Copula模型的改进及其应用

Copula模型能精确计算投资组合尾部风险,弥补Person相关系数的不足。文章基于信用风险Cop⁃ula模型,探讨了不同抽样算法在信贷投资组合中的应用问题,优化重要性抽样和交叉熵算法,测试了高斯及t-Copula模型的风险计算算法,并通过数值模拟予以检验,结果表明:朴素蒙特卡罗模拟的精度和效率较低;重要性抽样算法通过解析逼近显著降低计算方差,提高精度,但求解复杂且耗时;交叉熵算法同样有效,但需自适应算法求解优化问题。算例分析结果表明,基于不同场景选择Copula模型,可提高信贷投资组合风险计算精度和效率。

基于混合高斯模型与Copula函数结合的光伏电站功率相依结构建模

考虑光伏电站输出功率概率分布特点以及光伏电站间输出功率的相关性,结合混合高斯模型(GMM)和混合Copula函数,提出一种光伏电站间输出功率相依结构模型。以青海2个光伏电站的实测数据为例进行分析,对原始数据进行清洗,基于此将提出的模型与常规基于核密度估计的Copula函数模型进行对比,验证所建模型的有效性。

用于多目标跟踪的高斯混合轨迹预测模型

针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

基于高斯Copula联合回归模型的新药最优剂量选择

传统新药安全性有效性评价通常假定安全性有效性独立,实际上,安全性有效性指标经常存在一定的内在联系。因此,本文建立了新药安全性有效性指标高斯Copula联合评价模型,有效解了决安全性有效性指标相关问题,并进一步讨论了最优剂量选择标准。模拟结果表明,所建立模型和剂量选择标准一致优于传统方法。

基于层次分解、主成分分析和高斯混合模型的火成岩岩性识别——以惠州26洼古潜山为例

火成岩油气成藏规律复杂,受到火山运动、强构造运动以及风化剥蚀等叠加影响,火成岩的化学成分和结构构造复杂多样,非均质性极强,采用常规岩性识别方法难以一次性将所有岩性准确识别。借鉴层次分解思路,以惠州26洼古潜山为例,提出了一种火成岩岩性测井识别分类方法:综合考虑火成岩地质分类原则和测井响应特征来确定岩性识别层级,基于这种层次性的分类原则,在每一层次定量优选岩性识别敏感参数,建立研究区岩性识别优选层级;在明确岩性识别优选层级的基础上,逐级逐次使用主成分分析(PCA)和高斯混合模型(GMM)对岩性进行判别并确定其计算函数,建立分级优选岩性识别模型,最终达到整体岩性区分的目的。研究结果表明,研究区辉绿岩和闪长岩识别正确率分别为87.31%和84.32%,未分级未优选辉绿岩和闪长岩识别正确率为60.45%和54.88%,分级未优选其岩性识别正确率为69.61%和67.04%,有效提高了研究区的复杂岩性识别精度。该方法的提出对提高火成岩岩性识别精度提供了一种思路,也为研究区古潜山火成岩岩性精确识别提供了参考依据。

基于扭曲混合Copula函数的均值-ES模型的构建与应用

考虑到金融资产间的极端尾部相依结构对投资组合风险优化的影响,构建基于扭曲混合Copula函数的均值-ES模型,通过扭曲函数来刻画金融资产间的极端尾部特征,获得一定预期收益下的投资组合优化策略。首先,将均值-ES模型中用于刻画相依结构的协方差矩阵扩展为可以描述极端尾部相依结构的扭曲混合Copula函数,构建了基于扭曲混合Copula函数的均值-ES模型;其次,提出了基于该模型的ES估计算法;最后,通过数值模拟和实证研究说明了该模型用于刻画极端尾部相依结构特征并进行投资组合优化的效果。数值模拟的结果表明,基于扭曲混合Copula函数的均值-ES模型适用于具有极端尾部相依结构特征的数据集;利用该模型进行投资组合优化后收益明显提升,风险显著降低。实证研究的结果表明,该模型能显著提升最优投资组合的样本外策略表现,同时返回检验的结果也验证了使用该模型对投资组合优化进行风险预测的准确性。因此,基于扭曲混合Copula函数的均值-ES模型弥补了传统投资组合风险优化模型中忽略极端尾部风险的不足,推动了扭曲混合Copula函数在投资组合风险优化中的应用研究。

