不具备单调性.因此,决策者基于约简后的属性集合所作的决策风险最小就变得非常有意义.针对这种与各个区域无关的基于决策风险最小化的属性约简进行了研究.考虑到不同属性对决策表的决策分类能力不同,提出了基于决策粗糙集模型的属性重要性概念,设计了一种有效的基于属性重要性的决策风险最小化启发式属性约简算法.实例分析与对比实验结果说明新方法是有效的.

基于结构风险最小化的径向基插值

分析了径向基插值代理模型的特点,为了提高代理模型的推广能力,引入了结构风险最小化基本原理;指出基函数满足Mercer条件的径向基插值代理模型,本质上也是一类高维分类超平面;文中推导了径向基插值的VC维度与构成径向基插值函数的常数项的导数关系,为此提出了基于结构风险最小化的径向基插值。最后若干函数测试表明基于结构风险最小化的径向基插值提高了代理模型的推广能力。

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。

小波神经网络学习的结构风险最小化方法

针对大噪声、小样本情形下神经网络学习的外推能力弱这一突出的问题,根据统计学习理论中结构风险最小化准则的基本原理,提出了一种基于小波神经基元频率谱分布的小波神经网络阵列结构和基于小波多分辨逼近、综合风险分析的小波网络学习算法.该方法充分发挥了小波神经网络的优点,理论基础可靠,实际意义明确,算法实现简便,自适应性强.仿真实验结果和应用实例说明了该方法对于非线性系统在线辨识的有效性,同时也为统计学习理论的工程应用提供了新的途径.*

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.

基于结构风险最小化的加权偏最小二乘法

为了在偏最小二乘法(PLS)建模过程中实现结构风险最小化(SRM),提出基于结构风险最小化的加权偏最小二乘法(WPLS)。WPLS先提取训练样本中的主元,然后使用支持向量机(SVM)训练算法计算训练样本权值,最后计算原始论域中的回归模型。该算法保留了PLS能有效地提取对系统解释性最强的信息的优点,并通过样本权值提高模型的泛化能力,从而实现SRM准则,所建立的模型具有可解释性。仿真计算证明了模型的有效性。

加权行和指标下组合证券投资风险最小化迭代算法

本文在分别研究无非负投资比例系数约束及有非负投资比例系数约束下最小风险组合证券的充要条件的基础上,提出了两种以收益率协方差矩阵的加权行和为指标的迭代算法。证明了算法分别收敛于两种约束下组合证券投资的最小风险。并给出一个七阶的组合证券投资风险最小化的计算实例。

基于联合属性重要度的决策风险最小化属性约简

经典粗糙集属性约简基本都是保持正域、负域和边界域不变,而决策粗糙集对属性的增减过程不具备单调性,因此不可能同时保持3个区域均不变。在决策粗糙集模型中,作出决策更应该考虑风险最小化原则,因此提出一种改进的风险最小化属性约简方法,在属性的选取过程中同时考虑所选取的属性子集对决策的划分能力,即联合属性重要度以及风险最小化。实验证明所提方法是有效的。

基于结构风险最小化和全最小二乘法的色彩校正

该文提出了一种局部回归色彩校正算法。该算法从结构风险最小化原理出发,提出以全最小二乘法残差为经验风险,选取校正颜色点的K近邻域,采用局部回归进行色彩校正。实验结果表明该文算法在精度和鲁棒性方面均优于多重回归校正以及分区回归校正,其平均误差、最大误差,误差标准差分别下降了46%(27%),57%(21%),42%(20%)。

横向型虚拟企业订单分配风险最小化模型及其免疫算法

横向虚拟企业订单分配风险是指各成员在订单任务分配后,不能够按规定的交付期交付,或虽然能够按时,但成员为此付出的成本过高而给企业造成损失,其风险最小化的要求是:在各成员产能平衡的前提下,通过优化的生产任务分配方案,使整个制造和分销网络的成本最低。文章分析了横向型虚拟企业联盟订单处理中的风险生成机理,提出了订单分配风险最小化模型,并利用免疫算法对模型进行求解,通过应用实例验证了模型和算法的可行性。

Sugeno测度空间上局部风险最小化估计的界

在Sugeno测度空间上,为了将结构风险最小化原则应用于局部函数估计问题,给出了局部风险最小化估计问题的思想,并证明了局部风险最小化估计的界.

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。

一种实现结构风险最小化思想的结构自适应神经网络模型

本文提出了一种实现结构风险最小化思想的结构自适应神经网络学习模型,该方法运用遗传算法进行神经网络结构参数的学习,运用BP算法进行神经网络内部权值学习,有效地实现了结构风险最小化思想。与传统的基于经验风险最小的神经网络模型相比,它具存更强的自适应能力,能够弥补学习方法本身的缺陷,充分保证了模型的泛化能力。最后,将本文方法应用于非线性时间序列预测和模式识别,并与基于结构风险最小原则的支持向量机学习模型进行了比较,算例充分表明了本文方法的正确有效性。

基于风险损失最小化的供应链赊销决策模型

在产品价格可变动的情况下,将赊销方的赊销合同描述为三元组函数,分析了当存在信用高和信用低2种不同的赊销客户时,赊销方由于信息不对称无法准确判断客户信用水平而造成了赊销货款的损失。根据以上损失,从赊销损失最小化的角度,建立了存在拖欠概率影响下的赊销决策模型,并给出了其Kuhn-Tucker条件。同时,对存在担保和不存在担保2种情况下的赊销情况给出了相应的赊销决策机制,并分析了在该机制下赊销额度、赊销价格和第三方担保对赊销风险的影响。