mean-variance-skewness model for portfolio
Innovative Applications of O.R.
Mean-variance-skewness model for portfolio selection with fuzzy returns
Xiang Li a ,Zhongfeng Qin b,*,Samarjit Kar c
a
Department of Mathematical Sciences,Tsinghua University,Beijing 100084,China b
School of Economics and Management,Beihang University,Beijing 100191,China c
Department of Mathematics,National Institute of Technology,Durgapur 713209,India
a r t i c l e i n f o Article history:
Received 21August 2008Accepted 4May 2009
Available online 15May 2009Keywords:
Portfolio selection Fuzzy variable
Mean-variance-skewness model Fuzzy programming Credibility measure
a b s t r a c t
Numerous empirical studies show that portfolio returns are generally asymmetric,and investors would prefer a portfolio return with larger degree of asymmetry when the mean value and variance are same.In order to measure the asymmetry of fuzzy portfolio return,a concept of skewness is de?ned as the third central moment in this paper,and its mathematical properties are studied.As an extension of the fuzzy mean-variance model,a mean-variance-skewness model is presented and the corresponding variations are also considered.In order to solve the proposed models,a genetic algorithm integrating fuzzy simu-lation is designed.Finally,several numerical examples are given to illustrate the modelling idea and the effectiveness of the proposed algorithm.
Crown Copyright ó2009Published by Elsevier B.V.All rights reserved.
1.Introduction
Modern portfolio selection theory is derived from the seminal work of Markowitz [19,20]which considered trade-off between return and risk.Since then,numerous portfolio selection models are developed by considering the return and risk such as mean-variance mode and so on.Several researchers like Sharpe [26,27],Stone [28],Sengupta [25],Best and Grauer [3],etc.have done some articles by using various approximation scheme.
Most of the reasonable works on portfolio selection have been done based on only the ?rst two moments of return distributions.How-ever,there is a controversy over the issue of whether higher moments should be considered in portfolio selection.Many researchers (e.g.Arditti [1],Samuelson [24],Kraus and Litzenberger [10],Konno et al.[18],Konno and Suzuki [9],Liu et al.[17],Prakash et al.[21])argued that the higher moments cannot be neglected unless there are reasons to trust that the returns are symmetrically distributed (e.g.normal)or that higher moments are irrelevant to the investors’decisions.
Samuelson [24]also showed that higher moments are relevant for investors to make decisions in portfolio selection and almost all investors would prefer a portfolio with a larger third order moment if ?rst and second moments are same.Chunhachinda et al.[5],Mach-ado-Santos and Fernandes [18]provided evidence of skewness by using the data of stock markets.All the above discussions motivated us to add the third moment of return distribution of a portfolio selection into a general mean-variance model.
All the above literatures assume that the security returns are random variables.However,if there is not enough historical data,it is more reasonable to assume them as fuzzy variables.Fuzzy portfolio selection has been undertaken in the literature such as Parra et al.[2],Terol et al.[4],Tanaka and Guo [29,30]and Vercher et al.[31].In 2002,Liu and Liu [15]de?ned the expected value and variance for measuring the portfolio return and the risk,respectively.Within the framework of credibility theory,several models for fuzzy portfolio selection were proposed such as,mean-semivariance model [7]and cross-entropy minimization model [23]and so forth.In addition,Qin and Li [22]con-sidered option pricing problem in fuzzy environment which is another hottest area in ?nance.
In fuzzy environment,investors also face to construct a portfolio selection from the potential securities with asymmetric returns.Sim-ilar to stochastic approaches,Huang [7]employed semivariance to describing asymmetry of fuzzy returns.Different from Huang’s ap-proach,we used skewness of fuzzy returns to characterize the corresponding asymmetry as alternative approach.The purpose of this paper is to establish and analyze fuzzy mean-variance-skewness models.
0377-2217/$-see front matter Crown Copyright ó2009Published by Elsevier B.V.All rights reserved.doi:10.1016/j.ejor.2009.05.003
*Corresponding author.Tel.:+861015811112758.
E-mail addresses:xiang-li04@https://www.sodocs.net/doc/ff16548165.html, (X.Li),qzf05@https://www.sodocs.net/doc/ff16548165.html, (Z.Qin),kar_s_k@https://www.sodocs.net/doc/ff16548165.html, (S.Kar).European Journal of Operational Research 202(2010)
239–247
Contents lists available at ScienceDirect
European Journal of Operational Research
j o u r n a l h o m e p a g e :w w w.e l s e v i e r.c o m /l o c a t e /e j o
r
The remainder of this paper is organized as follows.In Section2,a concept of skewness is de?ned for fuzzy variable as the third central moment and some important properties are proved.Section3proposes three mean-variance-skewness models and proves an equivalent form for the?rst model.Section4brie?y introduces fuzzy simulation-based genetic algorithm to solve the proposed models and Section5 gives several numerical examples and?nally some conclusions are listed.In addition for better understanding of the paper,some basic de?nitions and useful results of fuzzy variables are given in Appendix.
2.Skewness of fuzzy variables
In this section,we de?ne a concept of skewness for fuzzy variables and discuss its basic properties.
De?nition1.Let n be a fuzzy variable with?nite expected value.The skewness of n is de?ned as
S?n ?E?enàE?n T3 :e1TExample1.Let n?ea;b;cTbe a triangular fuzzy variable.Then it is easy to prove that
S?n ?ecàaT2
?ecàbTàebàaT ;
which implies that if càb P bàa,then S?n P0and if càb6bàa,then S?n 60.Especially,if n is symmetric,then we have bàa?càb and S?n ?0.Furthermore,for?xed a and c,if b?a,then S?n obtains its maximum valueecàaT3=32;and if b?c,then S?n obtains its min-imum valueàecàaT3=32(see Fig.1)
Example2.Let n be a normally distributed fuzzy variable with membership function lexT?21texp p j xàe j=
???6 p
r
h ià1
(see Appen-dix).For any real number r,it follows from the credibility inversion theorem that
Cr f n6r g?1texp
peeàrT
???
6
p
r
à1
;Cr f n P r g?1texp
peràeT
???
6
p
r
à1
: It follows from De?nition1that
S?n ?E?enàeT3 ?
Zt1
0Cr fenàeT3P r g d rà
Z0
à1
Cr fenàeT36r g d r?3
Zt1
r2Cr f n P rte g d rà3
Z0
à1
r2Cr f n6rte g d r
?3
Zt1
0r21texp
p r
???
6
p
à1
d rà3
Z0
à1
r21texpà
p r
???
6
p
à1
d r
?3
Zt1
0r21texp
p r
???
6
p
r
à1
àr21texp
p r
???
6
p
r
à1!
d r?0:
Example3.Let n be an exponentially distributed fuzzy variable with membership function lexT?21texp p x=
???6 p
m
h ià1
(see Appen-dix).For any r P0,it follows from the credibility inversion theorem that
Cr f n6r g?1à1texp
p r
???
6
p
m
à1
;Cr f n P r g?1texp
p r
???
6
p
m
à1
: Then we have E?n ?e.It follows from De?nition1that
S?n ?E?enàE?n T3 ?3
Zt1
E?n euàE?n T2Cr f n P r g d rà3
Z E?n
euàE?n T2Cr f n6r g d r
?18
???
