两种不同类型噪声驱动下的非对称双稳系统的随机共振

研究了由色关联的乘性色噪声和加性白噪声联合激励下的非对称双稳系统的随机共振现象,运用两态模型理论和统一色噪声近似理论,在绝热近似条件下得到了信噪比的表达式.信噪比是乘性色噪声强度,加性白噪声强度,噪声耦合强度,乘性噪声自关联时间和噪声互关联时间的非单调函数,所以在该双稳系统中产生了随机共振. 在系统的偏度不是太大的情况下调节加性白噪声强度比调节乘性色噪声强度更容易控制随机共振,并且以信噪比作为噪声之间耦合强度的函数时可以观察到二次随机共振现象.     

有偏总体的极差控制图

根据加权标准差方法建立有偏总体的极差控制图,它基于有偏总体来计算对应于正态分布的控制图常数,根据样本数据的偏度来计算上下控制限,对于总体是对称分布,该控制图退化为标准的休哈特控制图.最后,用蒙特卡洛方法给出了改进的控制图常数.     

色高斯噪声驱动双稳系统的多重随机共振研究

研究了由色关联乘性和加性色噪声作用下的双稳系统的随机共振问题,在绝热近似条件下得到了信噪比的表达式.通过分析所得的初始条件为 x(0)=x₊ 时的信噪比,发现了单随机共振和多重随机共振现象;分析了噪声强度、噪声关联时间和关联强度对系统信噪比的影响. 关键词： 多重随机共振 信噪比 双稳模型 色关联色噪声     

周期混合信号和噪声联合激励下的非对称双稳系统的随机共振

研究了周期混合信号和关联的乘性和加性噪声联合激励下的非对称双稳系统的随机共振现象.运用两态理论,给出了基频和高阶谐频信噪比的理论结果.发现对于基频和高阶谐频情形下均出现随机共振，并且高阶谐频存在抑制现象.同时研究了非对称系数和噪声强度以及噪声之间关联强度对信噪比的影响.     

关联噪声驱动的非对称双稳系统的随机共振

运用统一色噪声近似理论和两态模型理论，研究了周期矩形信号和关联的乘性色噪声和加性白噪声驱动的非对称双稳系统的随机共振现象，得到了适合信号任意幅值的信噪比表达式.信噪比是乘性噪声强度、加性噪声强度、乘性噪声自关联时间、噪声耦合强度的非单调函数，所以该双稳系统中出现了随机共振.同时，调节加性噪声强度比调节乘性噪声强度更容易产生随机共振.势阱静态非对称性和噪声之间的耦合强度对信噪比的影响是不同的. 关键词： 非对称双稳系统 随机共振 信噪比 周期矩形信号     

基于社会网络分析理论的犯罪网络侦测方案设计

社会网络分析法（SNA）是一种可以对多种网络结构提供详细研究的分析方法。本文采用SNA及相关方法来分析犯罪网络,以确定可能的犯罪集团。首先引入社会网络分析中“合作因子”与“合作距离”这两种度量,量化并分析人员的可疑程度。之后,运用中心度分析法对个体的领导能力进行量化。在模型改进与拓展部分,基于语义网络分析与文本分析法使得分析结果更为精确。同时将所得结果与之前的结果做了比较,给出了模型优缺点分析。最后,讨论了该模型在其他领域中的运用。     

异质信息、异质先验信念与均衡资产价格

在卖空限制下,将信息异质和先验信念异质纳入统一的分析框架,利用贝叶斯法则推导出两类异质性共同影响下的均衡资产价格模型,进一步分析表明,两类异质性均对资产价格产生影响,但对价格波动的影响不同,异质信息投资者的增多或者先验信念异质性程度的增强会加快资产价格的涨或跌,甚至会导致暴涨或暴跌,这与Miller等仅对单异质性影响进行研究不同,研究揭示了市场中多类异质性的具体影响机制.     

周期矩形信号作用下时滞非对称单稳系统 的随机共振

研究了周期矩形信号对时滞非对称单稳系统随机共振的影响,系统中加入的噪声均为Gauss白噪声.得到了信噪比的解析表达式,通过分析信噪比曲线发现系统存在随机共振现象.数值结果还表明乘性与加性噪声强度对信噪比的影响是不同的,在SNR-D参数平面上共振与抑制共存.在信噪比随着时滞量变化的曲线图上发现,当系统的非对称性|r|取值很大或者乘性与加性噪声强度比D/α小于1时,参数平面上的随机共振现象会消失.     

基于问题驱动的泊松分布教学设计

本文采用问题驱动的教学模式,探讨了对泊松分布的教学设计.从交通路口拥堵程度的评估问题入手,建立基于二项分布的概率模型,利用连续问题离散化的思想,引出泊松分布及泊松定理,最后计算交通路口拥堵的概率.     

正态分布参数的渐近最优与可容许的经验Bayes估计

Under square loss,this paper constructs the empirical Bayes(EB) estimation for the parameter of normal distribution which has both asymptotic optimality and admissibility. Moreover,the convergence rate of the EB estimation obtained is proved to be O(n~(-1)).