基于非凸熵最小化与高斯混合模型聚类的电容层析成像图像重建

基于压缩感知原理提出了一种构建非凸熵(NE)函数作为正则化项的方法,在有效缓解电容层析成像(ECT)病态性逆问题的同时可保证解的稀疏性,并采用快速迭代阈值收缩算法(FISTA)求解以加快收敛速度。对所得解通过高斯混合模型(GMM)进行阈值寻优,采用期望最大化算法(E-M)更新模型参数,从而构建NE-GMM算法。仿真及实验结果均表明:与LBP、Landweber、迭代硬阈值(IHT)、ADMM-L1及NE算法进行了对比,该算法所得重建图像质量最优,对中心分布及多物体分布的保真度进一步提高,仿真实验重建图像的平均相对误差和相关系数分别为0.4611及0.8827,优于其他5种算法。

天然气泄漏扩散实验与高斯预测模型优化

众所周知,掌握天然气扩散规律是天然气泄漏监测方案设计的重要依据,其中利用高斯模型来预测天然气泄漏扩散规律已成为天然气事故风险评估和安全疏散的重要技术,但目前还没有适用于天然气等轻气泄漏扩散浓度测量的实验装置。为解决高斯预测模型对天然气泄漏扩散预测精度较低的问题,采用天然气扩散浓度监测实验平台,借由阵列布置的激光甲烷浓度探头测量不同风速和不同泄漏速率下,扩散下游空间内不同高度和位置的甲烷浓度,进一步修正了高斯扩散模型中的抬升高度和侧向、垂向扩散系数。研究结果表明:①自主设计的甲烷浓度监测实验平台,可实现下游扩散空间内任意位置的泄漏气云捕捉和分布式浓度测量;②天然气泄漏的气云抬升现象不明显,仅在无风、泄漏速率较小时出现了明显的气云向上抬升。结论认为,通过实验优化后的高斯扩散模型计算精度显著提升,对比查表获取的经验参数,本研究优化后的高斯模型预测扩散浓度偏差由33%降低至16%,显著降低了预测误差,成果对天然气泄漏风险评估与泄漏监测系统的设计具有重要指导意义。

基于高斯混合模型的采煤工作面冲击危险性评价

【目的】深入了解声发射或微震能量分布所蕴含的概率学信息,对于工作面回采过程中的冲击危险性评价具有重要意义。【方法】以陕西大佛寺煤矿4号煤层40111工作面作为工程背景,运用物理相似模拟实验、理论分析、现场监测等相关方法进行分析,研究了声发射监测数据在回采过程中的演化规律,阐明了声发射能量概率分布呈现波动性的物理意义,提出了基于高斯混合模型(Gaussianminture model,GMM)及置信区间的冲击危险性评价指标模型,并由现场微震数据进行验证。【结果和结论】结果表明:回采过程中上覆岩层周期性垮落并伴随声发射能量的集中释放。总能量的概率密度函数呈现多自由度的非对称分布,通过对比残差平方和等多项拟合效果指标,确定高斯混合模型为最佳拟合模型。基于EM(expectation maximization)算法的GMM聚类分析,将声发射事件总能量分布划分为两类:高频低能型和低频高能型,其中低频高能型与冲击事件的突发性和高能量破坏特征一致。依据概率-能量梯度变化特征,对工作面开采过程中冲击危险性进行了评估。研究成果为采煤工作面冲击危险性评价提供了概率学上的创新思路,具有在冲击地压监测预警及后续防治中的潜在应用价值。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

基于高斯混合模型的物联网通信链路异常检测

物联网涉及各种类型的设备、传感器和通信技术,链路异常的表现也各不相同,对于链路异常检测带来了挑战,为了精准地检测出移动物联网通信链路异常,提高通信质量,提出一种基于高斯混合模型的物联网通信链路异常检测方法。通过离散小波变换中的Mallat分解算法对移动物联网通信链路接收到的信号矢量展开小波分解,重构通信链路信号,并对重构后链路信号中的干扰部分展开白化处理,实现移动物联网通信链路干扰抑制。构建高斯混合模型,通过EM算法对高斯混合模型展开参数估计,利用完成参数估计后的模型展开移动物联网通信链路异常检测。实验结果表明,所提方法可以有效抑制通信过程中的干扰,同时还可以得到高准确率和高效率的通信链路异常检测结果。