6
p
m3
p3
Zt1
ln2
eràln2T2
1texperT
d rà
Z ln2
eràln2T2experT
1texperT
d r
!
?
18
???
6
p
m3
p3
Zt1
eràln2T2
1texperT
d rà
6
???
6
p
m3ln8
p3?a m3;
where a?3???6
p
e9fe3Tt12ln2àp2ln2T=p3%2:914:Note that fewT?P1
k?1
kàw.
Theorem1.Let n be a fuzzy variable with?nite expected value.For any real numbers a and b,we have S?a ntb ?a3S?n :
Fig.1.Membership functions of several particular triangular fuzzy variables. 240X.Li et al./European Journal of Operational Research202(2010)239–247
Proof.It can easily shows that E ?a n tb ?aE ?n tb (see Appendix ).It follows from De?nition 1that
S ?a n tb ?E ?ea n tb àeaE ?n tb TT3 ?E ?a 3en àE ?n T3 ?a 3E ?en àE ?n T3 ?a 3S ?n :
The proof is complete.h
Theorem 2.Let n be a symmetric fuzzy variable with ?nite expected value.Then we have
S ?n ?0:
Proof.Let
l be the membership function of n .Since n is symmetric,there is a real number e such that
l ee tr T?l ee àr T;8r 2R :
Furthermore,it is obtained that
sup
s P r te
l es T?sup s P r
l es te T?sup s P r
l ee às T?sup s 6e àr
l es T:
It follows from the credibility inversion theorem that
Cr f n P r te g ?
1
sup s P r te l es Tt1àsup s ?1 sup r 6e àx l er Tt1àsup r >e àx l er T ?Cr f n 6e àx g : First,we prove that E ?n ?e .In fact,according to the de?nition of expected value,we have E ?n ?Z t1 Cr f n P r g d r à Z à1Cr f n 6r g d r ? Z t1 àe Cr f n P r te g d r à Z t1 e Cr f n 6e àr g d r ? Z àe Cr f n P r te g d r t Z t1 Cr f n P r te g d r àZ t1 0Cr f n 6e àr g d r tZ e 0Cr f n 6e àr g d r ?Z àe Cr f n P r te g d r tZ e 0Cr f n 6e àr g d r ?Z e 0eCr f n P e àr g tCr f n 6e àr gTd r ?e : Furthermore,it follows from the de?nition of skewness that S ?n ? Z t1 Cr fen àe T3 P r g d r ?Z t1 3r 2 Cr f n àe P r g d r à Z 0à1 3r 2 Cr f n àe 6r g d r ? Z t1 3r 2Cr f n àe 6àr g d r àZ t1 03r 2Cr f n àe 6àr g d r ?0: The proof is complete.h 3.Mean-variance-skewness models Let n i be a fuzzy variable representing the return of the i th security,and let x i be the proportion of the total capital invested in security i . In general,n i is given as ep 0i td i àp i T=p i where p i is the closing price of the i th security at present,p 0i is the estimated closing price in the next year,and d i is the estimated dividends during the coming year. When minimal expected return and maximal risk are given,the investors interested in the use of skewness prefer a portfolio with large skewness.Therefore,we proposed the following mean-variance-skewness model: maximize S ?n 1x 1tn 2x 2tááátn n x n ;subject to :E ?n 1x 1tn 2x 2tááátn n x n P a ; V ?n 1x 1tn 2x 2tááátn n x n 6c ; x 1tx 2tááátx n ?1;x i P 0;i ?1;2;...;n : 8 >>>>>><>>>>>>: e2T The ?rst constraint ensures the expected return is no less than some target value a ,and the second one assures that risk does not exceed some given level c the investor can bear.The last two constraints imply that all the capital will be invested to n securities and short-selling is not allowed. The ?rst variation of model (2)is the following, minimize V ?n 1x 1tn 2x 2tááátn n x n ;subject to :E ?n 1x 1tn 2x 2tááátn n x n P a ; S ?n 1x 1tn 2x 2tááátn n x n P b ; x 1tx 2tááátx n ?1;x i P 0;i ?1;2;...;n : 8 >>>>>><>>>>>>: e3T The aim of this model is to minimize risk when expected return and skewness are both no less than some given target values a and b ,respec-tively.If the second constraint does not exist,then the above model degenerates to mean-variance model proposed by Huang [6]. X.Li et al./European Journal of Operational Research 202(2010)239–247241 The second variation of model (2)is the following, maximize E ?n 1x 1tn 2x 2tááátn n x n ;subject to :S ?n 1x 1tn 2x 2tááátn n x n P b ; V ?n 1x 1tn 2x 2tááátn n x n 6c ; x 1tx 2tááátx n ?1;x i P 0;i ?1;2;...;n : 8 >>>>>><>>>>>>: e4T The aim of this model is to maximize the expected return.Similarly,if the ?rst constraint does not exist,then it degenerates to the other mean-variance model considered by Huang [6]. The ?nal variation of model (2)is the following multi-objective nonlinear programming, maximize E ?n 1x 1tn 2x 2tááátn n x n ; minimize V ?n 1x 1tn 2x 2tááátn n x n ;maximize S ?n 1x 1tn 2x 2tááátn n x n ;subject to :x 1tx 2tááátx n ?1;x i P 0; i ?1;2;...;n : 8 >>>>>><>>>>>>: e5T When the membership functions of n 1;n 2;...;n n are symmetric,it follows from Theorem 2that S ?n 1x 1tn 2x 2tááátn n x n ?0for any x i P 0;i ?1;2;...;n ,which implies the third objective vanishes.Model (5)degenerates a bi-objective mean-variance model. Theorem 3.Suppose that n i ?ea i ;b i ;c i Tare independent triangular fuzzy variables for i ?1;2;...;n.Then model (2)degenerates to the following deterministic