古詩的分類精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的古詩的分類主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：古詩的分類范文
關鍵詞： 量價分析；股票分類；模式識別
中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2013）30-6874-03
如何準確地對股票進行分類識別一直是一個熱門的證券研究話題。在國外，常用的方法如：人工神經網絡（ANN）、支持向量機等常常出現在股票識別、走勢預測的論文中。在國內，有不少學者使用時間序列、人工神經網絡、模糊時間序列等方法研究股市，并取得了一些成果。
上述方法各有所長， 卻各有不足之處。它們在股票分類識別應用中的最大不足便是重用性差[1]，例如神經網絡模型需要做預先訓練來最優(yōu)化參數，因此訓練的結果往往不適用于其它數據。比如我們訓練一個神經網絡來識別銀行板塊的股票，訓練好的神經網絡模型卻不能用來識別煤炭板塊的股票。
結合上述模型的優(yōu)點，通過股票技術分析與模糊邏輯的理論方法建立一個基于量價特征分析的股票分類識別模型。模型的優(yōu)點是：（1）模型重用性高，可將某一板塊訓練得到的模型應用于其他不同板塊；（2）利用均線系統(tǒng)與模糊邏輯方法降低了數據噪聲影響；（3）模型分類結果直觀易理解，通過對識別后的同類股票盯梢，可以在某只股票率先上漲后立刻購入與其同類的未漲股票，以此獲利。
1 模型介紹
量價分析是分析價格、交易量兩者之間關系的技術分析方法。模型立足于股票量價分析，目標在價格和成交量的時間序列中找到一定的規(guī)律，并根據這些規(guī)律找到相同規(guī)律的股票。模型通過分析股票的價格距離、走勢特征、成交量特征來完成對同類股票的識別。
1.1 價格距離
價格距離是指兩個股票間價格的歐式距離。但由于不同股票的發(fā)行價格不同、且存在除權的影響，所以不能直接拿兩個股票進行價格距離計算，而應取經歸一化處理后的復權價格數據來建模計算。同時為了降低數據噪聲影響，模型采用收盤價的3日移動平均值（下文簡稱：MA3值）代替日收盤價。在數據長度上，選擇200天的交易數據，因為200天接近一年的總交易日，已經足夠反應兩只股票間的走勢是否相近，并可據此判斷他們是否屬于同一類股票。
在計算價格距離前，還需要考慮日期對齊問題。在股票市場，上市公司遇到重大事項，常常會向交易所申請停牌。由于可能存在交易停牌，所以在計算價格歐式距離前必須先對齊價格數據的日期。交易日期對齊后，若某日缺少價格數據，則當日價格距離等于最后總距離的平均值。當對齊后缺少價格數據的天數超過一定數值（一般取24天），則失去價格距離計算的意義。如果仍要進行股票間的價格距離計算，只能另選滿足長度要求的數據。
兩個股票間價格距離的詳細計算流程如下：1.取兩只股票最近200日的交易數據，2.將交易數據的日期對齊；3.判斷對齊后的數據是否滿足模型計算要求；4.計算股票收盤價的MA3值；5.將MA3值歸一化；6.計算股票間的價格距離。
1.2走勢特征距離
單純依靠計算兩股票間的價格距離并不能知道兩股的走勢是否相近，如圖1中兩個股票的價格歐式距離接近，但走勢不同。所以要判斷兩個股票是否屬于同一類型，除了計算股票間價格距離外，還必須計算兩個股票的走勢特征距離。
股票走勢分上漲、下跌、平緩三種，如何定義這三種走勢是計算走勢特征距離的關鍵。經過實驗統(tǒng)計，模型將股票的三種走勢分別定義如下：（1）上漲走勢：MA3值累計上漲超過3%為上漲走勢；（2）下跌走勢：MA3值累計下跌超過3%為下跌走勢；（3）平緩走勢：非上漲、下跌的走勢統(tǒng)稱平緩走勢（技術分析又稱之為橫盤走勢）。
據此定義的走勢分布如圖2下的走勢統(tǒng)計圖所示，在統(tǒng)計時間（2013年1月30日——2013年7月8日）內的所有股票走勢中，44.7%為平緩走勢，而下跌、上漲走勢分別為28.7%和26.6%。從圖2上的單日MA3漲跌統(tǒng)計圖可以看到，單日便形成上漲、下跌走勢的交易日不足10%，也就是說走勢的確立主要依靠數日的走勢累積來完成，這也符合股票實際運行規(guī)律。
在計算走勢特征距離時，還需考慮如何降低噪聲影響，例如由于某日暴漲形成上漲走勢后在次日回落形成平緩走勢甚至下跌走勢，這種單日暴漲形成的上漲走勢便是噪聲。為了降低噪聲影響，模型將三種走勢分別細分成：走勢初成、走勢延續(xù)、走勢結束三種，最后將所有9種分類通過模糊邏輯的方法將其模糊化以降低走勢特征的噪聲影響。在模糊化時，根據統(tǒng)計結果，讓這9種走勢類型相互覆蓋，以減少波動噪聲對整體走勢計算的影響。
1.3成交量異動特征
相同板塊的股票常常具有相近的成交量變化規(guī)律，例如2010年10月8日煤炭板塊的股票集體放量大漲，2013年3月28日銀行板塊的股票集體放量大跌。成交量變化和價格變化一樣，是市場最基本的表現，也是分析股票行情的重要指標。在研究成交量特征時，由于成交量的影響因素太多，如股票股本結構、機構大戶對敲、股票除權等，這導致同類股票的中長期成交量變化不規(guī)律，故模型采用股票技術分析中的短時成交量異動特征來分析股票間成交量變化規(guī)律是否一致，并以此作為股票類別判斷的其中一個依據。
模型使用的成交量異動特征分別是：倍量、地量、三天持續(xù)放量、三天持續(xù)縮量。這四種異動特征的定義分別如下：倍量，即當前交易日的成交量比上一交易日的成交量大兩倍以上。地量，即當前交易日的成交量比上一交易日的成交量小兩倍以上。三天持續(xù)放量，即當前交易日的成交量比上一交易日的成交量大1.5倍以上，同時上一交易日的成交量比上上一交易日的成交量大1.5倍以上。三天持續(xù)縮量，即當前交易日的成交量比上一交易日的成交量小1.5倍以上，同時上一交易日的成交量比上上一交易日的成交量小1.5倍以上。
確定好四種成交量異動特征后，會發(fā)現這四個異動存在同時滿足的情況。例如某一交易日，可以同時滿足倍量和三天持續(xù)放量；或者同時滿足地量和三天持續(xù)縮量；為了更好地計算成交量異動特征距離，使用模糊邏輯方法將異動特征模糊化，再進行特征距離計算。
2 模型分類識別結果
建好模型后，開始對模型進行測試，測試模型的數據為截止2013年7月8日前的證券日交易數據。在進行分類識別前需對模型進行訓練，讓其“學會”什么樣的股票是同一類型的股票。訓練模型使用的股票樣本選擇銀行板塊中9個走勢基本相同的銀行股：000001、002142、600000、600015、600016、601009、601166、6001169、601818。這九只股票走勢相近，且作為2012年末股市行情啟動的標志板塊，其具有鮮明的板塊聯動特征。
通過上述9只股票完成模型訓練后，我們輸入了：600008、000713、000858來測試模型分類識別結果，模型輸出結果見表1。
有趣的事情發(fā)生在完成分類識別后的13年7月24日14：15，此刻600008放量上漲5.47%，而同一時刻600874僅上漲了2.87%，上漲步伐落后于600008，此時買入600874次日賣出便能獲利7%。
3 小結
文章介紹的基于量價特征分析的股票分類識別模型是基于歷史統(tǒng)計信息的，適用性廣的和直觀的股票技術分析模型。該模型通過計算股票間價格距離特征、走勢距離特征、成交量距離特征來對股票進行分類，分類結果能夠指導投資者進行準確的投資決策。
參考文獻：
[1] 徐信喆.基于模式識別和分類的股市時間系列的分析和預測[D].上海：上海交通大學，2008：19-27.
[2] 劉明政，梁斌.股市技術分析模型的自動辨識研究[J].魯東大學學報：自然科學報，2010，26（2）：122-126.
第2篇：古詩的分類范文
Abstract： This paper， based on the case of lightning risk assessment for a comprehensive building in Nanchang city， analyzes and describes the methods for data acquisition， parameter selection， risk calculations， risk analysis and other process， as well as how to do scientific guidance to the lightning protection design of construction projects through the lightning risk assessment.
