基于谱映射的非线性Sharpe模型及其在基金投资风格识别中的应用

由于金融时间序列具有非线性的特点,经典的Sharpe模型难以全面、准确地描述经济变量之间的关系。为此,提出了基于谱映射的非线性Sharpe模型。谱映射的核心思想来源于经典的谱图理论。谱映射借助由数据集导出的一些特殊矩阵的部分特征向量,将该数据集投影至高维空间。在投影后的高维空间,数据集的有些性质得到改进,如原空间中线性不可分的数据集在高维空间线性可分。基于谱映射的非线性Sharpe模型,利用谱映射将基金收益率数据和风格指数收益率数据投影至高维空间,在高维空间利用经典Sharpe模型识别各基金的投资风格。利用基于谱映射的非线性Sharpe模型分析了部分开放式基金的投资风格。实验结果表明,本文提出的基于谱映射的非线性Sharpe模型的性能优于在原数据集上直接利用经典Sharpe模型得到的结果。

基于独立成分分析-谱聚类-Sharpe模型的开放式基金投资风格识别方法

本文提出了一种ICA、多路归一化割谱聚类和经典Sharpe模型相结合的开放式基金投资风格识别方法。利用以上方法分析了我国大陆地区部分开放式基金的投资风格。实证结果表明,我国开放式基金的趋同现象严重、投资风格发生漂移并且漂移方向大致相同。因此,有必要不断总结经验教训,不断完善相关法律法规,与此同时需要引进成熟的投资理念和投资策略。

过程控制工程课程混合式教学中学生学习风格模型的构建及应用实践

大学生线上线下混合式教学中存在问题产生原因之一是缺乏对网络环境下学生行为数据的分析,从而无法判断学生的学习风格。因而基于数据挖掘技术,利用网络学习平台收集过程控制工程课程学习行为数据,建立基于灰狼算法优化支持向量机构建多维度的学习风格模型,处理和预测其可能的学习风格。有助于教师及时掌握学生动态,调整线上线下混合式教学方案,实现因材施教的个性化教学模式。

基于驾驶风格的车辆模型预测控制研究

随着计算机技术和通信技术的不断发展,自动驾驶逐渐成为现实,一些辅助驾驶功能逐渐在车辆上普及。但自动驾驶技术还未成熟到可以完全代替驾驶人的地步,依然需要驾驶人结合车辆环境做出决策。而驾驶人在紧急情况下很难根据车辆周围情况做出最优判断。如果在事故发生前能预测驾驶人的行为并发出预警,则可在一定程度上避免部分交通事故的发生并降低严重事故的损伤程度。另外,驾驶人的驾驶习惯各不相同,车载辅助系统很难根据驾驶风格提供个性化的决策。为解决上述问题,文中以车辆换道行为为研究对象,构建用于驾驶风格识别的换道数据集,对驾驶风格进行聚类分析,并建立MPC(模型预测控制)车辆模型对不同驾驶风格的车辆进行预测控制。

基于多尺度风格自适应的手写维文识别模型

基于字符形态与书写风格的强关联性,提出一种多尺度风格自适应的手写维文识别模型,模型从浅层笔划到深层序列建模多尺度风格特征,提高对手写风格的自适应能力。针对手写维文特点改进Transformer提取多尺度笔划特征;构建多尺度风格自适应模块提取序列特征;构建特征泛化融合模块对笔划特征和序列特征进行深度融合,提升识别效果。实验结果表明,该模型在真实手写维文测试集WER、CER分别下降3.75%、0.19%,在IAM数据集中验证了模型迁移性。

基于扩散模型的SUV汽车前脸风格意象研究

人工智能的最新进展正在带来一种变革性的AI驱动的产品设计方法,对许多行业产生重大影响。本文提出了一种基于运动型多用途车前脸风格意象的情感设计方法,利用扩散模型辅助生成新的造型方案,通过眼动追踪技术对生成的样本进行评估,旨在帮助设计师了解AI驱动模式下,代表不同风格意象的SUV汽车融合后,消费者对融合前后样本前脸特征关注的重点。实验结果表明:(1)有无格栅的设计会影响被试者对“时尚的”的意象感知;(2)格栅样式会影响“沉稳的”和“科技的”感知,有边框的格栅促进“沉稳的”感知,无边框格栅更易感知到“科技的”意象;(3)上扬的特征线和细长上扬的前车灯促进“时尚的”意象感知。研究结果为基于AI驱动设计不同风格产品提供了一个新的思路,增加对人工智能应用于产品设计的理解。