programming, max P n i ?1x i ec i àa i T 2áP n i ?1x i ec i ta i à2b i T;s :t :P n i ?1x i ea i t2b i tc i TP 4a ;11P n i ?1x i ec i àa i T 2P n i ?1 x i e2b i àa i àc i T t28P n i ?1x i ec i àa i Tt3P n i ?1x i e2b i àa i àc i T P n i ?1x i ec i àb i T 2tP n i ?1x i eb i àa i T 2 !6192c P n i ?1x i ec i àa i TtP n i ?1x i e2b i àc i àa i T ;x 1tx 2tááátx n ?1;x i P 0;i ?1;2;...;n : 8>>>>>>>>>>>>>>>>>>>>>>>>< >>>>>>>>>>>>>>>>>>>>>>>>: e6T Proof.Since n i ?ea i ;b i ;c i Tare all triangular fuzzy variables,it follows from Extension Principle of Zadeh that X n i ?1 n i x i ? X n i ?1 x i a i ; X n i ?1 x i b i ; X n i ?1 x i c i ! ; which is also a triangular fuzzy variable.Furthermore,we obtain E ?x 1n 1tx 2n 2tááátx n n n ? P n i ?1ea i t2b i tc i Tx i =4and S ?x 1n 1tx 2n 2tááátx n n n ?P n i ?1x i ec i àa i T àá2áP n i ?1x i ec i ta i à2b i T:Meanwhile,we have V ?x 1n 1tx 2n 2tááátx n n n ?11P n i ?1x i ec i àa i Tàá2P n i ?1x i e2b i àa i àc i T 192P n i ?1x i ec i àa i TtP n i ?1x i e2b i àc i àa i T àát 28P n i ?1x i ec i àa i Tt3P n i ?1x i e2b i àa i àc i T àáP n i ?1x i ec i àb i Tàá2tP n i ?1x i eb i àa i T àá2 192P n i ?1x i ec i àa i TtP n i ?1x i e2b i àc i àa i T àá:Substituting these equations into model (2),the theorem is proved.h Remark 1.When security returns are all independent triangular fuzzy variables,models (3)and (4)are also converted into deterministic mathematical programming problems using a similar way to Theorem 3.4.Genetic algorithm If the security returns are general fuzzy variables,then it is dif?cult to obtain the exact values of the expected value,variance and skew-ness of the portfolio return.Therefore,we employ fuzzy simulation to calculate these values.Fuzzy simulation technique was ?rst intro-duced by Liu and Iwamura [14],and then was successfully applied to solving fuzzy optimization problems by Liu [12].In addition,Liu [16]proved the convergence of fuzzy simulation,which shows its effectiveness in approximating exact values. Assume that n i are fuzzy variables with membership functions l i ,and x i are decision variables for all 16i 6n .In order to calculate the expected value,variance and skewness of n 1x 1tn 2x 2tááátn n x n ,we must calculate the value of Cr f n 1x 1tn 2x 2tááátn n x n P r g where r is a nonnegative real number.Randomly generate real numbers w ji such that l j ew ji TP e ;j ?1;2;...;k ;i ?1;2;...;N ,respectively,where e is 242X.Li et al./European Journal of Operational Research 202(2010)239–247 a suf?ciently small number,and N is a suf?ciently large integer.Then,the value of Cr f n1x1tn2x2tááátn n x n P r g can be estimated by the formula 1 2max 16i6N min 16j6n l j ew jiT X n j?1 w ji x j P r () t1àmax 16i6N min 16j6n l j ew jiT X n j?1 w ji x j ()! : In addition,we write q?E?n1x1tn2x2tááátn n x n which may be calculated by fuzzy simulation[12]. The following algorithm is used to calculate S?n1x1tn2x2tááátn n x n . Step1.Set b?0. Step2.Randomly generate v jk such that l jev jkTP e for j?1;2;...;n;k?1;2;...;K,where e is a suf?ciently small number. Step3.Set two numbers a?min 16k6K ev1k x1tv2k x2tááátv nk x nàqT3;b?max 16k6K ev1k x1tv2k x2tááátv nk x nàqT3: Step4.Randomly generate a real number r from?a;b . Step5.If r P0,then b btCr f n1x1tn2x2tááátn n x n P r g. Step6.If r<0,then b bàCr f n1x1tn2x2tááátn n x n6r g. Step7.Repeat the fourth to sixth steps for K times. Step8.Return a_0tb^0tbebàaT=K as the target value. If we want to calculate V?n1x1tn2x2tááátn n x n ,then we only need replace a;b in the above algorithm by a?min 16k6K ev1k x1tv2k x2tááátv nk x nàqT2;b?max 16k6K ev1k x1tv2k x2tááátv nk x nàqT2: 4.1.Genetic algorithm Genetic algorithm is an adaptive heuristic search algorithm premised on the evolutionary ideas of natural selection and genetic.Since Holland?rst proposed it in1975,genetic algorithm has been widely studied,experimented and applied in many?elds such as industrial engineering,?nance,operations research and so on.Especially,Liu[12]has successfully applied genetic algorithm to solve many optimi-zation problems with fuzzy parameters. In this work,a solution x?ex1;x2;...;x nTis encoded by a chromosome c?ec1;c2;...;c nT,where the genes c1;c2;...;c n are restricted as nonnegative numbers.Then the decoding processes are determined by the link x i?c i=ec1tc2tááátc nT,which ensures that x1tx2tááátx n?1always holds.In addition,a chromosome is called feasible if it satis?es the corresponding constraint conditions. In GA,we employ the rank-based-evaluation function to measure the likelihood of reproduction for each chromosome.The rank-based evaluation function