關鍵詞： 雷擊風險評估；風險分析；防雷設計
Key words： lightning risk evaluation；risk analysis；lightning design
中圖分類號：X820.4 文獻標識碼：A 文章編號：1006-4311（2013）27-0314-02
0 引言
為準確把握項目附近地域雷電活動規(guī)律，科學的指導防雷設計、施工，以減少或避免建筑物遭受雷擊而引起雷電災害，有必要進行雷擊風險評估。本文以對南昌市某綜合大樓為例，力圖通過雷擊風險評估，尋找存在的主要雷擊風險，指導建設項目設計和施工。
1 根據項目基本概況確定需要評估的風險
本項目處南昌市×，臨近為艾溪湖邊，總建筑23643.41平米，地下一層，地上九層，為集商業(yè)、辦公為一體的綜合大樓，人員密集，主要考慮人員傷亡損失風險。可能會出現雷擊引起接觸和跨步電壓造成傷亡即存在RA、RU風險分量，可能會出現雷擊引發(fā)火災等造成物理損害，即存在RB、RV風險分量；電梯系統(tǒng)可能會因LEMP造成電設備損壞，從而影響人員安全，即存在RC、RM、RW、RZ風險分量。
2 資料采集
2.1 現場資料采集 現場資料采集主要內容為地理位置、土壤性質、土壤電阻率、項目周邊環(huán)境。地理位置：通過GPS定位儀采集項目的經緯度，用于項目周邊雷電活動分析，本項目的中心位置為115.9692°，28.7137°。土壤性質及電阻率采集：本項目土壤電阻率測量平均值為30.575Ω.m，粘土，土壤干燥，修正后的土壤電阻率為42.805Ω.m。周邊環(huán)境：項目位于郊區(qū)附近建筑物及人員較少，距離200m為25層的綜合產業(yè)大樓。
2.2 圖紙采集 完整的圖紙資料包括：總平面、建筑圖紙、電氣圖紙、消防圖紙、初設說明等。通過對查看建筑、電氣、消防平面圖，并結合設計說明，記錄建筑物各功能區(qū)的名稱、地表特征、火災危險、驚慌程度、服務設施，并歸類分區(qū)。本項目可劃分為設備用房、停車場所（Z1），辦公場所（Z2），會議場所（Z3），餐飲、超市（Z4），檔案室（Z5），弱電機房（Z6），電梯系統(tǒng)（Z7）等七個分區(qū)。通過查看配電系統(tǒng)圖、總平面圖、弱電系統(tǒng)圖等電氣圖紙，記錄強弱電線路的特性。
3 參數選取
ru、rp、rf、hz等參數分別根據各區(qū)的地表類型、采取的消防措施、火災危險、恐慌程度選取對應的值。根據建筑物的外部屏蔽、各區(qū)的內部屏蔽措施，選取KS1、KS2值。根據各服務設施的內部布線特點，選取KS3、KS4值，本項目電梯系統(tǒng)配電線路穿金屬管道敷設，屏蔽較好，KS3 取0.0001，有線電視采用同軸電纜，取0.001，其他分區(qū)按規(guī)定強弱電分開布線，強弱電線路的KS3取0.2。根據室外線路布線方式結合各區(qū)線路耐沖擊電壓，選取各服務設施的PLD、PLI值。配電線路沿金屬管道埋地引入，并共用接地，屏蔽效果較好，Z1、Z4、Z5區(qū)無弱電設備，配電線路PLD和PLI分別選取0.2，0.008，其他分區(qū)配電線路PLD分別選取0.4和0.02。弱電線路均沿金屬管道埋地引入，并共用接地，屏蔽效果較好，根據其連接的設備耐沖擊電壓特征，電話線路、消防弱電線路的PLD和PLI分別選取0.4和0.02；有線電視線路PLD和PLI分別為0.2和0.008；網絡線路采用光纖引入，雷電流不能通過，故PLD和PLI取0。
根據室外服務設施所處的位置環(huán)境、與相鄰節(jié)點的距離、a端建筑物特征、有無變壓器，分別選取Ce、LC值、Hb、Ct等參數。根據強弱電線路SPD的安裝情況，選取PSPD的值，本項目設計的配電SPD均沒有進行備案，弱電SPD均沒有詳細的參數說明，因此PSPD為1。
4 風險計算
4.1 雷擊大地密度 提取項目附近閃電定位系統(tǒng)監(jiān)測數據，計算雷擊大地密度，本項目附近的Ng=5.1次/a。
4.2 年平均危險次數計算 根據數據采集的內容，計算年平均危險次數，本項目：ND=0.123，NM=1.272，NDa（配電）=0.152，NDa（有線電視）=0.761，NDa（電話）=0，NDa（網絡）=0.761，NDa（消防弱電）=0.122，NL（配電）=NL（有線電視）=NL（網絡）=NL（消防弱電）=0，NL（電話）=7.278×10-3。
4.3 建筑物損害概率計算 根據建筑物防接觸和跨步電壓措施，選取PA值，本項目利用建筑物柱內鋼筋做引下線，利用建筑物基礎做接地裝置，因此PA可以忽略，取0。
根據建筑物外部防雷措施，選取PB值，本項目物按第二類防雷建筑物設計，PB為0.05。PC值取決與PSPD，本項目電梯系統(tǒng)PC=1。PM值取決與PMS及PSPD之間最小值， PMS根據屏蔽和合理布線決定，本項目電梯系統(tǒng)PMS=0.0001，PSPD=1，PM=0.0001。PU、PV、PW取決于PSPD和PLD之間最小值，本項目Z1、Z4、Z5的配電線路的PU、PV、PW為0.2，其他分區(qū)配電線路的PU、PV、PW為0.4；有線電視線路的PU、PV、PW為0.2，電話線路的PU、PV、PW為0.4；網絡線路的PU、PV、PW為0，消防弱電線路的PU、PV、PW為0.4。PZ取決于PSPD和PLI之間的最小值，本項目電梯系統(tǒng)的PZ=0.02。
4.4 建筑物損失率計算 由于我國還沒有相關標準，指定不同場所的損失率值，當建筑物分多個分區(qū)計算風險，每個分區(qū)均用典型時，會造成分區(qū)越多，最終風險的計算值越大，不符合實際情況。因此，為解決此類問題，建議結合各分區(qū)潛在危險人數，對典型平均值做適當減少。
本項目物各分區(qū)的損失率計算值為：室外：LA=1×10-5；Z1：LU=4.67×10-8，LB=LV=1.87×10-9；Z2：LU=7.40×10-8，LB=LV=3.70×10-4；Z3：LU=1.26×10-8，LB=LV=1.26×10-6；Z4：LU=5.44×10-9，LB=LV=2.72×10-5；Z5：LU=2.19×10-9，LB=LV=1.10×10-4；Z6：LU=1.46×10-12，LB=LV=2.92×10-7；Z7：LU=4.67×10-8，LB=LV=0；LC=LM=LW=LZ=9.49×10-9。
4.5 建筑物風險 根據公式RX=NX×PX×LX計算各風險分量值，并相加，得建筑物人身傷亡損失風險。本項目R1=9.337×10-5，人身傷亡損失風險偏大。
5 風險分析
分析各風險分量所占比例，確定項目存在的最主要的雷擊損失風險分量。本項目物的風險分析見表1。因此，影響人身傷亡損失風險偏大的主要分量為RB、RM、RV，即由雷擊建筑物和雷擊服務設施引發(fā)火災以及雷擊建筑物附近由LEMP引發(fā)電梯系統(tǒng)故障造成的人身傷亡損失風險。
6 根據風險分析結果，科學指導防雷設計
根據風險分析的結果，針對性提出降低風險建議，指導防雷設計，具有較強的科學性。由于本項目采取的外部防雷措施符合國家的相關標準，可通過加強防雷、消防知識普及和宣傳等方法，降低由雷擊建筑物引發(fā)火災造成的損失風險?？赏ㄟ^科學合理選擇和安裝SPD，有效保護辦公、會議場所、機房等場所的設備，降低由雷擊服務設施引發(fā)火災造成的損失風險。可通過屏蔽、合理布線、科學合理選擇和安裝SPD，有效保護電梯系統(tǒng)設備，降低雷擊建筑物附近由LEMP引發(fā)電梯系統(tǒng)故障造成的人身傷亡風險。
整改后的參數變化及風險值：rf減少為0.001；PC為0.04，PM減少為0.02；配電線路、電話線路的PV減少為0.02，有線電視線路的PV減少為0.02；整改后，R1=1.025×10-6
7 結語
利用雷擊風險評估可以對建筑項目防雷工程的質量作出量化判斷，從而更加理性、有針對性采取經濟、實用、有效地防雷措施以達到保護目的。
參考文獻：
[1]錢強寒，陳勇斌，楊磊強.雷擊風險評估實踐中各風險分量的鑒別[J].浙江氣象，2007（03）.
