论水资源的经济特性

水资源具有无可替代性、稀缺性、再生性、波动性四方面特征。人们在开发利用过程中 ,应该运用经济方法 ,在完善水资源市场过程中 ,通过价格机制使之达到优化配置     

2006年国内甲醇市场波动性会加剧

综合各种因素分析，预计2006年国内甲醇价格将呈现一定的强势，但波动性也会加剧。 （1）产销量继续增加，预计涨幅在30％以上。2006年甲醇消费量将超过800万t，其中甲醛领域消耗最多。2006年预计醋酸对甲醇的需求量将超过80t；另外，MTBE、；甲醇燃料、溶液等其它行业对甲醇的需求将达到500万t左右。     

基于季节长记忆双自回归模型的日径流模拟

传统时间序列模型无法同时考虑径流序列的长记忆性和时变波动性,且模型参数限制严格,从而使日径流序列模拟受到限制,影响径流模拟预测精度。本文提出了同时考虑非平稳性、季节性、长记忆性和时变波动性的新型双自回归模型(WOA-SFIDAR),并与经典长记忆波动率模型(SFIAR-GARCH)进行对比,选取渭河流域4个水文站日径流序列进行模拟验证。结果表明：WOA-SFIDAR模型的模拟能力优于SFIAR-GARCH模型,模拟结果很好地保持了日径流过程的统计特性。7、8月份模拟均值误差相对较大,WOA-SFIDAR模型的误差范围(5.72～32.56)低于SFIAR-GARCH模型(7.42～48.02)。WOA-SFIDAR模拟逐月变差系数(C_v)和偏态系数(C_s)与实测序列统计值间偏差范围为0～0.51和0.02～1.31,优于SFIAR-GARCH模型(0.02～0.56和0.06～1.52);模拟结果能够保持日径流序列自相关系数(ACF)的变化趋势,且随滞时的增加,实测序列与模拟序列的ACF差距减小。文中模型扩展了水文随机模拟方法,可为日径流模拟...     

动态网络中行业因素与股市波动性研究

股票市场的波动性一直是金融领域的一个研究重点,行业因素对股市波动性的影响也是投资者关注的一个焦点.从复杂网络视角出发,以行业内股票相关性强弱(RIL)为指标实证研究了行业因素与股票波动性之间的联系.研究发现不同行业的RIL指标有不同的参考标准,于是对原有的RIL指标进行了改进得到新指标RIL*.在以沪深300样本股为例的实证研究中发现采矿业、金融业和房地产业内的股票受行业因素影响最强.研究还发现股票网络结构变化和股市波动性之间存在联系,当行业因素影响急剧降低时,行业内的股票走势会猛烈上升或下降.     

高位振荡——安泰科5月份铅市场展望

从2月底以来LME铅价波动性就已经增强，振荡空间也有所加大。进入4月份这种趋势更加明显，LME三月期货月初在980美元／吨左右连续3天大跌，之后迅速反弹，逼近前期高点，但随即又一次走低，铅价更是下探到900美元／吨以下，月中在920美元／吨短暂整理后重新上涨，但此次力度有所减弱，     

动态手写签名差异性影响评估

动态手写签名广泛用于身份认证、文件加密以及数字版权管理等领域.生理环境、采集设备以及特征提取算法中的缺陷造成了手写签名中不同程度的差异性.文中通过实验分析了这种差异性与认证错误率的关系,结果表明,签名的波动性和复杂性分别在单样本模型和多样本模型下对错误率影响显著.反过来,合理地利用这些差异性,能够有效地降低错误率,开发出更加有效的特征,这对系统设计者和用户也有很大程度的指导作用.     

图像扫描波动性定量标准及分形扫描矩阵的快速生成

在图像扫描技术中，首要的问题是如何尽量减小生成数据的波动性。本文在深入研究各种扫描技术的基础上，定义了一种描述扫描产生数据波动性的度量指标，基于图像存在局部连续性，证明了Hilbert分形曲线扫描优于其他传统扫描，表明在生成数据的最佳连续特性，并通过实验 分析了图像扫描方式对DCT变换编码效果的影响。最后，给出了一个构造Hilbert扫描矩阵的快速算法。     

基于小波的金融时间序列波动性研究

文章针对描述金融时间序列波动性的问题,提出了一种基于小波Mallat算法的时间序列分析方法,即先用Mallat算法对金融时间序列进行分解与重构,继而对各分解层上的单支重构分量进行时间序列分析。在实证分析中,以宝钢股份的股票收益率序列为例,对这种综合分析方法的有效性与准确度进行了验证,并得到了较为满意的结果。     

驾驶疲劳状态波动性特征的识别方法

针对疲劳状态变化的波动性特征,基于心率变异性指标构建了一种驾驶疲劳状态识别方法.以驾驶行为绩效为疲劳客观测评指标,给出了适应疲劳波动性特征的驾驶疲劳分级方法.以心率变异性的3项时域指标、5项频域指标为特征因子构建驾驶疲劳识别特征向量,结合支持向量机提出了一种适应小样本的驾驶疲劳状态识别模型.采用10名驾驶员连续4 h的驾驶行为绩效与心电数据,对模型方法予以了测试.测试结果表明:10名驾驶员1级、2级疲劳状态的正确识别率介于70%~82%,平均正确识别率为75%.