基于近邻择优策略的股市羊群行为网络协同演化模型及仿真

基于股市投资者的有限理性特征,从投资主体的自我偏好和邻居主体的行为效应两个维度,构建近邻择优策略下的股市羊群行为网络动态协同演化模型,并通过理论分析和模拟仿真的方法来系统解构股市羊群行为演变的动力学特征。股市网络结构和邻居行为效应影响投资者的行为演化过程;近邻择优函数的凹凸性直接影响到投资者投资行为的动力均衡稳定;投资者网络的连通度和异质性与投资者投资行为均实现协同演变效应;投资者的初始状态基本不影响投资行为的动态均衡。文中建立的协同演化模型及研究结论阐述了影响股市羊群行为演化的特征要素,分析了动态环境下股市羊群行为网络协同演变的规律性特征,为金融管理部门制定宏观政策起到了一定理论支撑。

网络近邻择优策略下的股市羊群行为演化模型及仿真

以行为金融理论和复杂网络理论为基础,针对股市投资者行为的"模仿"性特征,从投资者自我心理偏好和近邻行为效应两个维度,构建网络近邻择优策略下的股市羊群行为演化模型,理论分析股市羊群行为的演化动力学特征,并进行模拟仿真。研究结果表明:投资者投资行为演化路径受股市网络结构和近邻择优效应影响;近邻择优函数的凹凸性直接关系投资者投资行为动力学均衡态的稳定性;股市网络连通度和异质性对投资者投资行为均衡演变趋势具有重要作用;初始投资行为状态特征对投资者投资行为均衡态影响较小。所建立的模型及分析结论在一定程度上阐述了影响股市投资者投资行为变化的特征要素,解释了股市羊群行为演变的内在性规律,为金融管理部门制定宏观政策起到了一定理论支撑。

近邻局部OMP稀疏表示图像去噪

目的基于分类的稀疏字典去噪算法改善了字典训练阶段的效率问题,但稀疏分解阶段仍是全字典匹配,影响算法运行速度。为了解决稀疏去噪算法在稀疏分解阶段因复杂矩阵运算及字典全局搜索导致的算法效率低,以及冗余的稀疏字典因无法描述图像具体特征而影响图像去噪效果的问题,提出改进算法。方法首先稀疏分解阶段,在原正交匹配追踪算法基础上引入字典原子聚类思想,提出局部正交匹配追踪算法,将全局搜索优化为局部搜索;为保证局部搜索仍能保持良好的匹配结果,提出近邻择优策略,计算聚类中心与信号原子的距离,从而按照某一阈值自适应地选择最优的n个子字典作为稀疏分解的匹配空间;最后将图像分解为内容簇和背景簇,对内容簇采用基于近邻的局部K奇异值分解(K-SVD)算法去噪,背景簇采用均值滤波方法去噪。结果对USC标准数据库中大量图像进行去噪实验,本文算法去噪结果的峰值信噪比值比K-SVD算法平均提高了1.53 d B,比2维块匹配(BM3D)算法平均提高了0.72 d B,比聚类的稀疏表示去噪(CSR)算法平均提高了0.5 d B;运行时间比原算法提高了23.2%。结论本文算法针对灰度图像去噪,在去噪效果及去噪效率方面均有改善,尤其对细节纹理较丰富的灰度图像去噪具有一定的应用价值。