针对核密度估计载荷外推全局固定带宽的局限性,提出一种基于KANN-DBSCAN(K-average nearest neighbor density-based spatial clustering of applications with noise)改进带宽取值的核密度估计(kernel density estimation, KDE)载荷外...针对核密度估计载荷外推全局固定带宽的局限性,提出一种基于KANN-DBSCAN(K-average nearest neighbor density-based spatial clustering of applications with noise)改进带宽取值的核密度估计(kernel density estimation, KDE)载荷外推方法。通过KANN-DBSCAN聚类算法对载荷数据进行分组聚类,采用拇指法求得不同簇间的最优带宽,然后进行核密度估计,再采用蒙特卡洛模拟进行外推。以某电动汽车在用户道路的实测载荷数据为应用对象,对外推方法的合理性进行检验。从统计参数检验量、拟合度检验和伪损伤检验3个指标对外推效果进行评估。结果表明:相比固定带宽的核密度估计外推方法,基于KANN-DBSCSN核密度估计的外推方法获得的外推载荷在统计参数上与实测载荷更为接近,均值、标准差和最大值的误差分别仅为1.9%、 4.3%和1.9%;幅值累计频次曲线拟合度R2均大于0.99,伪损伤均接近1。结果验证了该聚类方法在核密度估计载荷外推的有效性,有助于编制汽车在用户道路上的载荷谱,为具有相似载荷分布特点的机械零部件载荷外推提供了参考。展开更多
在金融市场中,如何构建最优投资组合来平衡风险和回报是当今研究者所面临的主要问题之一。为了构建最优投资组合,研究者们通常使用的是VaR或CVaR模型。本研究通过综合运用聚类、核密度估计以及分布鲁棒均值-CVaR模型的方法,从而达到提...在金融市场中,如何构建最优投资组合来平衡风险和回报是当今研究者所面临的主要问题之一。为了构建最优投资组合,研究者们通常使用的是VaR或CVaR模型。本研究通过综合运用聚类、核密度估计以及分布鲁棒均值-CVaR模型的方法,从而达到提升股票投资组合的构建和风险管理能力的目的。本文考虑了包含100只股票日收益数据的实验数据集,通过优化聚类方法,利用核密度估计确定了K-means算法的最佳聚类中心和k值选取。随后,将聚类后的数据输入核密度估计的分布鲁棒均值-CVaR模型中进行分析。通过窗口滚动实验,比较了在有无聚类条件下模型对投资组合收益率的影响。结果显示,应用聚类方法后的模型具有更高的投资组合收益率,有助于投资者更好地平衡风险与回报,构建最优的投资组合。In financial markets, how to construct an optimal investment portfolio that balances risk and return is one of the main challenges faced by researchers today. To build an optimal portfolio, researchers typically use VaR or CVaR models. This study aims to enhance the construction of stock portfolios and risk management capabilities by comprehensively utilizing methods such as clustering, kernel density estimation, and distributionally robust mean-CVaR models. The paper utilized an experimental dataset containing daily returns of 100 stocks. By optimizing clustering methods and determining the optimal clustering centers and k values of the K-means algorithm using kernel density estimation, we then input the clustered data into the robust mean-CVaR model for analysis. By rolling window experiments, we compared the impact of the model on portfolio returns with and without clustering conditions. The results show that the model with clustering methods applied has higher portfolio returns, helping investors better balance risk and return to construct optimal portfolios.展开更多
在工业物联网的某些故障诊断场景中,由于缺少电信网络覆盖,采集信号通过远距离无线电(Long Range Radio,LoRa)技术实现无线可靠回传,但其较低的传输速率会限制故障诊断的精度。针对LoRa窄带宽的技术限制,提出了采样频率和量化分辨率固...在工业物联网的某些故障诊断场景中,由于缺少电信网络覆盖,采集信号通过远距离无线电(Long Range Radio,LoRa)技术实现无线可靠回传,但其较低的传输速率会限制故障诊断的精度。针对LoRa窄带宽的技术限制,提出了采样频率和量化分辨率固定条件下的时域信号非均匀量化方案。首先,通过建立基于核密度估计(Kernel Density Estimation,KDE)的非参数拟合模型,重点研究了带宽受限场景中合适的核函数类型和带宽确定准则,拟合生成传感信号幅度的概率密度函数(Probability Density Function,PDF)。其次,以PDF为输入,以最小化量化噪声为目标函数,通过非线性规划,输出最佳的一组非均匀量化电平值。其特点在于针对出现频次最高的时域幅度,采用更小的量化间隔,实现量化噪声的最小化。最后,以轴流风机状态检测为例进行了实验,结果表明,基座松动和轴承故障对量化电平的影响更大。随着量化分辨率的增加,KDE量化逐渐趋近均匀量化,相较于高斯量化的优势逐渐缩小。因此,提出的KDE量化方案适合窄带宽条件下的非均匀量化,可提高信道利用率,并在传输带宽和量化噪声之间取得折中。展开更多
