复合二项风险模型的破产概率

本文讨论了一般情形的复合二项风险模型,得出了初始资本为０时的破产概率以及初始资本为ｕ≥０的情况下的破产概率的一般公式．     

广义斐波那契数列

讨论广义斐波那契波数列的定义及其通项表达式,由此可以简单地求出斐波那契数列的通项;同时,讨论广义斐波那契数列的一些应用.     

Stieltjes-Newton型有理插值

Stieltjes型分叉连分式在有理插值问题中有着重要的地位，它通过定义反差商和混合反差商构造给定结点上的二元有理函数，我们将Stieltjes型分叉连分式与二元多项式结合起来，构造Stieltje- Newton型有理插值函数，通过定义差商和混合反差商，建立递推算法，构造的Stieltjes-Newton型有理插值函数满足有理插值问题中所给的插值条件，并给出了插值的特征定理及其证明，最后给出的数值例子，验证了所给算法的有效性．     

赏析一道数列问题

已知数列{an）满足a1=1,a2=2,a2n＋1=a2n＋a2n-1/2,a2n＋2=√a2n＋1·a2n,求数列{an}的通项公式．     

带阻尼项的三阶脉冲微分方程的振动性与渐近性

解决了一类带阻尼项的三阶脉冲微分方程的非振动解与其一阶、二阶导数的符号关系,用迭代法得到其振动性与渐近性的判别准则,并举例说明准则的有效性.     

一类带有非线性阻尼项和源项的四阶波动方程整体解的存在性与不存在性

考虑一类带有非线性阻尼项和源项的四阶波动方程的初边值问题.通过结合Galerkin逼近,势井方法和单调紧致方法,在最少的先验估计下获得了整体解的存在性.此外,在初始能量为负的情况下,证明了存在有限时间内爆破的解.     

一种基于无监督学习的社交网络流量快速识别方法

在分析了社交网络的发展和研究现状后,结合现有的网络流量识别方法和社交网络流量特征属性,提出了一种基于KMeans聚类算法的无监督学习社交网络流量识别方法.为了提高处理的高效性、实时性,利用开源云计算平台如doop上提供的M印Reduce架构进行分布式并行处理.对比实验结果表明,提出的方法能快速、高效的识别社交网络流量,并且识别准确率有显著提高.     

黄河流域甘肃段城镇经济空间结构特征演变及动因探析

目的 在黄河流域生态保护和高质量发展成为重大国家战略、黄河流域甘肃段作为甘肃省国土空间格局优化主体的时代背景下,从经济视角探索区域城镇空间结构的内在属性以提高黄河流域甘肃段总体发展水平。方法 借助引力模型、区位商指数及地理探测器分别从城镇经济联系网络结构、城镇竞争优势结构、产业集聚结构3个方面对黄河流域甘肃段城镇经济空间结构的演变特征、动因进行探讨。结论 区域经济联系网络水平和城镇竞争优势水平均逐步增强,其结构由单中心簇型向多中心簇型演进,第一产业集聚结构经历了“全局型结构—穿孔型结构”演变过程,第二产业集聚结构为穿孔型结构,且该结构逐步增强,第三产业集聚结构经历了“穿孔型结构—局部型结构—穿孔型结构”的演变过程;黄河流域甘肃段城镇竞争优势与地方政府财政收入关系密切,相应产业产值占比越高产业发展越集聚,此外受生态保护、供给侧改革的影响,已经开始走去工业化及工业转型道路,固定资产投资和政府财政支出在发展第二产业上的投入占比将下降。     

基于Brisk和Sift的快速图像拼接

针对基于Sift特征的图像拼接算法存在拼接过程耗时较长的问题,提出了一种基于Brisk算子的改进算法.该算法首先对均值滤波平滑的参考图像和待拼接图像基于Brisk特征进行粗匹配得到初步的重叠区域,然后对参考图和待拼接图的初步重叠区提取Sift特征并基于提取到的Sift特征完成特征点匹配及拼接.对基于Sift、Brisk...     

基于耳蜗图多示例分析的音频场景分类模型

音频场景分类(Acoustic Scene Classification, ASC)是计算听觉场景领域最具挑战的任务之一。传统的ASC模型大多采用基于线性频率分析的手工特征加基于深度学习的分类模型方法。然而,一方面,由于基于线性频率分析的特征提取方法无法模拟人耳基底膜的非线性频率选择特性,从而造成特征分辨率低下的问题;另一方面,现有的分类模型无法解决由于音源复杂且音频事件高度重叠所造成的分类准确率低下的问题。为了解决以上问题,提出了基于耳蜗图多示例分析的音频场景分类模型,一方面采用中心频率按照等效带宽均匀分布的余弦滤波器组对信号频谱进行滤波以模拟人耳听觉感知特性;另一方面,通过引入多示例学习刻画整个数据结构的特点以提高分类准确率。此外,为了抵抗音频事件的频移影响,在多示例学习分类模型的分类预测整合器中采用平均池化方法。在DCASE 2018和DCASE 2019竞赛所提供的Task1a数据集上的实验结果表明,本文提出的模型比DCASE 2018竞赛所提供的基线系统以及传统的基于Log Mel特征提取和多示例学习的模型实现了更高的分类准确率,同时也验证了平均池化要优于最大池化。