第3篇：古詩的分類范文
關鍵詞：蒙古文字；分類器
中圖分類號：G305 文獻標識碼：B 文章編號：1674-9324（2012）07-0138-02
一、引言
蒙古文字識別屬于模式識別領域，在我國模式識別學科還在不斷地發(fā)展，人工神經網絡和各種新的最優(yōu)化技術在模式識別中的廣泛應用，以及作為統(tǒng)計模式識別基礎的文字識別技術的新進展和民族地區(qū)的發(fā)展需要，都使我們迫切感覺到研究的主體民族語言——蒙古文字的識別是多么的重要。蒙古文字識別過程主要分為獲得手寫體文字特征、書寫特征選擇和提取、整體分類識別或切分分類識別等關鍵步驟，其中無論是整詞識別還是切分識別，都必須用到分類器，本文重點探討了其中的一個重要環(huán)節(jié)分類器的設計。
二、研究內容
為了完成手寫體蒙古文字識別的任務并且得到較高的識別率，必須建立一個結構完整、層次清晰、適于搜索的分類器。因此，聯機手寫體蒙古文字識別技術中的分類器的設計是整個識別系統(tǒng)的核心，是整個開發(fā)過程中的最后階段。為了避免手寫體蒙古文字切分后提取到的特征混亂的局面，我們采用兩級分類器，對切分后的基元進行分類識別，其識別正確率達到80%以上。主要采用的方法有判別函數法、貝葉斯（Bayes）決策方法以及HMM模型與最近鄰方法等，這樣可以充分利用蒙古文字的聯機和脫機特征建立多分類器，提高識別率。第一層分類器的設計：統(tǒng)計決策（Statistical decision）可以從廣義和狹義兩方面來理解。凡是使用統(tǒng)計方法而進行的決策，稱為廣義的統(tǒng)計決策；狹義的統(tǒng)計決策特指風險型決策方法。所謂風險型決策，是指通過人們大量實踐和觀察后發(fā)現，對可能發(fā)生的結果（情況）有統(tǒng)計規(guī)律可循，并可根據這些規(guī)律獲得事件出現的概率分布，而決策者在一次抉擇過程中，盡管掌握了這種統(tǒng)計規(guī)律，但也不可避免地承擔一定風險的決策。貝葉斯（Bayes）決策理論方法是統(tǒng)計模式識別中的一個基本方法。常用的貝葉斯決策方法有基于最小錯誤率的貝葉斯決策和基于最小風險的貝葉斯決策兩種，本系統(tǒng)采用第二種方法設計第一層分類器。手寫體蒙古文字經過特征提取之后，確定位于字首的基元有22個，字中的基元有18個，字尾的基元有20個。繼續(xù)判斷位于主干線的左邊的基元有4個，右邊的有5個，位于兩邊的基元有51個。在選取了特征之后，需要選擇或尋找適當的判別準則，從而判斷出待設別的文字特征與哪一個類別的特征最近。本系統(tǒng)采用的最小風險貝葉斯決策規(guī)則為：
如果R（?墜k|x）=■R（?墜i|x），則?墜=?墜k （2.2.1）
依據上式所得到的X帶入下面的線性判別公式中，完成文字特征的第一級分類，線性判別公式如下：?搖
Di（X）=■?棕ikXk+?棕i0 （2.2.2）
式中Di（X）代表第i個判別函數，?棕ik是系數或權，?棕i0為常數或稱為閾值。由于文字數量很大，如果不對文字分類而直接識別，一方面識別效果不會好，另一方面計算量往往會很大。所以文字識別通常都要對文字做一級或多極分類，然后再細分判別，從而大大提高識別效率。在本文所探討的蒙古文字識別一級分類器設計時主要采用了比較簡單的基于貝葉斯決策方法的線性分類器，這主要是根據獲得的手寫體文字特征不夠清晰的前提下采用的方法。但是，在實際中有許多模式識別問題并不是線性可分的，尤其蒙古文字是字母和字母之間是連筆寫成的，因此根據如此復雜的情況，我們進一步設計了第二層分類器。第二層分類器的設計：在第一層分類器的識別結果上，我們把HMM模型與最近鄰方法DTW融合在一起，這是一種有監(jiān)督學習方法。給定一個訓練數據集合，分類算法根據這些標記的數據歸納出一個分類器（或模型），這個分類器可用于預測新的或未標記的數據，即將每個新數據映射到給定類別中的某一個類，這樣可以充分利用文字的聯機特征和脫機特征，從而進一步提高分類識別的精確率。HMM即隱含馬爾可夫模型是一個數學模型，到目前為之，它一直被認為是實現快速精確的語音識別系統(tǒng)的最成功的方法，但近年來，在人臉識別、手寫識別等諸多方面也得到了廣泛的應用。
分類問題直接與特征提取有關。在有些情況下，所選取的特征決定了粗分類的方法。在我們的系統(tǒng)中首先使用了蒙古文字的一些結構特征進行粗分類，如按照筆畫數、起筆點、是否存在主干線、詞中的位置等特征進行一級分類，此時要求粗分類的分類穩(wěn)定性要高、速度要快、特征要簡單，要和細分判別方法相協調。再次按照蒙古文字全局結構特征如是否帶有回朔筆跡、筆劃是否交叉、是否帶有圈等特征進行二級分類，也稱為細分類過程。因后驗概率的估計并不可行，下面把實際的細分類Ci的概率表示為：?搖?搖
P（Ci|Qj（O））=P（Ci|Qj，1（O），Qj，2（O），…Qj，m（O）） （2.2.3）
O是觀察特征模式，Qj，k（O）是由分類器j識別的第k個最佳類標記，M取小于N的值，M
聯機手寫體蒙古文字識別是模式識別的一個重要研究方向。本文重點解決了對連筆的蒙古文字切分后的基元如何進行進一步的分類和識別，針對這一問題我們設計了多級分類器。分別使用貝葉斯（Bayes）決策方法和線性判別函數法建立第一層分類器，在此基礎上我們把HMM模型與最近鄰方法融合在一起建立了第二層分類器。在手寫體蒙古文字識別過程中，正確分類識別每個基元是至關重要的，這直接影響到系統(tǒng)的識別率和正確率?？傊?，本論文探討的多分類器的設計思想為文字識別領域提供了一項具有參考價值的技術和方法。
參考文獻：
[1]Claus Bahlmann，Hans Burkhardt.“The Writer Independent Online Handwrinting Recognition System frog on hand and Cluster Generative Statistical Dynamic Time Warping”[J].IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，2004，26，（3）：75–86.
第4篇：古詩的分類范文
關鍵詞 35kV變電站；防雷；接地
中圖分類號TM63 文獻標識碼A 文章編號 1674-6708（2014）119-0061-02
0引言
變電站防雷及接地是變電站安全運行的重要保障，如果防雷及接地做的不到位，輕則故障停電損或壞設備，重則造成人身傷亡事故，隨著人們對防雷接地的重視程度增加、設備制造標準和運行可靠性的提高，發(fā)生人員傷亡的事故基本沒有了，但是大量微機保護設備和自動化、通訊設備的增加，對變電站的防雷及接地的可靠性提出了更高的要求。在工礦企業(yè)里，35kV變電站也是比較重要的供電負荷中心，其停電所帶來的經濟損失遠高于10kV配電所。本文就研山鐵礦35kV變電站的雷擊形成的原因和采取的技術措施進行多方面論述，希望對以后的變電站防雷設計和運行有指導借鑒意義[1]。
1 35kV變電站事故之前的防雷接地介紹
研山鐵礦35kV變電站位于半山坡上，位置較高，周圍較空曠，該站有兩臺40000kVA的35kV主變，變壓器在室內安裝，沒有在外的電氣設備。進線是采用35kV高壓電纜從架空線路引進室內35kV開關柜。按照設計，變電站為三類防雷建筑物防直擊雷保護，由于所有變配電設施全部在室內，因此沒有裝設避雷針，從屋頂避雷帶用10鍍鋅圓鋼引下至室外接地極。防雷接地與設備接地極分開布置。站內低壓供配電系統(tǒng)采用工作接地和保護接地合一的TN-C形式[2～3]。
2 雷電入侵現象
變電站在夏季遭遇雷電入侵共計兩次。第一次是在雷雨天時候，閃電和雷鳴同時發(fā)生，同時位于變電站二樓的中控室儀表盤柜柜殼表面靠近室外的方向的棱角處發(fā)生電火花，持續(xù)時間很短，稍縱即逝。第二次也是同樣的情況，只是發(fā)生電火花的地點在中控室隔壁的交接班室的暖氣管道突出的連接頭處。這兩次的現象相同，但都沒有對設備造成任何損壞，也沒有導致設備停止運行。
3 原因分析
雷擊主要分兩種情況，直擊雷和感應雷，由于現場沒有任何燒損的痕跡，首先排除了直擊雷。感應雷也稱為雷電感應或感應過電壓。分兩種情況，它分為靜電感應雷和電磁感應雷。一種是指當雷云來臨時地面上的一切物體，尤其是導體，由于靜電感應，都聚集起大量的雷電極性相反的束縛電荷，當雷云對地或對另一雷云閃擊放電后，云中的電荷就變成了自由電荷，從而地面上的物體聚集的電荷所產生出很高的靜電電壓（感應電壓）馬上得到釋放，其過電壓幅值可達到幾萬到幾十萬伏，這種過電壓往往會造成建筑物內的導線，接地不良的金屬物導體和大型的金屬設備放電而引起電火花，從而引起火災、爆炸、危及人身安全或對供電系統(tǒng)造成的危害。
另一種情況是，在雷電閃擊時，由于雷電流的變化率大而在雷電流的通道附近就形成了一個很強的感應電磁場，對建筑物內的電子設備造成干擾、破壞，又或者使周圍的金屬構件產生感應電流，從而產生大量的熱而引起火災。另外，當架空線遭受直擊雷或產生感應雷，高電位便會沿著導線電源線以及信號侵入變電站或建筑物內，這種雷電波侵入也會對電氣設備造成危害或使建筑物內的金屬設備放電，引起破壞作用。
再結合變電站發(fā)生的現象，技術人員共同分析最終得出結論認為是靜電感應雷所導致，不是電磁感應雷，更不是直擊雷。雖然儀表盤柜柜殼有接地，可能是接地電阻還是不足夠小，電荷釋放還不夠及時。不過事故沒有造成柜內電子設備損壞，封閉的柜殼對內部電子元件也有很強的屏蔽作用，電荷沒有感應到內部電子元件上，否則后果很嚴重。如果靜電感應雷的電場再強一些，不排除柜內損壞電子元件的可能性。因此應該采取進一步加強鞏固措施，避免以后類似雷擊事件的發(fā)生。
4 改進措施
前文提到變電站遭受的雷擊不是直擊雷，說明包括接閃器和防雷接地極在內的保護系統(tǒng)還是可靠的，著重防護的是感應雷擊，主要是進一步減小保護接地電阻阻值達到增加多余電荷瀉放通道的目的。變電站內電子設備都有鋼制柜體，滿足電磁屏蔽的要求。
測試了保護接地電阻，在合適的土壤和氣象條件下，多次測得的平均接地工頻電阻為3.1Ω，阻值合格。
從兩方面改進，一方面補充保護接地極和防雷接地極，減小接地電阻；另一方面，室內配電室墻壁邊緣內安裝一圈40×4鍍鋅扁鋼連接到室外接地極，室內的盤柜外殼通過槽鋼基礎也連接到40×4鍍鋅扁鋼上面，增加感應雷所產生電荷的瀉放通道。
根據圖片對比原設計，增加了2組保護接地極，增加了2組防雷接地。接地極深度為0.7米，接地極間距為5米?？刂剖液团潆娛覂仍诰嚯x室內地板200mm高處安裝一圈-40×4鍍鋅扁鋼，室內電纜橋架、水暖管道、電纜穿線金屬管就近焊接到這一圈鍍鋅扁鋼上，鍍鋅扁鋼和室外保護接地極相連，組成一個新的接地網，和原來已有的接地網連接組成一個更可靠的保護接地系統(tǒng)。有的金屬構件之前已經焊接到原來的接地網上了，為了可靠起見，這次設備外殼等金屬構件又增加了和新接地網的連接點。
新增的防雷接地極分別通過10鍍鋅圓鋼與屋頂的避雷帶連接。利用屋面上的金屬欄桿作為避雷帶，檢查金屬欄桿焊接是否可靠，不可靠再補焊。
5 實施效果
工程完工之后，在合適的土壤和氣象條件下，多次測得的防雷接地極平均工頻電阻為2.8Ω，保護接地電阻2.3Ω，換算成沖擊接地電阻也合格。2013年雨季沒有出現過雷擊現象，證明已經初步產生了一定的實際效果，如果要證明是否徹底解決了防雷問題，還需以后兩年雷雨季節(jié)的實際運行情況驗證。
6 結論
接地是避雷技術最重要的環(huán)節(jié)，不管是直擊雷，感應雷或其它形式的雷，都需要將電荷通過接地裝置導入大地。因此，沒有合理而良好的接地裝置，就不能有效地防雷。從避雷的角度講，通過接地裝置把雷電對接閃器閃擊的電荷盡快地瀉放到大地，使其與大地的異種電荷中和，避免了設備遭受雷擊損壞。本工程改造通過增加變電站的防雷接地極和保護接地極，又增加了接閃器的接地引下線的數量，使得直擊雷和感應雷產生的電荷迅速釋放到大地，從實踐方面取得了預期效果。
參考文獻
[1]邵培新.電氣設備接地防雷措施[J].中小企業(yè)管理與科技，2011（4）：297.
