基于扩展KRSL无迹卡尔曼滤波的约束动态状态估计

动态状态估计作为监测系统动态变化的有效手段,对电力系统稳定运行具有重要意义。然而,采集和传输的数据中往往存在时变非高斯量测噪声和离群值,使得基于均方误差准则的传统卡尔曼滤波估计方法的精度不高。为此,首先定义广义核风险敏感损失函数,将其引入无迹卡尔曼滤波框架以实现鲁棒状态估计。然后,考虑同步发电机和控制器模型存在不同条件约束,通过伪量测法将约束条件引入上述估计算法中,以解决估计值超出真值变化范围而产生较大估计偏差的问题,从而进一步提升估计精度。最后,应用新英格兰16机68节点网络模型在不同条件下进行仿真实验,以验证算法的有效性。

基于变权物元可拓模型的苏宁易购债务融资风险敏感性分析

类金融模式下企业应当对债务融资风险进行合理分析和有效评价。利用变权物元可拓模型对苏宁易购债务融资风险进行评价;并通过敏感性分析方法,深入探讨评价指标值变动对指标权重和评价结果的影响。实例分析结果表明:①苏宁易购债务融资风险等级为高风险偏向于一般风险。②随指标值的增加,每个指标权重的变化趋势存在较大差异。③随着各指标值的共同变大(变小),等级变量特征值相应地逐渐变大(变小)。④随各指标值变化,等级变量特征值的变化趋势存在一定差异。特别当资产现金回收率、投资决策能力、流动资产周转率和通过膨胀率四个指标值变化时,等级偏向会发生改变。⑤资产现金回收率、投资决策能力、流动资产周转率和通过膨胀率四个指标是影响苏宁易购债务融资风险评价结果的敏感性指标。研究结论有助于采取针对性措施对苏宁易购债务融资风险进行管控。

代价敏感学习中的损失函数设计

一般的学习算法通过最小化分类损失使分类错误率最小化,而代价敏感学习则以最小化分类代价为目标,需构造代价敏感损失.本文探讨代价敏感损失的设计准则,首先介绍基于代价敏感风险优化的代价敏感学习方法,然后在Bayes最优分类理论框架下,提出两条代价敏感损失设计准则.接着采用两种常用代价敏感损失生成方法构造平方损失、指数损失、对数损失、支持向量机损失等经典损失函数的代价敏感扩展形式.根据所提出的设计准则,从理论上分析这些代价敏感损失的性能.最后通过实验表明,同时满足两条设计准则的代价敏感损失能有效降低分类代价,从而证明了本文提出的代价敏感损失设计准则的合理性.

基于稀疏系统辨识的广义递归核风险敏感算法

为了降低非高斯噪声对系统性能的影响,核风险敏感损失函数(Kernel Risk-Sensitive Loss,KRSL)因其较高的凸性而被广泛应用为自适应滤波器的代价函数.基于此,为了提高非高斯情况下系统的滤波精度,本文采用广义高斯密度(Generalized Gaussian Density,GGD)函数作为KRSL的核函数,进而提出了一种广义核风险敏感损失函数(Generalized Kernel Risk-Sensitive Loss,GKRSL),并给出了GKRSL的重要性质.为了进一步识别稀疏系统,结合GKRSL的优点,采用递归更新方式提出了一种基于稀疏惩罚约束的广义递归核风险敏感损失(Generalized Recursive Kernel Risk-Sensitive Loss with Sparse Penalty Constraint,GRKRSL-SPC)算法.仿真结果表明,GRKRSL-SPC算法能够显著提高非高斯噪声下系统的滤波精度和鲁棒性.