is de?ned by E v alec iT?ve1àvTià1;i?1;2;...;pop size where v2e0;1T.Especially,i?1indicates the best individual, and i?pop size indicates the worst one. The procedures of the genetic algorithm is summarized as follows: Step1.Initialize pop size feasible chromosomes,in which fuzzy simulation is used to check the feasibility of the chromosomes. Step2.Employ fuzzy simulation to compute the objectives for all chromosomes,and then give an order of the chromosomes based on the objective values. Step3.Evaluate the evaluation function of each chromosome according to the rank-based-evaluation function.Then calculate the?tness of each chromosome by the evaluation function. Step4.Select the chromosomes according to spinning the roulette wheel. Step5.Update the chromosomes by crossover operation and mutation operation where fuzzy simulation is utilized to check the feasi-bility of each child. Step6.Repeat Steps2–5for a given number of generations. Step7.Report the best chromosome,and then decoded into the optimal solution. 5.Numerical examples In this section,mean-variance-skewness models are applied to the data from Huang[7].The data is composed of membership functions of10security returns,which is shown in Table1.The returns of?rst seven securities are triangular fuzzy variables,and the others are fuzzy Table1 Fuzzy returns of10securities(units per stock). Security i Fuzzy return Security i Fuzzy return 1eà0:3;1:8;2:3T6eà0:8;2:5;3:0T 2eà0:4;2:0;2:2T7eà0:6;1:8;3:0T 3eà0:5;1:9;2:7T8e1terà1:6T4Tà1 4eà0:6;2:2;2:8T9e1te5rà7:4T2Tà1 5eà0:7;2:4;2:7T10expeàerà1:6T2T X.Li et al./European Journal of Operational Research202(2010)239–247243 variables with membership functions l i ;i ?8;9;10.For example,the return of the ?rst security is fuzzy variable eà0:3;1:8;2:3Twhich rep-resents about 1.8units per stock. Example 4.Assume that an investor wishes to create a portfolio from the ?rst seven securities.In order to use the proposed models,the investor need to set two parameters:the minimum expected return a and the bearable maximum risk c .Here,let a ?1:6and c ?0:8.Since the ?rst seven returns are all triangular fuzzy variables,we can use model (6)to search for optimal portfolio. Since the returns are asymmetric,the investor also employs mean-semivariance model to create an optimal portfolio.In order to compare the results of mean-variance-skewness model and mean-semivariance model,we consider model 8of Huang [7]. maximize S v ?n 1x 1tn 2x 2tááátn 7x 7 ;subject to :E ?n 1x 1tn 2x 2tááátn 7x 7 P 1:6; x 1tx 2tááátx 7?1;x i P 0;i ?1;2; (7) 8 >>><>>>: e7T where Sv is the semivariance operator of fuzzy variable. We use MATLAB to solve models (6)and (7)and the computational results are shown in Table 2.The two models obtain different optimal portfolios which have the same mean 1.60and almost the same semivariance.However,the ?rst portfolio has lower variance,and higher skewness than the second one,which is desired by the investor. Example 5.If an investor chooses securities from the whole 10securities,then all the mean-variance-skewness models cannot be con-verted into deterministic models.Therefore,we use genetic algorithm to solve the proposed models.Assume that the minimum expected return the investor can accept is 1.5and the bearable maximum risk is 1.2.Based on the optimization model,we obtain the following model, maximize S ?n 1x 1tn 2x 2tááátn 10x 10 ;subject to :E ?n 1x 1tn 2x 2tááátn 10x 10 P 1:5; V ?n 1x 1tn 2x 2tááátn 10x 10 61:2; x 1tx 2tááátx 10?1;x i P 0;i ?1;2; (10) 8 >>>>>><>>>>>>: e8T Table 2 Comparison of results. 1 234567Mean Variance Semivariance Skewness Model (6)20.00%– –80.00%– –– 1.600.70190.6141à0.6823Model (7) 47.06% – 35.28% 17.66% – – 1.60 0.7232 0.6124 à0.7532 Table 3 Investment proportion of 10securities (%).Security i 12345678910Allocation of money 4.04 5.52 8.22 9.47 8.17 0.20 16.55 17.47 21.22 9.14 244 X.Li et al./European Journal of Operational Research 202(2010)239–247 We choose the following parameters in the GA:P c ?0:3;P m ?0:2;pop size ?50.A run of genetic algorithm (500generations and 3000cycles for fuzzy simulation)shows that the allocation of money should be based on Table 3.The corresponding maximum skewness is 1.72.In addition,the convergence of maximum skewness of portfolio is shown in Fig.2which indicates genetic algorithm is effective to solve the proposed model. Example 6.Suppose that an investor wishes that the skewness of his portfolio is at least à1:0,and the minimal expected return is 1.5.If he accepts variance as risk,then the model is formulated as follows, minimize V ?n 1x 1tn 2x 2tááátn 10x 10 ;subject to :E ?n 1x 1tn 2x 2tááátn 10x 10 P 1:5; S ?n 1x 1tn 2x 2tááátn 10x 10 P à1:0; x 1tx 2tááátx 10?1;x i P 0;i ?1;2; (10) 8 >>>>>><>>>>>>: e9T First note that if we do not consider skewness of the portfolio,then the model generates mean-variance model.The parameters of GA are chosen as follows:P c ?0:4;P m ?0:3;pop size ?60.Here,we compare the allocation of capital between this model and mean-variance model by Fig.3.The minimum risk of mean-variance-skewness model is 0.383,and the minimum risk of mean-variance model is 0.285,respectively. Example 7.Assume that an investor wishes that the skewness of his portfolio is at least à1:0,and the maximal risk does not exceed 1.2.Meanwhile,if the investor wants to maximize the expected return,then the model is formulated as follows, minimize E ?n 1x 1tn 2x 2tááátn 10x 10 ;subject to :S ?n 1x 1tn 2x 2tááátn 10x 10 P à1:0; V ?n 1x 1tn 2x 2tááátn 10x 10 61:2; x 1tx 2tááátx 10?1;x i P 0;i ?1;2; (10) 8 >>>>>><>>>>>>: e10T In order to test the robust of the proposed algorithm,we solve the model by setting the different parameters in the GA.In order to compare the results,we employ the relative error which is de?ned by eMaximal objective àActual objective T=Maximal objective ?100%,where the maximal objective is the maximum of all the computational results obtained.The detailed results are shown in Table 4.Obviously,the Table 4 Comparison of solutions in Example 6.No.pop size P c P m Simulation times Generation Expected value Relative error (%)1500.30.22500200 1.68550.382300.40.32500200 1.68560.373800.80.32300150 1.68790.244900.60.72500100 1.69050.0851100.70.82500100 1.68120.6361300.50.22200100 1.691907 70 0.2 0.1 2500 200 1.6871 0.28 X.Li et al./European Journal of Operational Research 202(2010)239–247245 relative errors do not exceed1%.That is,the proposed algorithm is robust to set parameters and effective for solving the mean-variance-skewness models. 6.Conclusions In this paper,a concept of skewness for fuzzy variable was proposed,and several useful theorems were proved.In addition,a mean-variance-skewness model was formulated for fuzzy portfolio selection problem and two variations of this model were also discussed. To solve the proposed model,a genetic algorithm was designed and fuzzy simulation technique was employed.Finally,several numerical examples were illustrated to show the effectiveness of the proposed algorithm.The methodology presented here is quite general and can be extended to the portfolio selection problems in hybrid and uncertain environments. Acknowledgement This work was supported by National Natural Science Foundation of China Grant No.60874067. Appendix.Credibility theory Credibility theory was founded by Liu in2004and re?ned by Liu[13]as a branch of mathematics for studying fuzzy phenomena.In this part,some main results of credibility theory are recalled for the convenience of reading the paper. Let n be a fuzzy variable with membership function l.For any B&R,the credibility measure of n2B was de?ned by Liu and Liu[15]as Cr f n2B g?1 2 sup x2B lexTt1àsup x2B c lexT ! :e11T To rank fuzzy variables,Liu and Liu[15]de?ned the expected value of n as follows, E?n ? Zt1 0Cr f n P r g d rà Z0 à1 Cr f n6r g d re12T provided that at least one of the two integrals is?nite.If fuzzy variables n and g are independent,then we have E?a ntb g ?aE?n tbE?g for any a;b2R:e13TSince a fuzzy variable n and a constant are clearly independent,we have E?a ntb ?aE?n tb. Suppose that n is a fuzzy variable with?nite expected value.Then its variance was de?ned by Liu and Liu[15]as V?n ?E?enàE?n T2 :e14TIt is easy to prove that V?n ?0if and only if Cr f n?E?n g?1. Example8.A triangular fuzzy variable n is fully determined by the tripletea;b;cTof crisp numbers with a lexT? exàaT=ebàaT;if a6x6b; exàcT=ebàcT;if b6x6c; 0;otherwise: 8 >< >:e15T In what follows,we write n?ea;b;cT(see Fig.4).It is easy to prove that E?n ?eat2btcT=4and V?n ?e33a3t21a2bt11a b2àb3T=e384aTwhere a?max f bàa;càb g and b?min f bàa;càb g.In particular,if bàa?càb,then we have E?n ?b and V?n ?ecàaT2=24. Example9.If n is a normally distributed fuzzy variable with the following membership function lexT?21texp p j xàe j ??? 6 p r à1 ;x2R;e16Tthen Li and Liu[11]proved that E?n ?e and V?n ?r2(see Fig.5). Example10.A fuzzy variable n is called exponentially distributed if it has the following membership function Fig.4.Membership functions of triangular fuzzy variable n?ea;b;cT. 246X.Li et al./European Journal of Operational Research202(2010)239–247 l ex T?21texp p x ???6p m à1 ; x P 0;e17T where m >0.Li and Liu [11]proved that E ?n ????6p m ln 2 =p (see Fig.6).References [1]F.D.Arditti,Risk and the required return on equity,Journal of Finance 22(1967)19–36. [2]M.A.Parra,A.B.Terol,M.V.R.Ur? ′a,A fuzzy goal programming approach to portfolio selection,European Journal of Operational Research 133(2001)287–297.