-
题名非参数模型控制在液位控制系统中的应用研究
被引量：4
- 1
-
-
作者
曹荣敏
关静丽
张维
-
机构
北京机械工业学院计算机及自动化系
-
出处
《计算机工程与设计》
CSCD
北大核心
2008年第15期4093-4096,共4页
-
文摘
针对工业控制过程中液位系统的时变和明显的滞后特征,研究了非参数模型控制方法在液位控制系统中的设计方案,讨论了控制算法中引入的伪偏导数的在线估计问题,实现了通过液位系统的输入输出信息并利用递归最小二乘法对伪偏导数进行在线估计的过程,仿真实验验证了非参数模型算法对液位控制的鲁棒性、快速性及抗干扰性,通过仿真比较,展示了该算法性能优于PID算法和模糊控制的结果。
-
关键词
非参数模型学习自适应控制
液位控制系统
时滞
稳定性
鲁棒性
-
Keywords
nonparametric model learning adaptive control
liquid-level control system
time delay
stability
robustness
-
分类号
TP273
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于非参数因果网络的风险溢出分析及多因子预测
- 2
-
-
作者
王宗润
周玲
米允龙
-
机构
中南大学商学院
-
出处
《管理科学学报》
CSSCI
CSCD
北大核心
2023年第4期1-19,共19页
-
基金
国家自然科学基金资助重大项目(72091515)
国家自然科学基金资助基础科学中心项目(72088101).
-
文摘
风险溢出是系统性金融风险产生和演化的核心动因,因此,探究风险的溢出路径与强度至关重要.为了弥补传统方法在维度与参数上的局限,本文将非参数条件互信息检验与因果网络结构学习算法相结合,提出了一种新的非参数高维因果网络构建方法来分析金融系统波动溢出的动态联动性和风险传递机制.此文在非线性合成数据集中验证了该方法的有效性和稳健性并根据因果拓扑关系构造最优预测子集对序列进行多因子预测.并将该模型应用于构建2013年1月至2019年12月期间全球81家能源公司日度股票收益的波动溢出网络,测量基本面与投资者两种维度的风险溢出强度动态变化并进行预测分析.此外,结合企业财务数据和宏观经济变量,考虑企业之间的业务异质性,探索风险溢出的决定因素.研究结果表明,1)能源产业链的上游以及高油价风险敞口的能源企业表现出较大的风险外溢效应和风险承受程度;2)除公司规模以外,企业资产收益率,边际收益等因素也影响溢出效应的强弱;3)能源公司的风险溢出在业务上存在很大差异,溢出驱动因素也有所不同,这对于在投资组合决策和监管政策设计等具有重要的参考价值;4)虽然因果预选信息选择策略结合非参数模型的短期预测效果要优于结合参数模型,但是随着预测步长的增加,参数模型的优势却更明显.
-
关键词
因果网络
非参数因果网络结构学习算法
风险溢出
多因子预测
-
Keywords
causal network
nonparametric causal network structural learning algorithm
risk spillover
multifactor forecasting
-
分类号
F830.9
[经济管理—金融学]
-
-
题名基于顾客到达和购买数据的新品广告预算分配学习算法
- 3
-
-
作者
高秋爽
黄帝媛
杨超林
-
机构
上海财经大学信息管理与工程学院交叉科学研究院
-
出处
《系统管理学报》
CSSCI
CSCD
北大核心
2023年第1期23-41,共19页
-
基金
国家自然科学基金资助项目(72122012,72071126)。
-
文摘
新产品上市导入期,企业通常会设定一定预算进行广告营销。该时期产品的销售过程可划分为“获客”和“转化”两个阶段,广告首先将潜在消费者引流到消费平台上,消费者再根据产品特性以一定概率达成购买行为。由于欠缺历史数据,企业难以评估消费者对新产品广告投入的反应以及产品本身对消费者的吸引力。为解决给定广告总预算和总库存约束的新产品推广期广告预算分配问题,提出了一种利用顾客到达和购买数据,同时学习顾客到达人数与广告投入的关系以及顾客购买概率(转化率)的非参数学习算法。从理论上证明了预算分配策略的渐进最优性质,并通过数值实验验证了策略在多种场景下的性能,说明了策略的鲁棒性。
-
关键词
广告预算分配
非参数学习算法
渐进最优策略
-
Keywords
advertising budget allocation
nonparametric learning
asymptotic optimality policy
-
分类号
F272.3
[经济管理—企业管理]
-
-
题名基于随机一致性采样估计的目标跟踪算法
被引量：1
- 4
-
-
作者
勾承甫
陈斌
赵雪专
陈刚
-
机构
中国科学院成都计算机应用研究所
中国科学院大学
-
出处
《计算机应用》
CSCD
北大核心
2016年第9期2566-2569,2575,共5页
-
基金
四川省科技成果转换项目(2014CC0043)~~
-
文摘
为了解决在实际监控中因为目标遮挡、外观变化和时间过长导致跟踪丢失的问题,提出一种基于随机一致性采样(RANSAC)估计的目标跟踪算法。算法首先在搜索区域提取局部不变特征集,然后利用特征匹配传递性和非参数学习算法从特征集中分离出目标特征,最后对目标特征进行RANSAC估计跟踪目标位置。将算法在不同场景的视频数据集上进行测试,分别从准确率、召回率和综合评价指标F1-Measure三个指标分析算法性能,实验结果表明所提出的算法提高了目标跟踪的准确性,克服了长时间目标跟踪产生的跟踪漂移。
-
关键词
局部不变特征
匹配传递性
非参数学习
随机一致性采样估计
目标跟踪
-
Keywords
local feature invariance
transitive matching property
non-parametric learning
RANdom SAmplingConsistency （RANSAC） estimation
object tracking
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