文摘针对核密度估计载荷外推全局固定带宽的局限性,提出一种基于KANN-DBSCAN(K-average nearest neighbor density-based spatial clustering of applications with noise)改进带宽取值的核密度估计(kernel density estimation, KDE)载荷外推方法。通过KANN-DBSCAN聚类算法对载荷数据进行分组聚类,采用拇指法求得不同簇间的最优带宽,然后进行核密度估计,再采用蒙特卡洛模拟进行外推。以某电动汽车在用户道路的实测载荷数据为应用对象,对外推方法的合理性进行检验。从统计参数检验量、拟合度检验和伪损伤检验3个指标对外推效果进行评估。结果表明:相比固定带宽的核密度估计外推方法,基于KANN-DBSCSN核密度估计的外推方法获得的外推载荷在统计参数上与实测载荷更为接近,均值、标准差和最大值的误差分别仅为1.9%、 4.3%和1.9%;幅值累计频次曲线拟合度R2均大于0.99,伪损伤均接近1。结果验证了该聚类方法在核密度估计载荷外推的有效性,有助于编制汽车在用户道路上的载荷谱,为具有相似载荷分布特点的机械零部件载荷外推提供了参考。
文摘在金融市场中,如何构建最优投资组合来平衡风险和回报是当今研究者所面临的主要问题之一。为了构建最优投资组合,研究者们通常使用的是VaR或CVaR模型。本研究通过综合运用聚类、核密度估计以及分布鲁棒均值-CVaR模型的方法,从而达到提升股票投资组合的构建和风险管理能力的目的。本文考虑了包含100只股票日收益数据的实验数据集,通过优化聚类方法,利用核密度估计确定了K-means算法的最佳聚类中心和k值选取。随后,将聚类后的数据输入核密度估计的分布鲁棒均值-CVaR模型中进行分析。通过窗口滚动实验,比较了在有无聚类条件下模型对投资组合收益率的影响。结果显示,应用聚类方法后的模型具有更高的投资组合收益率,有助于投资者更好地平衡风险与回报,构建最优的投资组合。In financial markets, how to construct an optimal investment portfolio that balances risk and return is one of the main challenges faced by researchers today. To build an optimal portfolio, researchers typically use VaR or CVaR models. This study aims to enhance the construction of stock portfolios and risk management capabilities by comprehensively utilizing methods such as clustering, kernel density estimation, and distributionally robust mean-CVaR models. The paper utilized an experimental dataset containing daily returns of 100 stocks. By optimizing clustering methods and determining the optimal clustering centers and k values of the K-means algorithm using kernel density estimation, we then input the clustered data into the robust mean-CVaR model for analysis. By rolling window experiments, we compared the impact of the model on portfolio returns with and without clustering conditions. The results show that the model with clustering methods applied has higher portfolio returns, helping investors better balance risk and return to construct optimal portfolios.
文摘在工业物联网的某些故障诊断场景中,由于缺少电信网络覆盖,采集信号通过远距离无线电(Long Range Radio,LoRa)技术实现无线可靠回传,但其较低的传输速率会限制故障诊断的精度。针对LoRa窄带宽的技术限制,提出了采样频率和量化分辨率固定条件下的时域信号非均匀量化方案。首先,通过建立基于核密度估计(Kernel Density Estimation,KDE)的非参数拟合模型,重点研究了带宽受限场景中合适的核函数类型和带宽确定准则,拟合生成传感信号幅度的概率密度函数(Probability Density Function,PDF)。其次,以PDF为输入,以最小化量化噪声为目标函数,通过非线性规划,输出最佳的一组非均匀量化电平值。其特点在于针对出现频次最高的时域幅度,采用更小的量化间隔,实现量化噪声的最小化。最后,以轴流风机状态检测为例进行了实验,结果表明,基座松动和轴承故障对量化电平的影响更大。随着量化分辨率的增加,KDE量化逐渐趋近均匀量化,相较于高斯量化的优势逐渐缩小。因此,提出的KDE量化方案适合窄带宽条件下的非均匀量化,可提高信道利用率,并在传输带宽和量化噪声之间取得折中。