[3]M.J.Best,R.R.Grauer,Sensitivity analysis for mean-variance portfolio problems,Management Science 37(1991)981–989. [4]A.B.Terol,B.P.Gladish,M.A.Parra,M.V.R.Ur? ′a,Fuzzy compromise programming for portfolio selection,Applied Mathematics and Computation 173(2006)251–264.[5]P.Chunhachinda,K.Dandapani,S.Hamid,A.J.Prakash,Portfolio selection and skewness:Evidence from international stock markets,Journal of Banking and Finance 21(1997)143–167. [6]X.Huang,Portfolio selection with fuzzy returns,Journal of Intelligent and Fuzzy Systems 18(4)(2007)383–390. [7]X.Huang,Mean-semivariance models for fuzzy portfolio selection,Journal of Computational and Applied Mathematics 217(2008)1–8. [8]H.Konno,H.Shirakawa,H.Yamazaki,A mean-absolute deviation-skewness portfolio optimization model,Annals of Operations Research 45(1993)205–220.[9]H.Konno,K.Suzuki,A mean-variance-skewness optimization model,Journal of the Operations Research Society of Japan 38(1995)137–187.[10]A.Kraus,R.Litzenberger,Skewness preference and the valuation of risky assets,Journal of Finance 21(1976)1085–1094. [11]X.Li,B.Liu,Maximum entropy principle for fuzzy variables,International Journal of Uncertainty,Fuzziness and Knowledge-Based Systems 15(Suppl.2)(2007)43–53.[12]B.Liu,Theory and Practice of Uncertain Programming,Physica-Verlag,Heidelberg,2002.[13]B.Liu,Uncertainty Theory,second ed.,Springer-Verlag,Berlin,2007. [14]B.Liu,K.Iwamura,Chance constrained programming with fuzzy parameters,Fuzzy Sets and Systems 94(1998)227–237. [15]B.Liu,Y.K.Liu,Expected value of fuzzy variable and fuzzy expected value models,IEEE Transactions on Fuzzy Systems 10(4)(2002)445–450. [16]Y.K.Liu,Convergent results about the use of fuzzy simulation in fuzzy optimization problems,IEEE Transactions on Fuzzy Systems 14(2)(2006)295–304. [17]S.C.Liu,S.Y.Wang,W.H.Qiu,A mean-variance-skewness model for portfolio selection with transaction costs,International Journal of Systems Science 34(2003)255–262. [18]C.Machado-Santos,A.C.Fernandes,Skewness in ?nancial returns:Evidence from the Portuguese stock,Finance A Uver-Czech Journal of Economics and Finance 55(2005)460–470. [19]H.Markowitz,Porfolio selection,Journal of Finance 7(1952)77–91. [20]H.Markowitz,Portfolio Selection:Ef?cient Diversi?cation of Investments,Wiley,New York,1959. [21]A.J.Prakash,C.Chang,T.E.Pactwa,Selecting a portfolio with skewness:Recent evidence from US,European,and Latin American equity markets,Journal of Banking and Finance 27(2003)1375–1390. [22]Z.Qin,X.Li,Option pricing formula for fuzzy ?nancial market,Journal of Uncertain Systems 2(2008)17–21. [23]Z.Qin,X.Li,X.Ji,Portfolio selection based on fuzzy cross-entropy,Journal of Computational and Applied Mathematics 228(2009)139–149. [24]P.Samuelson,The fundamental approximation theorem of portfolio analysis in terms of means,variances,and higher moments,Review of Economic Studies 37(1970)537–542. [25]J.K.Sengupta,Portfolio decisions as games,International Journal of Systems Science 20(1989)1323–1334. [26]W.F.Sharpe,A linear programming algorithm for a mutual fund portfolio selection,Management Science 13(1967)499–510. [27]W.F.Sharpe,A linear programming approximation for the general portfolio analysis problem,Journal of Financial and Quantitative Analysis 6(1971)1263–1275.[28]B.K.Stone,A linear programming formulation of the general portfolio selection problem,Journal of Financial and Quantitative Analysis 8(1973)621–636. [29]H.Tanaka,P.Guo,Portfolio selection based on upper and lower exponential possibility distributions,European Journal of Operational Research 114(1999)115–126.[30]H.Tanaka,P.Guo,I.B.Türksen,Portfolio selection based on fuzzy probabilities and possibility distributions,Fuzzy Sets and Systems 111(2000)387–397.[31] E.Vercher,J.D.Bermúdez,J.V.Segura,Fuzzy portfolio optimization under downside risk measures,Fuzzy Sets and Systems 158(2007)769–782. Fig.5.Membership functions of normally distributed fuzzy variable with e ?1and r ?1. Fig.6.Membership functions of exponentially distributed fuzzy variable with m ?1. X.Li et al./European Journal of Operational Research 202(2010)239–247247 第二章创新盈利模式 、建立盈利思维 盈利好比是每天悬在我们手上的一把剑，控制不好就会伤到自己，弄的好就会带来新的回报。 今天，企业家都拥有对渠道、对品牌、对成功的渴望。大家都在高谈战略：企业战略、经营战略、发展战略；然后呢，大谈商业模式。难道说有了商业模式企业就可以高歌猛进了吗?就可以等量长期占据市场了吗？就可以大赚特赚了吗？但是战略的部分还要落脚在盈利上，但凡商业模式，都是为了盈利，但怎样的商业模式才能称作盈利模型呢？今天，我们就来解开这个问题的答案：什么是盈利模型？ 