期权定价的蒙特卡罗模拟综合性方差减少技术

主要将重要性抽样技术处理特殊衍生证券定价问题的能力与控制变量技术、分层抽样技术简单灵活、易于应用的特点有机地结合起来,把分层抽样技术和控制变量技术引入重要性抽样模拟估计的分析框架,提出更为有效的关于期权定价蒙特卡罗模拟的综合性方差减少技术;并以基于算术型亚式期权定价为例,进行了实证模拟分析.

基于新型空间注意力机制和迁移学习的垃圾图像分类算法

随着我国各级政府大力推动垃圾强制分类,分类回收各环节中实现标准化、自动化的垃圾分类识别需要适合云端部署的高准确率、低延时要求的细粒度图像分类模型.本文发挥深度迁移学习的优势建立了一套端到端的迁移学习网络架构GANet (garbage neural network);针对垃圾分类中类别易混淆、背景干扰等挑战,提出一种新型的像素级空间注意力机制PSATT (pixel-level spatial attention).为克服类别多和样本不平衡挑战,提出使用标签平滑正则化损失函数;为改善收敛速度以及模型稳定性与泛化性,提出了阶梯形OneCycle学习率控制方法,并给出了结合Rectified Adam (RAdam)优化方法和权重平滑处理技术的组合使用策略.实验使用了"华为云人工智能大赛.垃圾分类挑战杯"提供的按照深圳市垃圾分类标准标注的训练数据,验证了GANet在垃圾分类问题中的显著效果,获得了全国二等奖(第2名);同时,提出的PSATT机制优于对比方法,且在不同主干网络架构上均得到了提升,具有良好的通用性.本文提出的GANet架构、PSATT机制和训练策略不仅具有重要的工程参考价值,也具有较好的学术价值.

基于注意力神经网络的燃料电池寿命衰减预测

发展氢燃料电池是实现低碳经济的重要途径,然而主流的质子交换膜燃料电池(PEMFC)的安全性、高成本和耐久性制约了其商业化发展,PEMFC的有效寿命预测可望提高其可靠性、可维护性及降低总使用成本,已成为燃料电池行业和学界共同关注的重要问题。PEMFC因其复杂的物理化学过程、环境条件和工况,以及数据存在噪音、高度非线性关系,为寿命预测带来巨大挑战。现有模型驱动的预测方法过于复杂而不实用,而数据驱动的统计分析方法、传统机器学习方法,受制于信息丢失风险和有限拟合能力,预测精度还有待提升。深度学习因其强大的非线性拟合能力和灵活的建模方式,成为该领域主流方法。然而常用的循环神经网络在长序列上的全局学习能力不足,而Transformer模型受制于有限样本量而易于过拟合。因此,本文结合长短期记忆神经网络(LSTM)、1维卷积神经网络(1D-CNN)等方法的特点和局限性,提出了一种新型的复合深度神经网络AACNN-LSTM(attention after CNN-LSTM)。该方法借助1D-CNN进行平滑和滤波,通过LSTM层进行多维向量间的时序关系学习,最后引入注意力机制(Attention)模块,从全局角度对不同时间步的多维向量进行自适应加权。模型最后以PEMFC的输出电压为预测结果,用于寿命评估。本文在某真实PEMFC的寿命测试数据集上,进行了不同寿命阶段数据划分、多种架构组合的消融实验、与不同类型算法比较等对比实验。结果表明,相比其他方法,精度得到了显著提升,并保持了较好的运算效率。同时,在IEEE PHM 2014燃料电池寿命预测挑战赛数据集上也验证了模型的普适性和优越性。此外,还对PEMFC寿命的多步时间序列预测进行了探索,在适中的预测步长(10小时)内能够取得可接受的精度,具备一定的工程实用价值。本文提出的CNN-LSTM组合,验证了CNN归纳偏差学习可与LSTM序列学习形成互补,以及Attention与CNN、LSTM的互补性和有效位置,印证了复合深度神经网络的必要性。提出的方法在PEMFC寿命预测领域具有重要的技术价值,可用于燃料电池加速老化试验、预测性维护、异常检测、安全保障等方面,对于类似的能源电池如锂电池等,也具有一定的借鉴意义。