第5篇：古詩的分類范文
【關鍵詞】 突發(fā)性耳聾；類固醇激素；鼓室內注射；Meta分析
突發(fā)性耳聾是耳鼻喉科臨床的常見病，是指72小時內突然發(fā)生原因不明的非波動性的感音神經性聽力損失[1]。在臨床治療上通常使用靜脈激素、血管擴張劑、溶栓藥物、能量合劑及高壓氧等治療方法，但療效仍不理想，有相當一部分的患者聽力不能恢復到有效聽閾。類固醇鼓室內注射治療突發(fā)性耳聾是近年來逐漸開展的一種治療方法，有研究表明這種方法可以提高類固醇激素在內耳外淋巴中的聚集率并能避免許多因全身大劑量應用類固醇激素而產生的副反應。本文運用系統(tǒng)評價的方法，對設有對照組的鼓室內注射類固醇激素治療突發(fā)性聾的文獻進行系統(tǒng)分析， 旨在評價該療法的療效
1 材料與方法
1.1 納入標準 （1）研究對象突發(fā)性耳聾患者。（2）必須是比較類固醇鼓室內注射和安慰劑的報道。（3）研究類型：隨機對照臨床實驗、回顧性和非隨機對照研究均可納入。（4）原始文獻需治療組、對照組的總人數、治療有效人數、評估方法及標準。
1.2 資料收集方法 （1）計算機檢索：檢索年限為2001年～2011年10月。檢索的外文數據庫包PubMed、MedLine、EMBASE、Web of Science、循證醫(yī)學數據庫（EBMR）；中文數據庫則包括中國生物醫(yī)學文獻光盤數據庫（CBM-disc）、中國生物醫(yī)學期刊文獻數據庫（CMCC）、中國期刊網全文數據庫（CNKI）和中文科技期刊全文數據庫（VIP）。（2）檢索策略及檢索詞：經咨詢圖書館參考館員共同制訂檢索策略，由2名評價員同時進行獨立非盲法檢索并做初步篩選，英文數據庫以［（sudden deafness）or（sudden sensorineural hearing loss） or（sudden hearing loss］AND［intratympanic］AND［（steroid）or（corticosteroid）］為檢索詞，中文數據庫以“突發(fā)性耳聾、鼓室內注射、類固醇激素、激素”為主要檢索詞。（3）手工檢索：手工檢索國內外有關外科學的核心期刊現刊。通過相關文獻（包括綜述）的引文進一步擴大檢索范圍，查找所需文獻。（4）其他檢索途徑：檢索中山大學購買的國內外各大出版社的外文電子期刊。
1.3 檢索結果篩選 閱讀檢索初始得到的文獻文摘，排除明顯不合格的文獻，由兩名評價員獨立選擇研究并進行質量評價,按預先設計的表格提取資料。
1. 4 統(tǒng)計學分析 統(tǒng)計分析借助Review Manager 5.1統(tǒng)計軟件。計數資料采用相對危險度( relative risk, RR )為療效分析統(tǒng)計量；計量資料采用加權均數差(weighted mean difference,WMD)，區(qū)間估計采用 95%可信區(qū)間，納入Meta分析的研究先作異質性檢驗，多個獨立研究的結果不具有同質性時采用隨機效應模型( D模型)；無統(tǒng)計學異質性研究結果的合并分析選擇固定效應模型(F模型)。對無法合并的相關的研究參數僅作描述性分析評價。
2 結果
有7項對照研究共964例患者被納入進行系統(tǒng)評價，見表1。其中1項研究為RCT，6項研究為非隨機對照研究。文獻具體信息見表1。
表1 納入研究文獻信息
療效分析：
7篇納入研究的文獻共收入患者338例患者。Meta 分析的結果顯示，鼓室內注射類固醇激素后治療組共有75例患者有效，對照組共有49例患者有效，與對照組相比，OR合并值的點估計為4.25,95%CI為（2.35,7.69）（圖1）。表明類固醇激素鼓室內注射治療突發(fā)性耳聾是一種有效的治療手段。
圖1 類固醇鼓室內注射治療突發(fā)性耳聾的meta分析
3 討論
內耳中同時存在糖皮質激素和鹽皮質激素受體，類固醇激素能與細胞內受體結合, 抑制一氧化氮合酶和細胞因子、黏附分子、血小板因子的轉錄，從而抑制炎癥過程， 因而類固醇在耳蝸功能的調節(jié)中發(fā)揮著重要作用。同時類固醇可改善耳蝸血流，防范耳蝸缺血，防止噪聲性聽力下降，調節(jié)內耳的蛋白質合成。近年來國外相繼出現的一些前瞻性、隨機對照的臨床研究，證明了鼓室灌注糖皮質激素治療突發(fā)性聾的療效，Ho 等和Choung 等對常規(guī)治療無效的難治性突聾患者給予鼓室局部注射地塞米松，結論認為全身應用糖皮質激素等綜合治療效果欠佳的突聾患者，地塞米松鼓室注射給藥能明顯提高療效。
但目前鼓室內激素治療目前尚未得到公認，把其作為突聾一線治療藥物的研究較少，大多數研究同時合并全身激素給藥。本研究通過文獻檢索對鼓室類固醇激素注射治療突發(fā)性聾的療效做系統(tǒng)分析，初步的評價結果顯示，類固醇鼓室內注射是是一種有效的治療手段。
本文納入分析文獻的病例數均較少，缺少多中心雙盲隨機對照研究，各位作者使用的療效評定標準、觀察時間等不盡一致， meta分析的質量不高，仍需要更高詢證醫(yī)學質量的文章做進一步研究，以便為臨床提供更為確切的結論。
參考文獻
［1］ Fu Y, Zhao H, Zhang T, Chi F.Intratympanic dexamethasone as initial therapy for idiopathic sudden sensorineural hearing loss: Clinical evaluation and laboratory investigation. Auris Nasus Larynx. 2011 Apr;38(2):165-71.
［2］Li P, Zeng XL, Ye J, Yang QT, Zhang GH, Li Y.Intratympanic methylprednisolone improves hearing function in refractory sudden sensorineural hearing loss: a control study. Audiol Neurootol. 2011;16(3):198-202. Epub 2010 Oct 18.
［3］Wu HP, Chou YF, Yu SH, Wang CP, Hsu CJ, Chen PR. Intratympanic steroid injections as a salvage treatment for sudden sensorineural hearing loss: a randomized, double-blind, placebo-controlled study. Otol Neurotol. 2011 Jul;32(5):774-9.
［4］Lee JB, Choi SJ, Park K, Park HY, Choo OS, Choung YH.The efficiency of intratympanic dexamethasone injection as a sequential treatment after initial systemic steroid therapy for sudden sensorineural hearing loss. Eur Arch Otorhinolaryngol. 2011 Jun;268(6):833-9. Epub 2011 Jan 8.
