二参数Ornstein—Uhlenbeck过程的象集的一些性质

本文研究二参数 d 维 Ornstein-Uhlenbeck 过程 X(t)(t∈R_+~2)的象集 X(E)的性质,得到了 X(E)的 Hausdorff 维数,并证明了若 dim E>d/2,则 X(E)的 Lebesgue测度 a.s.大于0,且对于几乎所有的θ∈[0,2π]若,θ(E)(?)CR_+~2,则 X(θ(E))a.s.具有内点。     

一种区间数的因子分析技术及其在证券市场中的应用

传统的因子分析技术能够有效地对高维变量空间进行降维处理,但它对于样本空间却缺乏行之有效的降维效果.为了解决这一问题,一种针对大量样本数据、新的因子分析技术———区间数因子分析技术(intervaldatafactoranalysis,IFA)被提出并得到了迅速的发展。IFA方法对传统的数据概念做了本质性的扩张,运用'数据打包'的理念,对海量原始数据在不破坏其原有内在逻辑关系的前提下,可以进行变量和样本点维度的双重降维。本文详细阐述了区间数因子分析技术的原理,并以中国股票市场为案例研究背景,结果表明IFA分析技术对大规模多维数据系统做综合简化是十分有效的。     

基于项重写技术的机器发现逻辑

机器学习与机器发现的研究需要借鉴机器定理证明技术的成果和现代科学哲学的方法论.遵循这两个观点,本文扩展了基于项重写规则法的机器定理证明技术,使之能解决某些有关机器发现的问题.在此基础上给出了Lakatos 发现方法论的一个形式系统,并建立了实现Lakatos方法的算法.     

求解特征值问题的广义最小二乘法

本文研究线性特征值问题Aφ-λBφ=0,其中A、B为线性对称运算子且B正定,提出了能够求得特征近似值,同时求得其上下限的广义最小二乘法,证明了特征值上下限定理,导出了特征值的第一上限、第一下限、第二上限、第二下限。本文方法可以求解微分方程的特征值及微分方程组的特征值、矩阵特征值等问题,后两类问题的两个算例结果精度很高。     

R￣d中Hausdorff维数和packing维数的确定

本文目的在于建立确定Ｒ￣ｄ中Ｈａｕｓｄｏｒｆｆ维数ｄｉｍ和ｐａｃｋｉｎｇ维数Ｄｉｍ的两个命题（定理１和定理２），进而寻求Ｒ￣ｄ中Ｈａｕｓｄｏｒｆｆ维数ｄｉｍ与ｐａｃｋｉｎｇ维数Ｄｉｍ相等的条件；这使得我们能够引入分形测度的测度论定义。