基于改进混合高斯模型的运动目标检测方法

智能监控系统全自动实时监控,利用计算机视觉技术和计算机数据处理能力自动识别视频源中的关键信息,可以快速准确地定位异常行为并预警。运动目标检测作为智能监控系统智能分析模块的基础,是智能监控系统中目标识别、异常行为分析及应对策略的基础。本文分析常用的运动目标检测方法,针对混合高斯模型在运动目标速度过慢、光照突变情况下产生空洞的问题,采用一种基于三间帧差法的混合高斯模型目标检测方法,该方法结合三间帧差法通过差分图像获取运动轮廓,具有计算简单、实时性强的优势,以及高斯背景模型减除法获取目标内部信息完整的优势。经实验验证表明该方法实现程序简单,能够有效地检测出背景中的运动目标,满足实时检测的需要。

基于深度学习和高斯混合模型的异常识别算法

现有的异常识别方法无法兼顾与人有关的异常行为识别和与人无关的异常现象识别,且在目标有遮挡的情况下识别率较低。针对上述问题,提出基于深度学习的网络框架对正常帧的人体姿态的结构特征片段进行训练,片段化训练使得算法具有抗遮挡能力。此外,为了识别与人无关的异常情况(如汽车、自行车、遗留物等),提出使用改进的自适应K值的高斯混合模型对视频背景进行建模,从而对与人无关的异常情况进行提取。实验表明,算法在公开数据集Avenue和ShanghaiTech上的异常识别AUC分别提升了0.025和0.034。

基于高斯混合模型聚类的双馈风电场动态等值建模方法

针对风电场动态运行条件下等值建模精度偏低、聚类依据不足的难题,提出一种基于高斯混合模型聚类思想的风电场等值建模方法。首先,分析单台双馈感应式风力发电机在低电压穿越期间的动态响应特性,根据响应特性的集群特征构建聚类指标。然后,提出基于高斯混合模型动态初步聚类、优化聚类数目的两阶段等值建模方法,推导出赤池信息和贝叶斯信息准则下聚类数目的寻优算法。以典型中等规模风电场为例,在Matlab/Simulink平台进行不同故障穿越条件的仿真测试,结果表明所提风电场等值建模方法聚类有效、精度高。

基于遗传-模拟退火算法修正高斯烟羽模型参数

高斯烟羽模型由于受到地形地貌与气象条件等因素的影响,难以准确反映大气的实际扩散过程。为解决上述问题,首先在经验参数作为先验值的基础上,通过遗传算法对实际观测数据进行参数反演修正,根据观测结果调整模型参数,提高模型的准确性;然后,为进一步优化参数修正结果,引入模拟退火算法,通过随机搜索和逐步降温的策略来跳出遗传算法可能陷入的局部最优解,进一步改善模型的性能。为了评估修正效果,建立一个基于权重的模型值与观测值之间差异的适应度函数,通过比较修正前后的误差率来判断参数修正对高斯烟羽模型的影响程度。仿真实验的结果表明,所提出的遗传-模拟退火算法模型能够有效地修正高斯烟羽模型中的扩散参数,修正后的模型在预测污染物浓度方面的误差率下降了89.40%。所提模型可为环境保护和污染防治提供重要的理论支撑和决策依据,具有较大的应用潜力。

基于高斯混合模型的无向网络重构

从数据中推断网络的结构作为复杂网络中一个重要科学问题已得到广泛关注.现有的网络重构方法大多将网络重构问题转化为一系列线性方程组的求解问题,然后通过某种截断方法对每个方程组的解进行截断,从而确定每个节点的局部结构.然而现有的截断方法大多存在着精度不足的问题,且少有方法衡量每个方程组解的可截断性,即节点的可重构性.为了解决这些问题,本文提出了一种基于高斯混合模型的无向网络重构方法.该方法首先将节点间连接关系的推断问题转化为一个聚类问题,然后利用高斯混合模型进行求解,得到每个节点与其他节点的连接概率,并根据概率定义一个基于信息熵的可重构指标,从而在真实网络结构未知的情况下衡量每个节点的可重构性.将该方法用于无向网络中,可以利用无向网络的对称特征,将可重构性高的节点作为训练集指导可重构性低的节点进行结构推断,从而更好地重构出无向网络.最后,通过在合成数据和真实数据上与现有的截断方法进行比较,证明了该方法可以更有效地重构出网络结构.