［5］趙遠新,周曉娓,姚清華. 地塞米松鼓室內灌注治療突發(fā)性聾. 聽力學及言語疾病雜志2010 年第18 卷第4 期:391-392
第6篇：古詩的分類范文
論文摘要：自動化通訊設備在運行過程中，經常會出現各種不同的故障。本文通過介紹如何查找故障及如何檢修的具體技術和方法，旨在為電信公司在自動化通信過程中出現的障礙及處理辦法等方面提供有益的參考。
0 引言
自動化通信設備在運行過程中，會出現各種不同的故障，影響系統(tǒng)的運行，有時甚至還會起到破壞性的后果。我們要及時準確地查明故障所在，并且排除它，就必須對通信設備的故障分類和檢修有所了解。
1 故障的分類
1.1 按故障性質分為軟故障和硬故障
軟故障是指由于軟件系統(tǒng)錯誤而引發(fā)的故障。常見的軟故障有程序錯誤、病毒破壞、操作失誤，以及設置錯誤和盲目操作等。
硬故障是指設備硬件的物理損壞：一是人為和環(huán)境原因，如環(huán)境惡劣、供電不良、靜電破壞或違反操作規(guī)程等原因造成；二是電器構件原因，如元器件、接觸插件、印刷電路等損壞造成。
1.2 按故障影響范圍和程度分為全局性、相關性、局部性、獨立性故障
全局性故障是指影響到整個系統(tǒng)正常運行的故障；相關性故障是指某一故障與其它故障之間有著因果或關聯關系；局部性故障是指故障只影響了系統(tǒng)的某一些項或幾項功能；獨立性故障特指某一元器件發(fā)生的故障。如電源熔絲熔斷，使設備不能啟動屬全局性故障，而造成原因可能是相關的某一部件短路，即故障的相關性。局部性、獨立性故障一般是統(tǒng)一的。
1.3 按故障發(fā)生的時間、周期分為固定性故障和暫時性故障
固定性故障指故障現象穩(wěn)定，可重復出現，其原因主要是由于開路、短路、機械部件損壞或某一元器件失效引起；暫時性故障是指故障的持續(xù)時間短、工作狀態(tài)不穩(wěn)定、時好時壞的現象，其造成原因可能是元器件性能下降或接觸不良等引起的。
2 檢修過程的先后順序
2.1 先分析思考，后著手檢修
引發(fā)故障的原因可能是多方面的，而故障的現象，發(fā)生的時間也可能是不確定的。發(fā)現一個故障，首先應分析其可能產生的原因，并列出有關范圍，尋找相關范圍的技術資料作為理論引導?！艾F在就做”可能并不適合于設備的檢修，即按部就班，循而有序是很重要的。
2.2 先外后內
任何時候冒然打開機箱都是不對的。只有在排除外部設備、連線故障等原因之后再著手進行內部的檢修，才能避免不必要的拆卸。
2.3 先機械部分，后電子部分
應當先檢查機械元器件的完好性，再檢查電子電路結構以及機電一體的結合部分。
2.4 先靜后動
即先在斷電情況下檢修，然后再接電。這里有一個原則性問題，即安全。
3 檢修方法
3.1 直接觀察法
直接觀察有不接電和接電兩種情況。首先應該進行不接電觀察，利用人的感覺器官（眼、耳、手、鼻）檢查有關插件是否松動、接觸不良、虛焊脫焊、斷線、短路、元件銹蝕、變焦、變色，電源短路、過流、過壓和熔絲熔斷等現象。經仔細觀察機內外各元器件無誤后，接電觀察，看機內有無冒煙、打火、異常聲響現象，如有趕緊關機，還可輕輕敲擊機箱、構件，看有無接觸不良，同時可用手觸摸懷疑的元器件，看是否有過熱現象并根據元器件過熱程度以及溫度做出相應的判斷。
3.2 測量法
這種方法比較簡單直接，針對故障的現象，一般能判斷出故障所在，借助一些測量工具，能進一步確定故障的原因，幫助分析和解決故障。
常見的測量檢查方法有電壓檢查法、電阻檢查法和電流檢查法。電壓檢查法是通過測量元器件工作電壓并與正常值進行比較來判斷故障；電阻檢查法是測量元器件對地或自身電阻值來判斷故障的一種方法，它對檢修開路、短路故障和確定故障元件有實效；電流檢查法是將電流表串入電路中測量工作電流，這種方法檢修起來很不方便，亦較少使用。
3.3 插拔法
通過將插件“插入”或“拔出”來尋找故障的方法。此方法雖然簡單，卻是一種常用的有效方法，能迅速找到故障的原因。具體步驟是：
3.3.1 先將故障設備和所有連接設備的連線打開，再合上故障設備電源開關，若故障消失，查連接設備及連接線是否有短路現象（如碰線、短接、插針相碰等），若有，則排除；若無，則查故障設備本身。
3.3.2 將故障設備所有插件板拔出，若故障現象消失，則故障在某插件板上。若故障現象仍出現，則應仔細檢查設備電源有無故障。
3.3.3 仔細檢查每塊插件板，觀察是否有相碰和短路，若有則排除；若無再一塊塊地插上，開機、關機測試，這樣很快就能發(fā)現哪塊插件板上有故障。
3.3.4 找出故障插件板，再根據故障現象和性質判斷是哪一個集成塊或電子元器件損壞。
3.4 試探法
試探法是用正常的插件板或好的組件（大規(guī)模的集成電路）替換有故障疑點的插件板或組件來試探故障的一種方法。這種方法在調試和檢修中經常使用，尤其是一時還搞不清故障在哪兒時，采用此方法更方便、直接。但如果故障很嚴重，有燒機現象，而又不能明確對象時，可不用此法，因為發(fā)生故障的插件板可能是具有破壞性的，隨意替換可能會導致替換上的新插件板再損壞。
3.5 其它檢修方法
3.5.1 隔離法，也稱分段法，即將各部件分隔開來進行局部的檢查，以確定故障的位置。
3.5.2 比較法，是用正確的特性與錯誤的特征相比較來尋找故障的原因。
3.5.3 升溫法，就是人為地將環(huán)境溫度或局部部件溫度升高（用電吹風可使局部部件的環(huán)境溫度升高，注意不可將溫度升得太高，以致將正常工作的器件燒壞），加速一些高溫參數比較差的元器件“死亡”，來幫助尋找故障的一種方法。有時設備工作較長時間或環(huán)境溫度升高后會出現故障，而關機檢查時卻是正常的，再工作一段時間又出現故障，這時可用“升溫法”來檢查。
3.6 綜合法
綜合法是指把以上方法統(tǒng)一考慮起來處理故障。這樣對處理一些比較復雜的故障，能及時、準確地找出故障原因并且排除它。
4 結束語
判定故障一定要有良好的技術知識作為基礎，這樣才能準確、及時發(fā)現問題和解決問題。另外，查找故障時，盡量拓寬自己的思路，把各方面能造成故障的因素都想到，仔細地分析和進行排除。
參考文獻：
[1]樂光新.數據通信原理.北京：人民郵電出版社，1988.
汪一鳴等.計算機通信與網絡教程.北京：電子工業(yè)出版社，2000.
曹志剛.現代通信原理.北京：清華大學出版社，2000.
