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.     

一种基于经验模态分解的永久散射体探测方法

基于经验模态分解(EMD),提出了一种改进的永久散射体(PS)探测方法。对干涉图进行多尺度分解,基于梯度的自适应滤波对分解的本征模函数中的噪声进行低信噪比区域强滤波和高信噪比区域弱滤波,估算滤波后各PS候选(PSC)点的噪声相位。基于各PSC点的幅度和相位稳定性,对选取的PSC点的相位信息进行分析,判断其作为PS点的概率,进而选取可靠的PS点。实验结果表明:与传统的PS点选取方法相比,所提方法避免了探测过程中PS点的误判和漏判,准确性更高。     

贝叶斯优化卷积神经网络公共场所异常声识别*

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。     

麻将桌上的一个概率问题

证明在四人麻将游戏(或其它游戏或竞赛)定庄时,无论抛多少颗骰子都不能使各方有均等坐庄的机会.如果将骰子数增加,则各方机会将是渐近均等的.推广到l个人和骰子为k面的情形,这种渐近均等性仍然正确,同时给出了机会均等的一个充要条件.     

直觉模糊模型检测在工程决策上的应用

将直觉模糊Kripke结构扩展到加权直觉模糊Kripke结构,将直觉模糊计算树逻辑诱导到加权直觉模糊计算树逻辑;研究在此之上的直觉模糊期望测度和多属性工程决策问题。用加权直觉模糊Kripke结构的权值自然地刻画了工程问题中的成本和收益,直觉模糊测度量化工程进展的不确定性,用加权直觉模糊计算树逻辑描述不确定性工程属性约束。给出了基于直觉模糊模型检测的多属性工程寻优算法,并讨论了算法的复杂度。     

一种求解加权Toeplitz最小二乘问题的新预条件子（英文）

本文研究加权Toeplitz最小二乘问题的快速求解算法.首先,在增广线性系统的基础上,设计了一种用于求解此类线性系统的新型简单预条件子.其次,研究了迭代法的收敛性,并证明了预条件矩阵的所有特征值均是实数且非单位特征值位于某正区间.再次,研究了预条件矩阵的特征向量分布和最小多项式的维数.最后,相关数值实验表明新型预条件子比一些已有的预条件子更有效.     

基于Retinex理论与概率非局部均值的红外图像增强方法

针对传统红外图像增强算法中细节模糊及过度增强的问题,提出了一种基于Retinex理论与概率非局部均值相结合的红外图像增强方法.首先通过单尺度Retinex方法调整图像中过暗与过亮部分的灰度级;然后利用概率非局部均值对图像进行分解处理得到基本层与细节层,对基本层采用直方图均衡化拉伸对比度,对细节层采用非线性函数进行增强;最后,将不同层次的结果融合得到对比度与细节增强的红外图像.用该方法对多组不同场景的红外图像进行仿真实验,并将其与多种增强方法进行主、客观对比分析,结果表明所提方法在红外图像的细节及对比度增强方面都获得了更好的效果.     

高炮电视跟踪系统对超低空目标截获概率仿真实验研究

针对高炮电视跟踪系统目前无法通过实装试验方式对超低空目标截获概率进行考核的问题，分析了影响截获概率的因素，如地面图像和目标同时处于光电系统视场中对光电系统图像处理的影响，通过搭建软件和硬件环境，建立了一种基于三维虚拟试验场的仿真试验方法。构建了典型的测试用例，利用仿真系统采集视频，将图像输入到视频跟踪器中进行处理，通过对输出数据进行处理，可定性或定量判定是否可以截获目标。该方法应用于某型轮式弹炮结合防空武器系统试验，验证了该方法的有效性。     

状态转移函数对加权自动机计算能力的影响

在非确定型加权自动机(NS-WA)与确定型加权自动机(DS-WA)的基础上,引入了状态转移函数是分明的非确定型加权自动机(NS-WA_c)与状态转移函数是分明的带空移动的非确定型加权自动机(NS-WA_(ε-c))的概念。在已知NS-WA与DS-WA不等价的结论下,进一步探究了NS-WA_c、NS-WA_(ε-c)与DS-WA之间的等价性,并给出了等价性证明以及相关的算法和例子。