作为企业家，我们都会遭遇同一个话题：今年企业有没有赚钱？ 这是企业生存发展的基本问题：建立盈利的思维、共赢的意识。当有了盈的策略，和共赢的思维建立起来，一切就会变得简单。 简单来说盈利模型就是赚钱模型，它包括两点，一是设计如何让企业赚钱，二是设计如何让合作伙伴赚钱。整个盈利价值链条不能有缺失，一定要保证完整性。在市场竞争充分的时候要考虑到如何整合资源，并聚焦在如何给客户或消费者提供超价值上。在现在的社会市场经济中，仅仅给对方对等的价值是远远不够的，只有超价值才能无限增 长。 而企业为什么要建立盈利模型？这就好比打麻将。过去打麻将，我老是输，后来仔细想了想，发现是没有建立盈的理念，只靠运气赌牌大，撞运气这种事一两个小时行，可一场麻将要打四个小时，所以就老输。如今商业社会变化太快了。我的团队里，有十几个副总裁、八十多位咨询师，每天我给他们耳提面命的最多的话题就是“模型”，因为我们是企业的标杆，我们的水平和认知程度，决定了我们这个企业能走多快、走多高，包括我们对风险的控制。有很多时候，昨天我们还很好，但是明天就不行了。 在互联网、数字技术大规模发展的今天，市场的变化太剧烈了。所有的创业者都会面临很多的困难：资金、营销、产品、市场、供应链等等，过去的思维方式是点到点的，即我们制定了一个明确的目标后就开始实施，但通常第一年都会失败，之后第二年也失败。现在我们需要一个新的思维方式“框式思维”，即用一个经过周密设计的框架系统帮助我们制定目标、实施行动，而这个框架的设计应该是以如何把企业做的更大更好为标准的，我认为这个框架应该是企业的“盈利系统”。 、盈利模型的象限 商业都是有原理可循的，如今的商业原理就是互联网和的思维原理，即两世界（现实世界、虚拟世界）、三个屏（电脑屏、电视屏、手机屏）。三屏两世界构成了企业涉及到营销发展的核心，是企业的传播和聚焦点。不管做什么样的经济，实体经济和虚拟经济，传播的载体就是三屏，而真正的电脑和手机是非常难的，两个世界里面的现实世界和虚拟世界如何互动，怎么样去交流？利润从哪里来？利润价格*销量成本，我们要考虑自己的生意模式，企业靠什么赚钱？所有的盈利模型是考虑企业自己。 第四章 等效电路模型参数在线辨识 通过第三章函数拟合的方法可以确定钒电池等效电路模型中的参数，但是在实际运行过程中模型参数随着工作环境温度、充放电循环次数、SOC 等因素发生变化，根据离线试验数据计算得到的参数值估算电池SOC 可能会造成较大的估计误差。因此，在实际运行时，应对钒电池等效电路模型参数进行在线辨识，做出实时修正，提高基于模型估算SOC 的精度。 4.1 基于遗忘因子的最小二乘算法 参数辨识是根据被测系统的输入输出来，通过一定的算法，获得让模型输出值尽量接近系统实际输出值的模型参数估计值。根据能否实时辨识系统的模型参数，可以将常用的参数辨识方法分为离线和在线两类，离线辨识只能在数据采集完成后进行，不能对系统模型实时地在线调整参数，对于具有非线性特性的电池系统往往不能得到满意的辨识结果；在线辨识方法一般能够根据实时采集到的数据对系统模型进行辨识，在线调整系统模型参数。常用的辨识方法有最小二乘法、极大似然估计法和Kalman 滤波法等。因最小二乘法原理简明、收敛较快、容易理解和掌握、方便编程实现等特点，在进行电池模型参数辨识时采用了效果较好的含遗忘因子的递推最小二乘法。 4.1.1 批处理最小二乘法简介 假设被辨识的系统模型： 12121212()()()1n n n n b z b z b z y z G z u z a z a z a z ------+++==++++L L （4-1） 其相应的差分方程为： 1 1 ()()()n n i i i i y k a y k i b u k i ===--+-∑∑（4-2） 若考虑被辨识系统或观测信息中含有噪声，则被辨识模型式（4-2）可改写为： 1 1 ()()()()n n i i i i z k a y k i b u k i v k ===--+-+∑∑（4-3） 式中， ()z k 为系统输出量的第k 次观测值；()y k 为系统输出量的第k 次真值，()y k i -为系统输出量的第k i -次真值；()u k 为系统的第k 个输入值，()u k i -为 系统的第k i -个输入值；()v k 为均值为0的随机噪声。 龙源期刊网 https://www.sodocs.net/doc/ff16548165.html, 温室蔬菜常见病虫害及预防措施 作者：赫素真 来源：《现代园艺·园林版》2017年第06期 摘要：主要针对温室蔬菜常见病虫害及预防措施进行研究。 关键词：温室蔬菜;病虫害;预防措施 1常见的病害与化学防治 1.1灰霉病 灰霉病是一种比较常见的病害，主要危害的蔬菜是辣椒、茄子类，这种病害是真菌感染引起，且不同的危害部位有不同的表现现状，像蔬菜叶子会发生颜色的变化，会由绿变灰白，且腐烂，果实在初始状态，直接腐烂，腐烂处会出现灰霉，最后果实脱离组织掉落。温室中的潮湿环境极易滋生真菌，所以要控制好温室的含水量。此外，在发病时，要及时对其进行清理，避免此真菌对其他的正常蔬菜产生影响。在进行化学防治时，可以用成分为嘧霉胺，含量不少于70%，剂型为水分散粒剂，用量为9（g/ha）的绿亨1000～1500倍液体进行有效预防。 1.2根腐病 根腐病主要作用于蔬菜的根部，导致根部直接腐烂，且死亡。根腐烂的根本原因还是温室里的水分太多了，又得不到充足的太阳光照射，或者根部生长的土壤环境中土结块或者土中的含水量过多，促使真菌滋生的条件。所以对其进行预防，使其生长的环境和周围的环境保持水分适量。在进行化学防治时，可以采用绿亨1号5000～6000倍液防治。 1.3霜霉病 霜霉病发病时期不确定，主要作用于蔬菜叶，主要表现现状是在叶背呈现霜霉，在正面呈现斑点，同时叶的正反面颜色逐渐褪为黄色。温室环境温度过高、空气中的水分含量较大，以及蔬菜之间的间距没有控制在合理的范围内，都会为滋生相关的病菌提供条件。所以对其进行预防时，针对病菌生存的环境，逐一改变。在进行化学治疗时，可以采用含量为72%、有效成分为霜脲、锰锌的可湿性粉剂防治。 1.4疫病 温室大棚的特点就是温度高、湿度大、严密性强，这样有助于相关蔬菜疫病的产生，主要受影响的蔬菜有茄子、辣椒等。在进行预防时，就要对大棚进行定时的通风换气，同时平衡一下大棚内温度和湿度，还要使其接受一定时间的日光照射，以便进行光合作用，促进蔬菜生 番茄病虫害防治 一、主要病害及防治 1.番茄灰霉病 防治措施主要是采用以药剂防治为主，结合生态防治的综合防治。在配好的蘸花药液里加入保果宁或50％利得（异菌.福)可湿性粉剂进行蘸花或喷花。加强通风换气，调节温、湿度，避免结露。苗期对床土表面进行灭菌，收获后和种植前彻底清除温室内病残体并集中烧毁或深埋，并对棚室进行消毒处理。 2.番茄菌核病 防治措施主要采用栽培措施和药剂防治相结合。深翻地，将菌核翻至10厘米以下，使其不能萌发；在夏季高温季节利用换茬时用稻草、生石灰或马粪等混合耕地，做起垄小畦，灌满水后铺上地膜，密闭大棚，使土温升高，保持20天。可杀死病菌；加强管理，及时摘除老叶、病叶，清除田间杂草，注意通风排湿，采取滴灌、暗灌；药剂防治在发病初可喷洒40％菌核净可湿性粉剂500倍液或50％农利灵（乙烯菌核利）可湿性粉剂1000～1500倍液等。棚室采用烟雾法或粉尘法施药，亩用10％速克灵（腐霉利）烟剂250～300克，也可于傍晚喷撒6.5％甲霉灵粉尘、百菌清粉尘剂或10％灭克粉尘剂，每亩次1公斤。 3.番茄晚疫病 防治措施主要通过选用耐病品种，结合药剂进行综合防治措施。植株茎、叶茸毛多的品种较耐晚疫病。施足底肥，增施磷、钾肥，提高植株抗病力。在发现中心病株后，要立即全面喷药，集中消灭发病中心，发病中心地块要反复3～4次喷药封锁，并将病叶、病枝、病果和重病株带出田外烧毁。药剂可选用50％安克可湿性粉剂1500～2000倍液或65％安克锰锌可湿性粉剂600～800倍液等。 4.番茄叶霉病 防治措施要以抗病品种为主，结合栽培措施，辅以药剂控制的综合防治措施。选用抗病品种佳粉18号、硬粉8号、仙克1号，金棚1号，中杂105，京丹4、6号，京丹绿宝石和京丹黄玉等对叶霉病菌1.2.3和1.2.3.4生理小种群高抗；栽培措施上，前期作好保温，后期加强通风，降低湿度，防止叶面结露。及时整枝打杈，去掉老病叶；在发病初期可用45％百菌清烟剂每亩250～300克，熏一夜或于傍晚喷撒7％叶霉净粉尘剂，或5％百菌清粉尘剂或10％敌托粉尘剂，每亩1公斤，隔8～10天1次，连续或交替轮换施用。 5.番茄溃疡病 防治措施要采取严格的种子检疫措施，加强栽培管理，结合药剂防治的综合防治措施。对种子进行温汤浸种或药剂浸种，催芽播种；采用高垄栽培。及时清除病株并销毁，病穴要进行生石灰消毒。避免偏施氮肥，禁止大水漫灌，整枝打杈时避免带露水操作；发病时，全田喷洒14％络氨铜水剂300倍、或77％可杀得可湿性微粒粉剂500倍液等。 6.番茄花叶病毒 防治措施上采取以抗病品种为主，结合栽培措施的综合防治。目前国内推广的番茄品种多数具有抗番茄花叶病毒的能力。避蚜防病，大棚采用网纱覆盖风口或利用银灰膜反光，减少室外蚜虫进入，以减轻病毒病的发生。拔除病苗，田间整枝打杈时要病、健株分开操作， 浅析电力系统模型参数辨识 （贵哥提供） 一、现状分析 随着我国电力事业的迅猛发展, 超高压输电线路和大容量机组的相继投入, 对电力系统稳定计算、以及其安全性、经济性和电能质量提出了更高的要求。现代控制理论、计算机技术、现代应用数学等新理论、新方法在电力系统的应用，正在促使电力工业这一传统产业迅速走向高科技化。 我国大区域电网的互联使网络结构更复杂，对电力系统安全稳定分析提出了更高的要求，在线、实时、精确的辨识电力系统模型参数变得更加紧迫。由于电力系统模型的基础性、重要性，国外早在上世纪三十年代就开始了这方面的分析研究，[1,2]国内外的电力工作者在模型参数辨识方面做了大量的研究工作。[3]随后IEEE相继公布了有关四大参数的数学模型。1990年全国电网会议上的调查确定了模型参数的地位，促进了模型参数辨识的进一步发展，并提出了研究发电机、励磁、调速系统、负荷等元件的动态特性和理论模型，以及元件在极端运行环境下的动态特性和参数辨识的要求。但传统的测量手段，限制了在线实时辨识方法的实现。 同步相量测量技术的出现和WAMS系统的研究与应用，使实现在线实时的电力系统模型参数辨识成为可能。同步相量是以标准时间信号GPS作为同步的基准，通过对采样数据计算而得的相量。相量测量装置是进行同步相量测量和输出以及动态记录的装置。PMU的核心特征包括基于标准时钟信号的同步相量测量、失去标准时钟信号的授时能力、PMU与主站之间能够实时通信并遵循有关通信协议。 自1988年Virginia Tech研制出首个PMU装置以来，[4]PMU技术取得了长足发展，并在国内外得到了广泛应用。