一种考虑补偿信用风险资本要求的算法

基于现行法定资本体制不考虑信用投资组合的多样化和限制空头信用风险头寸的补偿能力，设计了一种考虑补偿的信用风险资本要求的计算方法．该算法根据信用等级决定风险权重，可以更精确地测定信用风险资本．采用期限分段方法建立一个期间结构，区分当前和远期信用风险，考虑多头与空头信用风险头寸间的补偿．     

Petri网络在无控制交叉口延误分析中的应用

选用比较适合描述系统组织结构和动态行为的Petri网络模型对主路优先通行的无信号交叉口运行过程建立HSPN模型．在此基础上，结合间隙接受理论，对无控制交叉口进行平均延误分析探索，为交叉口仿真控制软件的研发奠定了算法基础。     

搜索三个目标

本文通过建立简洁而有效的搜索方法 ,证明了对于无穷多个n来说 ,三个目标的最优搜索问题的最小试验次数等于信息论下界 .同时也研究了上述问题的修正情形 ,证明了对于所有整数n来说 ,对应的最小试验次数或者等于信息论下界或者超过信息论下界 1次并且对于无穷多个区间 ,信息论下界均是可以达到的 .     

On a new stochastic global optimization algorithm based on censored observations

In this paper a new algorithm is proposed for global optimization problems. The main idea is that of modifying a standard clustering approach by sequentially sampling the objective function while adaptively deciding an appropriate sample size. Theoretical as well as computational results are presented.     

一种利用绝对最小Lipshitz延拓的医学图像插值算法

提出一种基于最小Lipshitz延拓的图像插值半隐式算法,并用医学图像放大实验初步验证了算法的有效性.     

一个检测超流的早期淘汰算法

超流是网络中具有大量不同宿IP/源IP链接的源IP/宿IP.实时检测出高速网络（OC48、OC192等）中的超流对网络安全具有非常重要的意义.近年来已经有论文提出了不同超流检测算法,但是这些算法都没有考虑控制测量过程中超流缓存空间的大小.论文在超流检测过程中增加了早期淘汰功能,将超流缓存中链接数较少的记录提前淘汰,以便腾出空间用于存储新检测到的IP记录,实现对超流缓存资源的控制.论文最后还使用实际网络日志数据对算法进行验证,实验表明：早期淘汰算法可以使系统以更少的内存空间和测量资源检测超流信息.     

20世纪60年代黑人利益集团的崛起与美国政府的应对——“最后通牒”博弈理论的分析

从博弈论的角度论述了20世纪60年代发生于美国的以黑人利益集团为主体的争取自身利益的活动，以及美国政府所作出的回应。最终得出黑人利益集团在60年代末走向没落的根本原因在于他们最终的愿望是想要融入美国社会，而由于自身的经济条件不发达，以至于在博弈中处于被动地位，并最终销声匿迹。     

信用风险优化模型及其智能计算

采用模糊规划的方法,对模糊不确定环境下的信用风险度量和投资优化问题进行了模型的构建与仿真研究。基于具有自对偶性的可信性测度,提出了模糊条件在险价值作为信用风险度量,并构建了带有投资和收益等约束条件限制的信用风险最小化模型。其中,所考虑市场信用资产预期收益的可能性分布,用指数型模糊变量来刻画。最后,对该信用资产优化模型设计了智能算法,并进行了仿真分析。仿真结果表明,优化后的信用风险明显优于原始的信用风险。     

论中部崛起进程中的江西教育发展战略

新时期,江西提出并实施了要在中部地区快速崛起的发展战略。在这一过程中,江西教育发展面临着极好的机遇,同时,也遭遇到了八个方面的挑战。于是,江西省委省政府提出了江西教育发展的总体要求。江西广大教育行政部门和教育工作者只要不断沿着中央指出的方向,落实省委省政府的部署,埋头苦干、扎实工作,就一定能为建设创新创业江西、绿色生态江西、和谐平安江西,为江西在中部地区的早日崛起提供有力的人才支持、知识基础和文化贡献,就一定能铸造出江西教育事业新的辉煌。     

A new algorithm for fixed design regression and denoising

In this paper, we present a new algorithm to estimate a regression function in a fixed design regression model, by piecewise (standard and trigonometric) polynomials computed with an automatic choice of the knots of the subdivision and of the degrees of the polynomials on each sub-interval. First we give the theoretical background underlying the method: the theoretical performances of our penalized least-squares estimator are based on non-asymptotic evaluations of a mean-square type risk. Then we explain how the algorithm is built and possibly accelerated (to face the case when the number of observations is great), how the penalty term is chosen and why it contains some constants requiring an empirical calibration. Lastly, a comparison with some well-known or recent wavelet methods is made: this brings out that our algorithm behaves in a very competitive way in term of denoising and of compression.