耦合变密度地下水流降阶模型与高斯过程的蒙特卡罗模拟

变密度地下水流系统受水力梯度和密度梯度共同驱动,非线性强,数值模型计算量大,尤其在开展不确定性分析时需要的计算成本很高。常规的数据驱动机器学习方法只能对点监测信息进行模拟分析,不能模拟整个地下水流系统。本研究发展了变密度地下水流降阶模型,利用高斯过程模型对降阶模型的数值误差进行修正组成耦合模型。耦合模型既能克服高斯过程只能模拟有限监测点信息的缺陷,又能提高降阶模型对监测点信息的模拟精度。考虑二维剖面变密度地下水流案例,将渗透系数场设定为空间随机变量,采用基于全阶模型(FSMC)、降阶模型(ROMC)和耦合模型(GP-ROMC)3种蒙特卡罗模拟方法进行不确定分析。研究结果表明:(1)ROMC能替代FSMC开展不确定性分析;(2)水头和盐度的平均相对二范误差与降阶模型维度的关系可用指数函数描述(决定性系数R2≥0.99);(3)GP-ROMC对监测点信息的模拟精度比ROMC高,GP-ROMC可有效修正降阶模型误差提高蒙特卡罗模拟的精度。研究成果可为地下水建模、不确定性分析、风险评估及参数反演等工作提供重要技术支撑。

基于高斯增强模块的相机模型辨别

在多媒体取证中,高通滤波器是卷积神经网络常用的预处理层之一,用于抑制图像内容的影响,只强调高频特征。但与此同时,其他一些包含取证痕迹的有用信息也将被不加区别地剔除。为了解决这一问题,文中提出了一个简单而高效的高斯增强模块(Gaussian Enhancement Module,GEM)来提取“扩展的”高频特征,即在维持原有特征强度的基础上增强高频细节信息。GEM由两个连续的一维低通高斯滤波器组成,以获得一个模糊版本的特征图,并进一步得到相应的扩展高频残差。通过以高频残差作为空间掩膜,它可以自适应地强化脆弱和细微的低级取证特征,并防止在特征传递过程中出现衰减现象。在相机模型辨别数据集上进行实验,通过将该模块插入多个主流骨干网络,GEM仅仅带来非常轻微的模型复杂度的增加,网络性能和鲁棒性却显著提高,表明该模块支持“即插即用”,与特定的网络架构无关。

免疫粒子群算法在修正高斯模型下的源强反演

为提高危险气体泄漏溯源定位的科学性和实效性,确定危险气体泄漏位置和强度是事故应急响应的关键。首先,根据质量守恒定律,分析、改进近似高斯分布的气体羽流扩散幅度,修正高斯烟羽模型;然后,基于免疫浓度筛选机制作为主策略的免疫算法(IA),通过与粒子群算法(PSO)耦合,将混合免疫粒子群(PSO-IA)算法应用到源强反演中;最后,验证PSO-IA算法溯源定位效果。结果表明:与模式搜索法(PS)、遗传算法(GA)、PSO相比,修正高斯烟羽模型预测值误差均下降2%左右;混合PSO-IA算法相较PSO算法反演源强效果有明显提升,其算法定位误差为1.3 m,求解源强误差为0.8%,单次计算时间小于1 s,能实现快速、准确定位并估算源强度。

基于高斯混合模型的分布因子聚类方法

随着信息技术的发展,人类社会产生的数据规模越来越庞大、形式越来越复杂,对聚类分析形成了巨大挑战。在越来越多的应用场景中,观测数据具有相互关联、层次嵌套的结构,使传统聚类方法难以直接适用。通常的解决方案是采用特征工程方法将观测信息压缩为低维特征向量进行聚类,但这将带来不可避免的信息损失。为充分利用观测数据,本文以分布函数表示聚类对象,大幅降低信息损失,进而提出基于高斯混合模型的分布因子模型。该模型将聚类对象的观测数据分解为两部分,一是以高斯成分表示的公共因子,反映数据中具有共性的典型模式;二是载荷矩阵,矩阵中每个载荷向量反映个体的异质性特征。估计得到载荷向量后即可对不同个体实现聚类划分。本文提出的方法具有优良的统计学效率,能够证明在一定假设条件下聚类误差率能够随着观测个体数目的发散而趋近于0。基于模拟数据和股票收益、大气污染实际数据的实验表明,该方法能够区分具有不同特征模式的个体,解决多维数据的分布函数聚类问题,并为金融风险管理、空气质量的差异化治理等现实问题提供决策支持。