基于大模型微调范式的绘画风格模拟方法

现有的微调大模型生成指定风格化图像的方法能力有限,存在布局风格、细节风格同目标风格不一致的问题,为了提高大模型风格模拟一致性能力,提出一种微调大模型部分注意力参数和低秩自适应(LoRA)相结合的方法并用于红色山水风格的绘画生成。首先,以少量绘画样本微调文生图大模型的部分注意力参数;其次,冻结文生图(文本-图像)大模型,结合LoRA微调方法在模型中注入可训练层进行训练;最后,将第2步中的可训练层插入第1步微调过的大模型中进行推理。实验结果表明,与目前流行的风格定制方法相比,所提方法在保证文本可控性的同时,不仅保证了绘画的整体布局与训练集图像风格一致,同时在绘画细节上也与目标风格具有高一致性。在红色山水画风格模拟方面的实验结果表明,生成的红色山水画更接近训练集的风格,并且生成的绘画风格更符合艺术从业者的风格一致性评价。目前,基于所提方法的红色山水画互动生成系统已经在中国共产党杭州历史馆对外开放展示。

基于驾驶风格和驾驶员不满度的换道决策模型

针对现有的驾驶员不满度模型未考虑驾驶风格而导致换道决策难以适应不同类型驾驶员的问题,改进基于前车车速的驾驶员不满度模型,并结合基于椭圆车辆模型的最小安全距离模型,建立基于驾驶风格和驾驶员不满度的换道决策模型.选取15个问题作为驾驶员行为问卷(driver behavior questionnaire, DBQ)调查内容,利用主成分分析和K-means聚类将驾驶风格分为激进型、谨慎型和普通型3类.设计驾驶模拟器试验,采集不同驾驶风格的驾驶员换道数据,得到不同驾驶风格的驾驶员不满度阈值.通过MATLAB/Simulink和Carsim仿真平台验证换道决策模型的有效性.结果表明:换道决策模型可根据驾驶员不满度正确产生换道意图,保证换道过程的安全性,同时还可以适应不同驾驶风格的驾驶员,使基于驾驶员不满度的换道决策模型更符合驾驶员的实际驾驶习惯.

三维模型图像的水墨风格转换技术研究

为了实现三维模型图像的水墨风格转换,研究以齐次坐标的形式对三维模型的坐标系加以转换,运用透视矩阵将三维模型以二维图像的形式展现在屏幕上。在此基础上运用双目视野图像渲染技术获取含有两个视点信息的图像,并通过灰度平均值和迭代算法实现三维图像的水墨化转换,为用户提供立体化的水墨画观赏体验。

基于高斯分布隐马氏模型识别市场风格构建量化策略

本文旨在研究隐马尔可夫模型在识别市场风格以及市场状态切换的能力以及探索hmm模型在行业轮动策略中的应用。通过对A股市场股票数据的细致收集与整理,使用价量因子构建与训练基于高斯分布的隐马尔可夫模型(Gaussian HMM),该模型能有效地解码出市场状态的隐含序列。在策略构建环节,本文提出了双策略模型,包括历史状态匹配策略和未来状态观测值预测策略。经过多轮回测检验,这两种策略在识别市场风格、把握市场趋势以及优化交易决策方面均展现出显著能力。进一步构建行业轮动模型,观测整体策略收益表现。本研究通过借助高斯分布的隐马氏模型对市场风格识别的能力输出择时交易信号,制定行业轮动决策,挖掘HMM在中国A股市场中的潜在价值,为投资者提供了新的、有效的量化投资策略。

基于人工智能算法的特定类艺术风格模型的建立

基于稳定扩散算法,利用大规模数据集按照文本需求转化为特定艺术风格的模型。通过收集大量的训练数据,使用稳定扩散算法来训练一个深度神经网络,使其能够理解不同艺术风格的特征和细节。该模型能够在不丧失照片原始内容的情况下,将其转化为用户所选的艺术风格。实验结果显示,该模型在多种不同艺术风格下表现出色,并能够高效、准确地将照片进行艺术风格的转换。该方法在质量和速度上具有显著优势,在计算机视觉和图像处理领域具有广泛的应用前景。

基于网络学习行为模式挖掘的用户学习风格模型建构研究

学习风格是影响学习者个性差异最主要的一个因素,深深地影响着学习过程。网络学习首要一个重要目标就是能够自动推测学习者的学习风格,然后实现所有学习者都能按着自己的学习风格去学习,实现网络个性化学习。文章首先提出了学习风格建构模型,然后说明了利用学习风格量表为辅的显性方法初始化学习风格,其次重点探讨利用贝叶斯网络方法挖掘学习行为模式为主的隐性方法推测学习风格。最后比较了利用设定条件的学习风格量表和贝叶斯网络两种方法分别推测学习者学习风格,结果还是值得肯定的,表明利用贝叶斯网络隐性方法为主挖掘网络学习行为模式推测学习风格具有很高的精确度。

表征驾驶风格和驾驶员能力的驾驶员模型

由于驾驶员群体的驾驶方式和驾驶能力的差异,所决策的加速度值与最优值存在不同程度的偏差.本文作者在原有最优预瞄侧向驾驶员模型的基础上发展了多点多目标决策模型,以驾驶员的视野特征和决策意愿表征驾驶风格,并对驾驶员能力建模. Simulink/Carsim联合仿真结果表明,包括4个自由参数模型能够反映出不同驾驶员的驾驶行为,并有望应用于提升无人驾驶车辆乘坐感受的研究.