第7篇：古詩的分類范文
關鍵詞:電器行業(yè);標準化;聚類分析
中圖分類號:TD611+.3 文獻標識碼:B 文章編號:1009-9166(2009)020(c)-0205-02
目前常用的對上市公司的分類中包括按照板塊分類,這種分類大大地減輕了投資者在繁復的對象中搜尋的工作量。然而各板塊內部的公司實質上質量參差不齊,許多指標上存在較大的層次差別。為進一步對上市公司的業(yè)績進行綜合而科學的評估,在板塊內部進一步細分顯得猶為重要。
考慮到我國長期以來拉動內需的政策與實際需求,同時結合電器在拉動內需過程中所扮演的重要角色,本文以電器板塊作為切入點,選取其中2008年以前上市的37家公司為樣本,結合其多項財務指標對其進行聚類分析。
一、 聚類分析方法
(一)數據標準化。由于所選指標性質差異比較大,其量綱和數量級的差別會對分析結果產生一定影響,另一方面,本文所選取的歐氏距離的值與各指標量綱有關,因此需對原始觀測數據進行標準化處理, 并以標準化后的數據為依據進行分析計算。
(二)系統(tǒng)聚類分析法。系統(tǒng)聚類法首先將各樣本各分為一類,再按照其距離的遠近,逐次將距離近的類聚合,最終將所有樣本聚為一類。利用SAS軟件進行系統(tǒng)聚類分析可以得到逐次聚類的過程,有利于保證分析的科學性和嚴密性。
本文采用歐式距離定義樣本之間距離,即:
采用離差平方和法(WARD法)定義類類距離。離差平方和法的主要思想是,當所分類數固定時,選擇使所有類總離差平方各達到最小的分類。先讓n個樣品各自成一類,然后縮小一類,每縮小一類離差平方和就要增大,選擇使其增加最小的兩類合并,直到所有的樣品歸為一類為止。WARD法把兩類合并后增加的離差平方和看成類間的平方距離。
二、 實證分析
1.指標選取
為實現對所選上市公司業(yè)績的科學而公正的評估,本文選取了12個財務指標構成一個評估指標體系,主要從流動性指標、效率指標、杠桿率指標、盈利性指標等多方面進行測評,所選取的具體指標如下:
表一:電器板塊上市公司業(yè)績綜合評價指標體系
2.聚類分析
本文選取了37家電器板塊于2008年前上市的企業(yè),對其相關財務指標2008年度值進行分析,原始數據來源為銳思數據,所用統(tǒng)計分析軟件為SAS。
在歐氏距離及離差平方各法之下,采用系統(tǒng)聚類法對37個12維變量進行聚類分析,可以得到如下譜系聚類圖:
截取并類過程的一部分,得到
其中RSQ即R2k,該指標越大,說明K個類越能夠區(qū)分開,聚類效果越好;SPRSQ即半偏R2統(tǒng)計量,是R2k+1與R2k的差值,其值越大,說明上一次合并為K+1個類后的效果好,可用于評價一次合并的效果,該指標支持分為二類或三類。PSF即偽F統(tǒng)計量,Fk越大表示樣品可顯著地分為K個類,可見該指標支持分為三、四或五類。PST2即偽t2統(tǒng)計量,該值大,表示合并后類內離差平方各的增量相對于原來兩類的類內離差平方各大,表明上一次聚類的效果是好的,該指標支持分為三類或四類。結合各個統(tǒng)計指標及譜系聚類圖,可以認為分為三類或四類是較合適的。
三、 分析與結論
1.類一中包括了絕大多數電器板塊中的上市公司,且觀察其并類距離,可以發(fā)現該類中樣本距離并不大,即各樣本之間的差異并不大。從原始數據來看,類一中樣本具有各項指標整體較優(yōu)良的性質,發(fā)展穩(wěn)定,收益較好,屬于板塊中的中堅力量,其中也不乏板塊領跑者,總體來說,經營績效較優(yōu)良。2.類二中只包括佛山照明。較之其他上市公司,佛山照明擁有較高的每股收益、速動比率、流動比率、營業(yè)利潤率等指標,凈資產增長率較低,因此其對短期債務的支付能力明顯高于其他同類企業(yè), 而股東所享受到的收益較其他公司也較高。3.類三中包括三支ST公司,且有兩支已受到退市預警,另一支亦連續(xù)兩年虧損,類三平均每股收益很低,流動比率、速動比率較低,短期負債支付能力有待提高,且債務比率相當高,另一方面,收入方面表現不佳,經營績效堪憂。4.類四只包括S*ST長嶺,擁有相當高的每股收益,債務比率較高,營業(yè)利潤率較低,但是銷售凈利率相當高,說明其費用可能較高,管理經營狀況不善。
作者單位:武漢大學經濟與管理學院
參考文獻:
[1]陳志啟.煤炭行業(yè)上市公司的聚類分析.金融管理.No.5 2008
[2]高惠璇.應用多元統(tǒng)計分析.北京大學出版社
第8篇：古詩的分類范文
【關鍵詞】經營績效；股票價格；SFA
引言
隨著近期國家對房地產市場調控的不斷加強，人們對房地產市場以及房地產板塊股票的關注越來越多，房地產市場的變化和股票價格的波動牽動著千萬人的心。那么股票價格到底受什么因素影響呢？陳朝旭等（2006）、孫霄種等（2007）利用Granger因果關系檢驗論證了我國股市存在依賴于經濟周期的非對稱關聯關系，在經濟繁榮時期我國股市與實體經濟才表現出較好的關聯性。同時，也有學者從實證上論證我國股市與宏觀經濟存在聯系。劉少波和丁菊紅（2005）分別用不同的方法驗證了我國股市正走向漸進有效，后者還利用線性回歸分析得出1997年之后我國股市與宏觀經濟指標之間存在弱相關性，其基本結論是我國股市與實體經濟存在弱相關關系、協整關系和不顯著的Granger因果關系。李澤廣和高明生（2007）實證研究發(fā)現，我國股價和匯率之間存在穩(wěn)定的協整關系和雙向的因果關系。鄧和楊朝軍（2007）實證結果表明，匯率制度改革后中國股市和匯市之間存在長期穩(wěn)定的協整關系，人民幣升值是中國股市上揚的單向原因。巴曙松、嚴敏（2009）實證研究則表明股價和匯市之間不存在長期均衡關系。
整體來看，對于股票價格影響的研究主要集中于各種外部條件，而股票作為上市公司自身募集資金的主要手段，其價格與上市公司自身經營必然高度相關。股票之所以具有價值，是因為它們具有投資者所希望的某類屬性。按照通行的財務理論觀點，一家公司的股票價格是其未來的現金流量（即股利）按一定的貼現率進行折現的現值。而公司經營的好壞決定著該股票的未來價格，那么公司經營的現狀就能夠對未來股票價格造成影響?；诖?，本文將從房地產類上市公司相關的經營指標出發(fā)，測算出公司經營效率，進而分析經營效率對股票價格的影響。
一、研究方法及數據說明
1.隨機前沿生產函數模型
隨機前沿生產函數模型最早由Aigner和Chu（1968）年提出，將生產率分解為技術前沿和技術效率，前者描述一定要素投入組合與最大產出量之間的關系，后者則為單個生產者的實際產出與前沿產出的差距。本文采用柯布―道格拉斯生產函數，依照Battese和Coelli（1992）模型，本文的隨機前沿生產函數模型可以表示如下：
其中，、和分別為2010年各房地產類上市公司營業(yè)收入、資本投入、勞動力投入，和是資本產出彈性和勞動產出彈性；為我國房地產類上市公司的前沿技術進步水平；為隨機擾動項，指上市公司內部系統(tǒng)的不可控因素造成的隨機誤差，包括統(tǒng)計誤差、自然災害等，其服從對稱的正態(tài)分布，即：；為第i個上市公司的生產無效率項，其服從截尾正態(tài)分布，即：，則稱為技術效率。
對（1）式取對數，得：
在得出生產無效率項的估計值后，取得各房地產類上市公司經營效率值。本文將使用回歸分析法分析各房地產類上市公司經營效率是否對其股票價格及變動產生顯著性影響。
2.數據說明
（1）房地產類上市公司產出。本文選取能夠反映上市公司基本經營水平的營業(yè)收入作為其產出指標，原始數據來源于潛龍軟件，采用2010年年報的數據。
（2）房地產類上市公司資本投入。本文選取2010年房地產類上市公司年報中的股東權益作為資本投入的指標，其能夠很好的反應上市公司原始資本投入水平，原始數據來源于潛龍軟件，采用2010年年報的數據。
（3）房地產類上市公司勞動力投入。本文采用2010年房地產類上市公司年報中的管理費用作為勞動力投入這一指標，原始數據來源于潛龍軟件，采用2010年年報的數據。
（4）股票價格。本文選取了兩類股票價格進行分析，一是股票價格的極差，即股票最高價與最低價的差值；二是股票收盤價的均值。原始數據來源于潛龍軟件，采用2010年年報的數據。
二、實證結果
1.使用Stata10.0軟件，可得出本文所采用隨機生產函數模型（2）的各項參數為：
其中，說明了使用BC（1992）隨機前沿生產函數的合理性，也說明了在我國房地產類上市公司經營中存在著嚴重的低效率。在表1中，>，即資本產出彈性小于勞動投入產出彈性，說明了在上市公司經營中同比例的勞動力投入較資本投入提升的產出水平更大。也就是說，在資金投入力度不斷加大的同時，應該適當增加房地產類從業(yè)人員的工資水平，增加人力資本投入，使得上市公司的產出得到更快的增長。
2.運用Stata10.0測算的房地產類上市公司經營效率值及其排名見表2。
從表2可以看出，（1）我國房地產類上市公司經營效率值總體偏低，只有0.4714，說明了上市公司經營水平較低。（2）經營效率的均值為0.4714，標準差達到了0.2813，表明上市公司之間經營效率存在巨大的差異性。（3）房地產類上市公司經營效率排名前4的分別為天宸股份、保利地產、華業(yè)地產和美都控股，這4家房地產公司為本樣本的最優(yōu)效率組團，其經營效率遠遠高于均值；經營效率排名后3的分別為綠景地產、運盛實業(yè)和ST中房，這3家房地產公司為本樣本的最差效率組團，其經營效率遠遠低于均值。
3.利用Stata10.0軟件進行回歸分析，因變量分別為股票價格的均值（Y1，對應模型1）、極差（Y2，對應模型2），自變量為房地產類上市公司技術效率（TE）?；貧w結果如表3。
從表3我們發(fā)現：（1）以股票價格均值作為因變量的模型1，不論從模型整體的顯著性和擬合優(yōu)度還是從參數的估計值大小及顯著性水平，都較以股票價格極差作為因變量的模型2結果要好，且模型1具有統(tǒng)計意義上的顯著性。（2）股票價格確實受到了公司經營效率的影響。經營效率每提高一個百分點，其股票價格就會較其他公司高39.76個百分點。
三、結論
根據前文研究的結果，本文的結論如下：（1）我國房地產類上市公司技術效率值總體偏低，行業(yè)內部經營效率差異大。（2）房地產類上市公司未來股票價格確實受到了公司經營效率的影響。經營效率越高的公司，其股票價格越高。（3）房地產類上市公司人力資本投入較少，沒有滿足經營規(guī)模不斷擴大下對人才的要求，人力投入與資本投入沒有實現最優(yōu)匹配。為了提高房地產公司運營效率，使股東權益最大化，應該下大力氣引進高端管理人才，加大人力資本投入，提高經營效率。
參考文獻
[1]李澤廣,高明生.近期匯率體制改革后股價與匯率的聯動效應及其檢驗[J].現代財經,第213期.
[2]劉少波,丁菊紅.淺析資本市場的兩大功能[J].經濟論壇,2005(4).
