广义加权损失函数下准备金的分位信度估计

由于聚合数据是个体数据的加总,会失去一些有用信息.针对个体数据模型,分位回归模型可以直接求取未决赔款准备金的分位数,并且对数据中存在的异常值的敏感度不高.在程纪(2020)模型基础上,将分位回归模型与信度理论相结合,将多个流量三角形的增量赔款数据看成是相同日历年下的重复性多次观测,体现样本数据的分层结构,克服经典信度模型中只有一条回归线的弊端,在广义加权损失函数下得到准备金的信度估计,并给出参数估计.     

桉树杂交种与其亲本的近红外光谱判别

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。常规的数量统计分析精度往往不高,而DNA分析的专业要求高,且费时费力。该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、亲本及杂交种与亲本间近红外光谱信息的关系,探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。以控制授粉的桉树亲本及其杂交F1代材料为对象,每种基因型从各自田间试验分别选取10个单株,采集树冠中上部新鲜健康叶片。用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。每单株选10片完全生理成熟的健康叶片,避开叶脉扫描其正面光谱5次,以50条NIRs信息的均值代表单个叶片的NIRs信息,最终每个基因型获得10条NIRs信息。对原始NIRs采用二阶多项式S.G一阶导数预处理。预处理后的NIRs用于多元统计分析,首先对桉树杂交亲本和子代样本进行主成分分析(PCA),直观展示不同基因型的分类情况。然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。SIMCA模式判别分析中,桉树杂交种样本到亲本PCA模型的样本距离显示,待判别样本能够形成单独的聚类,且能直观反映两者的遗传相似。PLS-DA判别结果显示,桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。结果表明,桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律,NIRs判别模型可以准确地将各种基因型予以区分。因此,NIRs信息不仅可用于桉树杂交种和纯种的定性判别,还可以分析桉树基因重组过程中加性遗传效应的大小,从而为桉树遗传基础分析及其育种改良研究提供理论支撑。     

稳定分层湍流中逆梯度输运的关联分析研究

本文采用关联分析方法研究了稳定温度分层湍流中的结构特性、输运特性，以及热量、动量逆梯度输运现象的尺度效应及其参数演化．首先采用大涡模拟方法对稳定分层湍流中的结构特性和输运特性进行了分析，将逆梯度输运发生的时间尺度作为已知条件，结合关联量分析方法在波数空间中的解析解，对逆梯度输运现象的尺度效应进行了分析研究．结果发现，稳定分层强度较大的流动中发生垂向热量及动量逆梯度输运现象，发生的结构尺度与关联分析所发现垂向热量、动量逆梯度输运的波数形成了呼应．随着分层强度增加，热量、动量的输运强度均受抑制，与逆梯度输运关联的流场结构尺度减小，同样的效应也发生在流场结构向下游演化的过程中．     

DECOMPOSITION OF （1＋1）-DIMENTIONAL,（2W1）-DIMENTIONAL SOLITON EQUATIONS AND THEIR QUASI-PERIODIC SOLUTIONS

A new spectral problem is proposed, and nonlinear differential equations of the corresponding hierarchy are obtained. With the help of the nonlinearization appr...     

p-Adic函数空间上Hardy型算子的多线性交换子估计

在p-adic域上研究分数次Hardy型算子与CMO(Q_p~n)函数生成的多线性交换子,建立了交换子在Lebesgue空间和Herz空间上的有界性.对Hardy算子的多线性交换子也得到了相应的结果.     

胶体晶体自组装常用方法的研究进展

胶体自组装是制造大面积胶体晶体的高效方法,对制备各种功能胶体晶体材料具有十分重要的意义,在微纳制造、新材料、能源、医学等领域有巨大的应用潜力.对胶体自组装过程中涉及的各种作用力进行了详细分析,归纳了胶体晶体自组装的基本方法.面向制造大面积胶体晶体,阐述了几类代表性的新型胶体晶体自组装方法,包括温度辅助、模板辅助、表面活性剂辅助、旋涂法与界面转移相结合等,分析了不同方法的影响因素、优缺点和未来的改良方向,并介绍了在完整单层膜基础上制造三维胶体晶体的工艺方法.为提高胶体晶体制造质量和效率、拓宽胶体自组装技术的应用提供必要参考.     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。