中国远程学习者学习风格理论模型与验证

为帮助中国远程学习者了解自身的学习风格,选择相应的学习策略,进而提高远程学习质量,根据学习风格的信息加工理论、Kolb的经验学习理论以及荣格的人格特征类型理论,从生理、社会、心理三个维度,构建了我国远程学习者学习风格的理论模型,通过编制量表和实际测量,对该模型进行验证分析和修订完善。结果表明,最初提出的理论模型假设得到验证,修订后的量表具有良好的效度和信度,可以用来测量我国远程学习者的学习风格。

面向产品造型设计的形态风格描述模型构建

选择风格作为研究用户感性需求与设计元素关系的突破口,采用系统论的方法从功能、结构、组成要素等方面分析了产品风格的内涵,构成了风格描述的理论基础。基于感性设计的思想,建立了风格设计中不同空间的映射关系,并应用感性工学、模糊理论、语义区分等方法论述了风格描述模型建立过程和结构框架,并给出了风格的数学表达、类别的判断方法、风格间相似性计算和产品风格的识别算法。通过面向对象技术建立了风格基类和操作方法,结合风格形态设计过程探讨了风格描绘模型的应用模式。

基于Felder-Silverman学习风格模型的网络学习风格研究

结合学习风格的在线教育平台能提供给学习者与其学习风格相符合的教学资源,因此关于在线学习风格的研究也成为了重点。基于Felder-Silverman学习风格模型,首先通过所罗门风格量表显式得到学习者的线下学习风格,并对量表进行修正,随后应用J48、逻辑回归以及贝叶斯网络算法对学习者的线上学习风格进行研究,从而得到3种方法的结果,并对其进行比对。

基于资金限制的Sharp-ARIMA期货套期保值决策模型

通过ARIMA时间序列预测期货套期保值的资金需求量,以Sharp套期比模型为目标函数,以套保者的手头资金大于套保资金需求量为约束,建立基于资金限制的Sharp-ARIMA期货套期保值决策模型,解决基于资金限制的单品种期货套期比的确定问题。并利用WS411合约的历史数据实证分析了该模型。本模型的创新与特色一是决策模型确定了套期保值的资金需求,避免了因资金短缺导致的套保失败。二是提出了能够反映期货价格一阶平稳和季节性变化的套期保值资金需求量预测的研究思路,这就改变了现有研究仅对历史数据进行简单平均预测的现状,更加符合期货价格的波动规律。三是揭示出套期保值者手头持有的资金与套保比之间关系。

学习风格用户模型分类及其自适应策略

学习风格作为主要的认知模型,是在线学习系统中常用的用户建模依据。基于此,文章首先基于被使用频率最高的学习风格模型——Kolb模型、VARK模型、Felder-Silverman模型和FDI模型,对学习风格用户模型进行了分类,并解析了其可能提供的自适应服务;随后,文章从在线学习系统中用户建模的角度,分析了整合不同学习风格用户模型的自适应策略;最后,文章总结了影响在线学习系统自适应性能的关键问题,以更好地发挥在线学习系统的自适应性能。文章对学习风格用户模型的解读及其自适应策略的分析,将有助于在线学习系统对学习者进行更准确的描述和诊断,从而提供更适合的学习资源和学习建议。

自适应学习系统学习者学习风格模型的研究现状与展望

学习风格是自适应学习系统中学习者模型不能忽视的因素之一。为了更好地满足学习者在学习过程中的个性化差异,自适应学习系统中的学习风格模型显得越发重要。本文针对国内外关于学习风格模型在自适应学习系统中的发展现状、特征等进行了总结,并从发展阶段、研究内容、研究方式等方面进行了对比研究,指出目前存在的问题,及以后研究的发展趋势。

智力风格的三维模型：一种更为综合的认知风格理论

智力风格的三维模型是Li-fang Zhang和Robert J.Sternberg在风格这个研究领域最近提出的一个整合模型。该模型基于Sternberg心理自我管理理论,并结合以往的风格研究,提出了智力风格的概念,把风格分为三种基本类型,而且认为,大部分风格是价值负荷的;是集特质和状态为一体的,但是大部分是可调整的,所以更倾向于状态性;并且具有跨理论的重叠,但也有其独特性。文章对智力风格三维模型的产生背景、理论来源及主要观点进行了介绍,并探讨了该模型的意义。