[3]陳朝旭,劉金全.我國股市收益率與宏觀經濟非對稱性的關聯分析[J].工業(yè)技術經濟,第157期.
[4]嚴敏,巴曙松,吳博.我國股指期貨市場的價格發(fā)現與波動溢出效應[J].系統(tǒng)工程,第190期.
第9篇：古詩的分類范文
Abstract： The method of multi-fractal detrended fluctuation analysis（MF-DFA） can not only be able to remove the fluctuations of the long-term trend in the stock market time series， but also be able to describe the multi-fractal characteristics. First of all， this paper uses the MF-DFA to analyze the multi-fractal characteristics of the stock market time series and the result shows that the method of MF-DFA is more efficient. Secondly， it defines a similarity measure function of clustering which use the parameters of multi-fractal spectrum as their parameters on the stock time series clustering. Finally， based on the Markowitz proposed the rule of expected mean and the variance of return （M-V rule）， it applies the clustering results into the stock portfolio. According to the experiment result， a portfolio with more return and lower risk is reached.
關鍵詞： 時間序列；多重分形消除趨勢波動分析；聚類；投資組合
Key words： time series；MF-DFA；clustering；Portfolio
中圖分類號：F830.9 文獻標識碼：A 文章編號：1006-4311（2013）26-0137-04
0 引言
對于許多的時間序列，例如股指時間序列，股票價格序列等，由于其形成過程中受到眾多復雜的非線性因素的影響，因此在不同局部區(qū)域和不同層次往往呈現出不同的特征和復雜性。作為一種重要的非線性方法，多重分形分析方法將復雜對象分成多個奇異程度不同的子區(qū)域，并借助統(tǒng)計物理的方法描述對象在不同子區(qū)域的分形特征以及各子區(qū)域對整體對象的影響。由于多重分形分析方法能夠描述資產價格在不同時間標度，不同波動幅度方面的精細的信息，從而全面真實的反應資產價格波動的復雜統(tǒng)計[1]，因此近年來國內外許多學者對金融證券市場的多重分形特征及其應用進行了研究。對眾多國家和地區(qū)的實證研究表明，多重分形特性在全球證券市場中廣泛存在[2-4]。
多重分形消除趨勢波動分析（MF-DFA）是Kantelhardt（2002）在DFA方法的基礎上首次提出的[5]，用來刻畫時間序列在不同時間標度下的多重分形特征。胡雪明、宋學鋒[6]在國內最早把MF-DFA方法引入滬深股市的實證對比研究當中發(fā)現兩市均具有多重分形特征，深圳成指比上證綜指的廣義Hurst指數要大，表明其具有更強的持久相關性。宛瑩、莊新田[7]利用多重分形消除趨勢波動分析法，對國際上3種主要的國際匯率收益序列進行實證分析，發(fā)現國際匯率存在多重分形特性，且有兩個因素共同作用。劉維奇、牛奉高[8]運用MF-DFA方法對上證指綜指和深圳成指的多重分形特征進行比較，結果表明前者多重分形特征比后者更加明顯。萬濤[9]等運用該方法對對上證指綜指和深圳成指的日對數收益序列進行比較分析，也得到相同的結論。綜上所述，目前現有文獻都是運用MF-DFA方法對大盤指數、匯率等數據進行多重分形分析，而把MF-DFA方法應用到單個股票多重分形特性的分析當中還比較少。同時，大多數文獻都是針對金融證券市場的多重分形特性進行實證分析，把多重分形運用到股票的投資組合構建中還沒涉及。
聚類是一種重要的數據挖掘方法，即將數據劃分成有意義的多個簇，使得每個簇中的數據盡可能相似，而不同簇中的數據具有明顯的差別。對于金融時間序列這類復雜序列來說，利用多重分形譜進行聚類是非常有利的，因為多重分形譜的各項參數能夠表征序列的整體到局部的豐富信息，黃超等[10]提出了基于多重分形特征參量的聚類方法。鐘維年等[11]運用小波分解與重構技術消除股票序列的趨勢項后再進行聚類。由于多重分形消除趨勢波動分析法在去除趨勢項上與小波分解與重構技術的作用等同，甚至某些情況下優(yōu)于小波分解與重構技術[5]，同時比小波分解與重構技術的過程更簡單，本文采用多重分形消除趨勢波動分析法消除股票價格序列的長期趨勢項。聚類分析能夠根據不同的特征參量發(fā)現對象在不同方面的相似性程度，近年來被廣泛應用于金融資產價格預測、投資組合以及風險分析等許多方面，因此，基于多重分形特性的聚類在金融領域有著重要的意義和應用價值。
本文先采用消除趨勢波動分析法對股票價格序列進行多重分形特性分析，然后基于多重分形特征參量進行股票價格時間序列聚類，最后根據股票聚類結果選擇合適的股票進行投資組合。
1 相關理論
1.1 多重分形消除趨勢波動分析法（MF-DFA）
Kantelhardt（2002）提出的MF-DFA方法是檢驗一個非平穩(wěn)時間序列是否具有多重分形特征的有效方法，并通過計算機模擬驗證了該方法對非平穩(wěn)時間序列進行多重分析的有效，同時通過MF-DFA方法還能過渡到標準的多重分形分析。
設{xi}為長度為N的序列，i=1，2，3，…，N，MF-DFA方法的計算過程如下：
①通過計算次均值累計離差把原序列變成一個新的序列：Y（i）=■x■-■，t=1，2，…，N （1）
式中xi為時間序列，■為{xi}的均值。
②把序列Y（i）分割成長度為s的Ns個互不重疊的等長區(qū)間（Ns=int（N/s）），由于時間序列的長度N常常不會是時間段s的整數倍，時間序列尾部通常會有剩余部分，為了不至于丟失尾部，從序列的尾部重復上述分割過程，因此得到2Ns的區(qū)間。
③利用最小二乘法擬合每一個子區(qū)間v（v=1，2，…，2Ns）的局部趨勢函數yv（j），這里yv（j）為第v個子區(qū)間的擬合多項式，消除子區(qū)間v中的局部趨勢序列得到殘差序列Zv（j），當v=1，2，…，Ns時
Zv（j）=■■Y[（v-1）s+i]-y■（j） （2）
當v=Ns+1，…，2Ns時
Zv（j）=■■Y[N-（v-Ns）s+i]-y■（j） （3）
④分別計算2Ns個消除趨勢子區(qū)間序列的平方均值，即：F■（s，v）=■■Z■■（j） （4）
其中v=1，2，…，2Ns，進而求出序列的q階波動函數，即：F■（s）=■■F■（s，v）■■ （5）
公式中的指數變量q的取值可以是任何值（q不等于0），當q=0時F0（s）=exp■■lnF■（s，v）■ （6）
當q=2時時標準的DFA過程。易知Fq（s）與s成正方向關系，因此對于不同的s，就可得到相應的分形時間序列Fq（s）。
⑤確定波動函數的標度指數，先固定階數q，通過在雙對數圖中分析Fq（s）與s的關系：Fq（s）～sh（q） （7）
對每一個時間尺度s，可求出相應的一個波動函數數值Fq（s），做出ln[Fq（s）]～lns函數關系圖，其斜率為q階廣義Hurst指數h（q），當h（q）為常數時，序列為單分形；當h（q）與q相關時，序列為多重分形。
⑥通過MF-DFA得到的h（q）與Renyi指數τ（q）有如下關系τ（q）=qh（q）-1 （8）
⑦不同q值的分形維數，也即是廣義分形維
Dq=τ（q）/）（q-1） （9）
⑧用來描述多重分形時間序列的多重分形譜f（α）可通過（10）式得到，即：
α=h（q）+qh′（q） （10）
f（α）=q[α-h（q）] （11）
其中，奇異指數α為客戶復雜系統(tǒng)中各個子區(qū)間的奇異程度，α越大，奇異性越小；多重分形譜f（α）實際上是指具有相同奇異指數α的分形維數，且f′（α）=q；分形譜寬度Δα（αmax-αmin）代表最大最小概率間的差別，Δα值越大，分形時間序列分布越不規(guī)則，多重分形強度越強；相應的分形維數差別Δf（fmax-fmin）反映了高低價位出現的頻率變化程度。多重分形譜本質上是分形子序列的分形維。
1.2 均值-方差（M-V）模型
Markowitz[12]建立了投資組合理論作為不確定條件下的資產選擇方法。他提出的均值-方差（MV）模型被理論界和實際投資者廣泛接受。MV模型描繪了資產組合的最基本的框架。在Markowitz的MV模型中，收益率均值u和方差σ2是風險證券的兩個評價指標。在不允許賣空的條件下，MV模型可以描述為一個二次規(guī)劃問題：
min imizeρ■■=x■Vx （12）
約束條件：X■I=1X■R=R■0？燮x■？燮1 （13）
其中，x=（x1，x2，…xp）′為p維列向量，表示p個資產在投資組合中的比例，V為各資產的相關系數矩陣，R為各資產的期望收益，MV模型以資產方差作為風險的度量，尋找在既定收益水平Rp下，風險最小的投資方案，I為列向量，其每個元素均為1。
