摘要：针对洪水灾害样本集的复杂性、随机性以及差异性,本文将模糊聚类迭代理论与投影寻踪技术进行互补融合,构建了模糊投影寻踪聚类模型.该模型采用投影值标准差和投影值欧氏距离平方和来构造投影指标函数,避免了传统投影寻踪模型由于经验性选取密度窗宽导致过于主观的问题;将高维数据低维化后进行模糊聚类运算,再通过对最优投影方向的寻优进行投影寻踪聚类运算,降低了模糊聚类迭代的运算量,实现了两种模型的双重迭代聚类.误差分析及聚类有效性评价表明,互补融合后模糊聚类与投影寻踪聚类的双重迭代聚类使得聚类精度和效果也得到了较大提高;此外,除优化算法初始化参数外,模型无需预设其它参数,也不依赖于随机训练样本,可客观依据历史样本集内在规律来进行洪灾聚类评估.实例研究和方法比较表明,提出的模型计算简洁,且能有效处理洪灾评估中的随机、模糊等主客观不确定性,能够为洪灾风险管理提供科学的决策支撑.

摘要：在供应链金融中,存在多期价格风险,如何有效测度和防范,成为学界与业界共同关注的重要问题.考虑到供应链金融业务的多期性,质押物收益的非线性、非对称、波动聚焦性等特征,充分发挥神经网络分位数回归（QRNN）模型在非线性与非对称方面的处理能力,结合GARCH模型在波动聚集性准确刻画方面的优势,提出了一个QRNN＋GARCH的建模框架,给出了供应链金融多期价格VaR风险测度;其次,为对比新测度方法与GARCH模型等传统方法的优劣,基于似然比检验与平均相对误差,对VaR风险测度效果进行评价,给出了相应的评价方案;再次,为确定与设计合理的多期质押率,达到有效防范风险之目的,给出了风险不可控比率和效率损失率两个指标,评价质押率的有效性。最后,选取现货铝为对象,实证研究其价格波动行为,结果表明：第一,在多期价格风险测度方面,QRNN＋GARCH方法明显优于GARCH模型,表现为准确性更高,更具效率和稳健性;第二,在防范风险方面,QRNN＋GARCH方法所确定的多期动态质押率,能够更好地降低效率损失。

摘要：神经元形态分类识别是"人类脑计划"研究首要解决的问题。神经元真实形态复杂多样,利用物理观察和日常经验无法进行分类识别,传统的分类识别算法难以解决形态相似的神经元分类识别的误判现象。针对神经元形态分类误判与类别重叠问题,提出神经元几何形态特征提取方法,设计神经元形态特征自由分类模型,从而为神经元的精确分类、有效识别与新型命名提供方法支持和实践参考。实验结果表明,该分类模型具有较高的运行效率和聚类精度,较好地解决了分类误判和类别重叠问题。