超高维数据降维与Logistic广义线性拟合分析

文章以美国威斯康星州的乳腺癌调查数据为例,分别采用SIS和TCS算法对高维数据进行降维处理,尝试将改进的Logistic广义线性模型对降维后的变量进行拟合.再与传统的一般线性模型、Logistic广义线性模型相比,结果表明,基于算法降维后的Logistic广义线性模型预测误差更小,其中基于TCS算法降维后的广义线性模型在拟合中要明显优于SIS算法降维后的广义线性模型.     

基于非线性规划的病床安排的优化模型

文章给出了眼科病床合理安排的评价指标,然后利用休克疗法思想,建立一个病床安排的非线性规划模型,并用上述评价指标进行评分,得到比先到先服务较高的分数;最后用蒙特卡洛方法对模型的稳定性进行了检验,验证了模型是合理的、可行的.     

具有熵约束的均值-绝对偏差模糊投资组合优化

在实际投资过程中,有许多模糊因素影响投资决策.文章针对资产收益率为模糊数的投资组合决策问题,用绝对偏差和比例熵度量投资组合的风险和分散化程度,提出了具有熵约束的均值-绝对偏差投资组合优化模型,利用加权极大—极小模糊目标规划方法,将双目标规划问题转化为单目标规划问题,并运用旋转算法结合序列规划法进行求解.最后,通过实证研究比较了不同熵的取值对投资决策的影响.     

面板数据分位回归模型中固定与随机效应的选择

随机效应的引入为面板数据建模中样本相关和异方差问题提供了重要解决途径,过多的随机效应不仅会极大地增加模型复杂度,而且给固定效应系数的估计带来偏差.文章在考虑到随机效应具有整体性基础上,以横截面个体为单位,对其进行整体压缩.通过对固定和随机效应分别引入不同形式的条件Laplace先验,构造了一种与Group Lasso-Lasso惩罚相等价的贝叶斯双惩罚分位回归估计方法.通过设计切片Gibbs抽样算法,快速有效地解决了模型参数估计问题.计算机模拟显示,该方法不仅能对固定和随机效应参数进行精确估计,而且能对模型中真实包含的固定和随机效应进行自动选择.     

基于变步长梯形算法GM(1,1)模型背景值的优化

文章从GM(1,1)建模机理及背景值形成过程出发,分析出对于具有明显指数规律的一次累加生成序列,GM(1,1)有时会出现预测误差较大的情况,并得出背景值的构造方法是造成这种误差的重要原因之一.利用拉格朗日插值函数和变步长梯形算法对背景值进行优化,通过对变步长梯形算法中步长大小的变化,形成了一种新的背景值构造方法,可使由背景值构成的误差降低.     

基于挖掘算法的申银万国行业指数关联规则分析

利用股票的大量历史数据发现规律从而预测股票走势,成为热门的研究课题。为了能更好地观察国内申万行业指数间的联动性与轮动性,同时针对股票的滞后性效应问题,有学者提出了一种基于时间序列的关联规则挖掘算法。文章通过关联规则及其算法,挖掘出我国2010年3月到2022年6月申万行业指数交易数据间的关联现象,从而获得有意义的关联规则,为后期制定投资策略打下基础。     

智能算法对铸牢中华民族共同体意识场景的再构研究

网络平台中铸牢中华民族共同体意识是政治传播的一个向度,全新场景下的用户与传统概念上的受众截然不同,各民族的“人”本身发生了进化、异化、云化,传播模式也由此产生了本质性位移,诸种变化和位移为进一步铸牢中华民族共同体意识提供了另一种可能和土壤。智能算法在信息推送、议程设置、于传统政治传播权力消解层面对铸牢中华民族共同体意识传播场景进行解构与变革,使得算法日益成为引导政治传播规则、资本营销模式的重要且核心元素,而传播的算法化也需围绕网络共同体的重构、情感共同体的建构和中华民族共同体的再构层面进一步实现碎片场景、消费场景、仪式场景的融通,以优化铸牢中华民族共同体意识的传播实效。智能算法时代的网络空间对于铸牢中华民族共同体意识场景再构的重要意义在于族群边界重建、族群集体记忆重构,甚至族群认同重塑的可能性,为政治传播主体和各民族网民提供了凝聚中华民族共同体认同的场景,提供了“自上而下”与“由下而上”共同书写以“五个认同”为核心的中华民族共同体认同的可能。     

新课程下高中数学算法教学的现状及优化策略

随着我国经济的不断发展,人们开始关注教育事业的发展,与此同时,我国也在不断地出台政策来推进教育改革,特别是高中教育改革。算法就是在高中数学经历新课改之后出现的内容,具体来说,算法就是指为了实现某种目的而采取的方法,也可以说是利用计算机来解决详细问题需要执行的一种程序,它具备明确性和有效性。本文就针对当前高中数学新课程中算法教学的现状进行了分析,并提出了相应的优化策略。     

索赔次数的开放式混合泊松分布研究

本文建立了索赔次数的多风险类别混合泊松模型。首先,考虑索赔次数的零膨胀、厚尾性和异质性等特征,建立风险类别待定的开放式混合泊松模型,开放式结构使该模型对实际数据的多样特征和风险类别具有良好的自适应性;其次,定义混合权重参数的iSCAD惩罚函数,实现对权重参数的筛选;最后,借助EM算法求得模型参数,实现对各风险类别下索赔次数的估计。借助iSCAD惩罚函数,给出最优混合数,避免传统混合模型中主观选择的弊端,克服传统混合模型中结构复杂、参数估计没有显式表达式、估计结果不便于解释等问题。基于三组风险特征多样数据的实证分析,本文发现该模型可以显著改进现有模型的拟合效果。