2 基于多重分形聚類的投資組合分析
首先我們來分析多重分形譜的各個參數的聚類意義，由于廣義分形維Dq描述的是對象的精細結構和復雜程度，對于時間序列而言，時間序列的廣義分形維數越接近，則表明這些時間序列波動的精細結構和復雜性從整體上而言是相似的。由于f（α）的物理意義是對象的粗糙程度、復雜度、不規(guī)則度以及不均勻程度的度量，所以，多重分形譜的寬度Δα（αmax-αmin）和Δf（fmax-fmin）就是該度量的具體數值表示，孫霞等對Δα和Δf的物理含義進行了詳細的討論[13]。若時間序列的Δα類似說明時間序列在波動均勻性方面比較相近，Δα越大則表示波動幅度越大。時間序列的Δf越接近，則表明這些時間序列在圍繞較高數值或者較低數值產生波動方面接近。
基于多重分形參量進行聚類研究，一個主要的問題就是判斷對象間的相似性，也就是確定特征量之間的相似性度量函數?；谏鲜龇治?，我們可以定義基于多重分形譜的時間序列相似性函數。設股票時間序列A和B，其用多重分形譜參數分別表示為TS■=D■，D■，Vα■，Vf■和TS■=D■，D■，Vα■，Vf■其距離函數定義如下：
DW（A，B）=■ （14）
根據多重分形理論，兩個多重分形序列的多重分形譜一致，其所代表的物理特征的統(tǒng)計特性是一致的[7]，因而公式（14）的定義是合理的。p（i）代表了各個參數的權值，因而我們可以靈活的調整各個參數的權重，滿足不同的聚類需求。
投資組合是投資者同時投資于多種股票證券，以期獲得較好收益的一種投資方法。Markowitz模型要求采用收益行為差異較大的資產，從而更能有效的降低投資的風險。多重分形的各個特征量能夠在微觀上描述資產收益序列的特征，通過基于多重分形特征量的聚類，能夠選出差異顯著的資產組合。
本文采用最簡單的K-means聚類算法對金融股票時間序列進行聚類，然后把聚類的結果運用到投資組合的分析當中，基于聚類的投資組合分析的步驟如下：
步驟1：由于收益波動率及其時序過程是金融工程的首要問題，因此對每個股票時間序列Ti，首先計算他們的日對數收益序列：r■=lnp■/p■ （15）
其中p■，p■分別為第j支股票當日和前一日的股票收盤價。
步驟2：根據MF-DFA方法計算它的分形維數D0i、信息維數D1i和多重分形譜參數Δαi、Δfi。同時為了盡量把收益率低的股票聚在一起，引入一個參數即為每支股票的平均對數收益率ej=■rji/（n-1），其中n為時間點個數。則A和B時間序列為：TS■=D■，D■，Vα■，Vf■，e■和TS■=D■，D■，Vα■，Vf■，e■。
步驟3基于公式（14）提出的加權歐式距離度量函數，使用K-means聚類算法，對股票時間序列進行聚類，使簇間股票的收益率行為差異比較大。
步驟4：據步驟3到的聚類結果，從每個類中選擇一支股票為投資組合的候選股票，然后運用Markowitz建立的均值方差（M-V）模型計算候選股票在給定收益率的情況下風險水平，評價基于聚類的投資組合的優(yōu)劣。
3 實證研究
3.1 實驗數據 實驗數據隨機選取2011年1月4號以后的472交易日的上海證券市場的28支股票的收盤價時間序列作為研究對象，選取這段時間的股票數是因為這是金融危機結束后的股票價格，不受金融危機單一因素影響。為了描述簡便，在聚類的時候我們用代號表示每支股票聚類的結果。
3.2 股票收盤價序列的多重分形分析 首先，我們采用標準多重分形的方法對這29支股票收盤價格進行多重分形分析，由于篇幅有限，我們僅僅列出東風汽車（600006）烽火通信（600498）工商銀行（601398）的質量指數τ（q）與階數q的關系。
圖1分別是東風汽車、烽火通信、工商銀行的質量指數τ（q）與階數q的關系圖，從圖中可知，兩者在一定的程度上還是滿足線性關系的，說明用標準的多重分形方法進行分析時，股票收盤價時間序列的多重分形特性不是很明顯，可能受到一定噪聲的影響。
運用標準多重分形分析法并沒有考慮時間序列內在趨勢的影響，現在運用第二節(jié)描述的MF-DFA方法對原始序列做消除趨勢的處理，然后再判斷此序列的多重分形特性。我們取子區(qū)間的劃分長度為s=[4：10：160]，波動函數階數q=[-20：20]。結果如圖2所示，三種序列的質量指數τ（q）與與階數q明顯不是線性關系，說明股票收盤價序列具有明顯的多重分形特性，這為后面的的聚類分析奠定了基礎。
通過上述的分析比較可知，沒有消除趨勢項之前的時間序列由于受到了長期趨勢項的干擾，多重分形特性有一定的不準確性，因而也會影響到多重分形譜的準確性，經過MF-DFA方法消除趨勢項后，時間序列的多重分形特性表現得十分的明顯，從而證明了原序列的確具有多重分形特性，揭示了序列的本質特征。
如圖3所示為利用多重分形消除趨勢波動分析計算得到的多重分形譜，從圖中可知三支股票的多重分形譜寬度分別為0.9407、0.6757、0.8791，f的極大值分別為0.9991、0.9035、0.9659，這也體現了良好的多重分形特性，更進一步說明了用多重分形消除趨勢波動分析多重分形特性的準確性。同時從圖中可以明顯看出烽火通信與工商銀行和東風汽車的多重分形譜具有明顯的差異性，這樣也說明對股票的進行多重分形譜參數聚類是有意義的。
3.3 基于聚類的股票市場投資組合實證 為了從待定的股票中選取差異較大的股票，借助K-means聚類的方法，將待定的股票進行分類，然后挑選出不同的股票進行組合。利用K-means算法對待選的股票進行聚類，本實證選取5支股票作為候選股票，因此把股票分為K=5類，由于譜寬度能夠較大的反映每支股票收益率序列的收益率波動的情況，因此Δα能夠極大的反應股票間波動率的差異，故取Δα權重最大。對28支股票進行聚類分析，取權重p=（0.1，0.1，0.5，0.1，0.2），結果如表1。
從表1的5個聚類結果中各抽取兩組資產組合（差異抽取1，差異抽取2），與隨機抽取、在同一個聚類中的抽取結果利用MV模型進行比較，結果如表2。從表2中可以看出，在不同的收益水平下，組合差異抽取1和差異抽取2具有風險都比較低。同時隨機抽取在不同收益水平下的風險也比類內抽取低。從而說明我們的聚類結果是有效的。
任意給定各個不同的期望收益水平p，分別求出四個不同投資組合的12個收益-方差組合點，利用這12個點描繪的四個投資組合的有效前沿如圖4所示。從圖中可以看出，在同等收益水平下，差異抽取的風險要比隨機和類內抽取的風險低得多，從而更進一步說明了我們上一次聚類結果的有效性。實驗表明本文定義的時間序列相似性度量具有特定的優(yōu)勢，相對傳統(tǒng)的隨機選擇，風險更小。
4 結束語
分別用標準多重分形和多重分形消除趨勢分析對上證市場28支股票的日收盤價數據進行多重分形分析，結果表明28支股票序列都具有多重分形特性。同時MF-DFA方法由于消除了時間序列的長期趨勢項，因而比標準多重分形方法更能體現股票的多重分形特性。然后以多重分形譜參數以及每支股票的平均對數收益率作為時間序列相似性度量函數的參數，進行聚類，借助聚類分析，股票間的差異進一步加大，在相同的收益水平下，分散了投資風險。通過實證分析，更能說明多重分形譜參數分析股票市場的有效性。文中還存在許多不足之處，例如利用權重的選取以及多重分形譜參數的選擇是否是最好的，這幾個參數是否能夠全面的反應收益率序列的波動特征也值得我們進一步的研究。
參考文獻：
[1]Mandelbrot B. B.A multiracial walk down wall street [J]. Scientific American， 1999（5）：20-23.
[2]Sun X， Chen H， Wu Z， Yuan Y Z. Multifractal Analysis of Hang Seng Index in Hong Kong Stock Market[J].Physica A： Statistical Mechanics and Its Applications，2001，291（1-4）：553-562.
[3]Cajueiro DO， Tabak B M. Multifractality and Herding Behavior in the Japanese Stock Market[J].Chaos， Solitons&Fractals，2009，40（1）：497-504.
[4]苑瑩，莊新田.金融間序列的標度特性實證研究[J].管理工程學報，2008，22（2）：85-89.
[5]Kantelhardt J W， Zschiegner S A， Koscielny B E， et al. Multifractaldetrended fluctuation analysis of nonstationary time series[J].Physica A， 2002， 316（1/4）： 87-114.
[6]胡雪明，宋學鋒.深滬股票市場的多重分形分析[J].數量經濟技術經濟研究，2003（8）：124-127.
[7]苑瑩，莊新田.國際匯率的多重分形消除趨勢波動析[J].管理科學，2007，20（4）：80-85.
[8]劉維奇，牛奉高.滬深兩市多重分形特征的成因及其變化[J].經濟管理，2009，31（12）：138-143.
[9]萬濤，鄭婷婷，張琛，等.不同股市的多重分形特性分析—基于統(tǒng)計物理和MF-DFA方法[J].計算機技術與發(fā)展，2010，20（12）：225-227.
[10]黃超，吳清烈，武忠，朱揚勇.基于方差波動多重分形特征的金融時間序列聚類[J].系統(tǒng)工程，2006，24（6）：100-103.
[11]鐘維年，高清維，陳燕玲.基于小波和多重分形的金融時間序列聚類[J].系統(tǒng)工程，2009，27（3）：58-61.