截至2006年底，在我国范围内，已有300多台P MU装置投入运行，并且可预计，在不久的将来PMU装置会遍布电力系统的各个主要电厂和变电站。这为基于PMU的各种应用提供了良好的条件。 二、系统辨识的概念 系统模型是实际系统本质的简化描述。[5]模型可分为物理模型和数学模型两大类。物理模型是根据相似原理构成的一种物理模拟，通过模型试验来研究系统的 灵台县无公害蔬菜常见病虫害防治技术 一、十字花科类蔬菜主要病害 白菜软腐病症状：白菜软腐病又称白菜腐烂病、烂疙瘩、酱桶、脱帮等，属细菌性病害一般通过雨水和灌溉水传播,病菌只有与白菜伤口接触,才能侵染发病。多从白菜包心期开始发病，先在菜帮基部出现半透明状浸润斑，逐渐扩大为灰白色，嫩组织腐烂，老组织干缩。后期，由叶帮基部向短缩茎发展，引起根髓腐烂，并溢出灰黄色粘液。植株外叶中午萎蔫，早晚恢复，持续几天后，病株外叶平贴地面，心叶或叶球部分外露，叶柄茎或根茎处髓组织溃烂，流出灰褐色或白色粘稠状物，并散出臭味，轻碰病株即倒折溃烂。潜伏有病菌的组织，入窖后可发生腐烂。较坚实少汁的组织受害时，也是先呈水浸状，逐渐腐烂，但最后病部组织干缩，变为干腐状。此病发生危害期长，在田间、贮运期及市场上都能发生腐烂，造成重大损失。在包心期，遇低温多雨，地势低洼，排水不良时发病重。除白菜外，甘蓝、萝卜等受害也较重。此病除危害十字花科蔬菜外，还可危害马铃薯、番茄、辣椒、洋葱、胡萝卜、芹菜、莴苣等多种蔬菜。 防治：可用72%农用链霉素2000-3000倍，每隔7-10天喷一次，连喷2-3次。 白菜霜霉病症状：真菌性病害，主要发生在叶部。先从外部叶片开始，在病叶正面出现淡黄色小病斑，逐渐扩大成黄绿色不规则病斑。天气潮湿时，叶背面产生白色霜层，气候干旱时，病斑干枯。病原为鞭毛菌寄生霜霉真菌。田间高温多雨是病害常严重发生。早播、播种过密、通风不良、连茬、包心期缺肥易引发病害。 防治：喷施1:0.5:240的波尔多液或75％百菌清可湿性粉剂800倍液、72%霜脲锰锌（杜邦克露、克抗灵、克霜氰）800～1000倍液、每5～7天喷1次。霜霉病的发生与病毒病关系密切，防治应综合考虑。 二、茄科类蔬菜主要病害 茄科晚疫病症状：又称茄科疫病，是番茄、辣椒主要病害之一，该病主要危害叶片及果实，也可危害茎部。一般是中下部叶片先发病。叶片发病首先在叶尖，叶缘处出现不规则暗绿色水渍状病斑，然后病斑扩大并变成褐色。在高湿条件下，病势发展迅速，叶背面的病，病健交界处发生白色霉状物。在干燥条件下，病部干枯，呈清白色，脆而易碎。危害茎部的病斑开始呈暗绿色，后变成黑褐色，稍凹陷，腐败状，病部边缘生有较重的白色霉层，最后表皮腐烂，植株易从腐烂处弯折。果实多发病在青果期表面开始呈灰绿油渍状硬斑块，逐渐变为暗褐色或棕褐色，病斑稍凹陷，边缘 如何构建产业投资基金盈利预测模型 执笔人：程静萍 2006年12月30日，随着渤海产业投资基金的正式挂牌，中国国内第一支真正意义上的产业投资基金正式宣告成立，这就意味着产业投资基金在经过漫长的探讨和论证之后，终于走上了中国的经济大舞台。 一、什么是产业投资基金 产业投资基金(Industrial Investment Fund)是与证券投资基金相对的概念，指一种对未上市企业进行股权投资和提供经营管理服务的利益共享、风险共担的集合投资制度，即通过向投资者发行基金份额设立基金公司，由基金公司任基金管理人或另行委托基金管理人管理基金资产，委托基金托管人托管基金资产，从事创业投资、企业重组投资和基础设施投资等实业投资，投资者按照其出资份额分享投资收益，承担投资风险。 二、如何构建产业投资基金盈利预测模型 1、盈利预测模型的理论依据 产业投资基金的盈利预测模型是建立在现代投资组合理论基础之上的，可以认为是现代投资组合理论在实业股权投资方面的变种应用。 现代投资理论的基本要点： （1）现代资产组合理论的提出主要是针对化解投资风险的可能性； （2）有些风险是与其他或所有证券的风险具有相关性，在风险以相似方式影响市场上的所有证券时，所有证券都会做出类似的反应，因此投资证券组合并不能规避整个系统的风险； （3）即使分散投资也未必是投资在数家不同公司的股票上，而是可能分散在股票、债券、房地产等多方面，未必每位投资者都会采取分散投资的方式； （4）最佳投资组合应当是具有风险厌恶特征的投资者的无差异曲线和资产的有效边界线的交点。 与证券投资相类似，产业投资基金的盈利预测模型也是根据一定的投资组合进行构建的，所不同的是产业投资基金是由若干股权投资和项目投资组合而成的。因此，构建产业投资基金的盈利预测模型应基于如下的投资组合理论： （1）与证券投资相类似，产业基金投资也需要通过构建投资组合，获得预期收益率，但是并不能完全规避投资风险； （2）产业基金投资组合也是取决于所投资公司或项目的收益和风险的； （3）产业基金投资以实业股权投资为主要表现形式，相关法规对基金的投降渠道进行了严格限定。 产业投资基金的盈利预测同时还基于国际上通行的私人股权投资（Private Equity，PE）J曲线（J Curve）理论。 图1:基于胜任力模型的招聘评价模型 所谓J曲线理论，是对私人股权投资在投资期间内的投入、产出分别进行预测，并根据预测结果绘制现金流量曲线，我们会发现，这条曲线呈现出一个“J”的形状，因此称之为J曲线。如上图所示，产业投资基金在投资期间的前段以投 基于最小二乘模型的Bayes 参数辨识方法 王晓侃1，冯冬青2 1 郑州大学电气工程学院，郑州（450001） 2 郑州大学信息控制研究所，郑州（450001） E-mail ：wxkbbg@https://www.sodocs.net/doc/ff16548165.html, 摘 要：从辨识定义出发,首先介绍了Bayes 基本原理及其两种常用的方法,接着重点介绍了基于最小二乘模型的Bayes 参数辨识,最后以实例用MATLAB 进行仿真,得出理想的辨识结果。 关键词:辨识定义；Bayes 基本原理；Bayes 参数辨识 中国图书分类号：TP273+.1 文献标识码：A 0 概述 系统辨识是建模的一种方法。不同的学科领域，对应着不同的数学模型，从某种意义上讲，不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。L. A. Zadehll 于1962年曾对”辨识”给出定义[1]:系统辨识是在对输入和输出观测的基础上，在指定的一类系统中，确定一个与被识别的系统等价的系统。一般系统输出y(n)通常用系统过去输出y(n-m)和现在输入u(n)及过去输入u(n-m)的函数描述 y(n)=f(y(n-1),y(n-2)，...，y(n-m y ), u(n),u(n-1),... ,u(n-m u ))=f(x(n),n) x(n)=[y(n-1),y(n-2),...y(n-m y ), u(n),u(n-1),...,u(n-m u )]’ 这里f(,)为未知函数关系，一般情况为泛函数，可以是线性函数或非线性函数，分别对应于线性或非线性系统，通常这个函数未知，但是局部输入输出数据可以测出，系统辨识的任务就是根据这部分信息寻找确定函数或确定系统来逼近这个未知函数。但实际上我们不可能找到一个与实际系统完全等价的模型。从实用的角度来看，系统辨识就是从一组模型中选择一个模型，按照某种准则，使之能最好地拟合由系统的输入输出观测数据体现出的实际系统的动态或静态特性。接下来本文就以最小二乘法为基础的Bayes 辨识方法为例进行分析介绍并加以仿真[4]。 1 Bayes 基本原理 Bayes 辨识方法的基本思想是把所要估计的参数看做随机变量,然后设法通过观测与该参数有关联的其他变量,以此来推断这个参数。 设μ是描述某一动态系统的模型，θ是模型μ的参数，它会反映在该动态系统的输入输出观测值中。如果系统的输出变量z(k)在参数θ及其历史纪录(1) k D ?条件下的概率密度函 数是已知的，记作p(z(k)｜θ，(1) k D ?)，其中(1) k D ?表示（k-1）时刻以前的输入输出数据集 合，那么根据Bayes 的观点参数θ的估计问题可以看成是把参数θ当作具有某种先验概率密 度p （θ，(1) k D ?）的随机变量，如果输入u(k)是确定的变量，则利用Bayes 公式，把参数θ 的后验概率密度函数表示成[2] p (θ，k D ）= p (θ｜z (k ),u(k ), (1) k D ?)=p (θ｜z (k ),(1) k D ?) = (k-1) (k-1) p(z(k)/,D )p(/D ) (k-1)(k-1)p(z(k)/,D )p(/D )d θθθθθ∞∫?∞ (1) 在式(1)中,参数θ的先验概率密度函数p(θ｜(1) k D ?)及数据的条件概率密度函数p(z(k)｜θ， 蔬菜——常见虫害防治的化学农药 1、菜青虫：311菜蛾敌600-1000倍液、2.5%功夫乳油2000-5000倍液、2.5%敌杀死乳油2000-5000倍液、5%卡死克乳油2000-3000倍液、5%抑太保乳油2000-3000倍液、50%辛硫磷乳油1000倍液、10%天王星乳油1000倍液、21%灭杀毙乳油3000倍液。注意：抑太保要比一般农药提早3天施药。 2、小菜蛾：311菜蛾敌600-1000倍液、2.5%功夫乳油2000-5000倍液、2.5%敌杀死乳油2000-5000倍液、5%卡死克乳油2000-3000倍液、5%抑太保乳油2000-3000倍液、5%锐劲特悬浮剂3000倍液、5%农梦特2000倍液。 3、斜纹夜蛾、甜菜夜蛾、银纹夜蛾、甘蓝夜蛾：25%辛硫灭扫利乳油2500-4000倍液、夜蛾灵800-1200倍液、夜蛾净1500-2000倍液、克蛾宝2000-3000倍液、10%氯氰菊酯乳油2000-5000倍液、2.5%功夫乳油5000倍液、2.5%木虱净乳油1500倍液。注意：辛硫灭扫利、夜蛾灵、夜蛾净不能与碱性药混用。 4、黄曲条跳甲成虫、幼虫：80%敌百虫可湿性粉剂800-1000倍液、农地乐1000-1500倍液、扑甲灵600-1000倍液、50%辛硫磷乳油1000倍液、21%增效氰乌乳油4000倍液。注意：农地乐应注意标签说明。喷施扑甲灵时应从田块四周向中间喷药，防止虫逃跑。 5、蚜虫（瓜蚜）：快杀灵3000-5000倍液、一遍净3000-5000倍液、杀灭菊酯8000-10000倍液、灭百可5000-8000倍液、40%乐果乳油1000-2000倍液、10%大功臣可湿性粉剂2500倍液。注意：快杀灵、杀灭菊酯不与碱性药混用。盛装灭百可的容器要冲洗3次后埋掉。 6、红蜘蛛：73%克螨特乳油3000-5000倍液、爱福丁3000-4000倍液、5%卡死克乳油1000-1500倍液、20%螨克乳油1000-1500倍液。 7、黄守瓜、瓜绢螟：80%敌百虫可湿性粉剂800-1000倍液、50%辛硫磷乳油1000-1500倍液、10%氯氰菊酯2000-5000倍液、灭杀毙8000倍液。注意：瓜豆对50%辛硫磷敏感，高温慎用。 8、蓟马：爱卡士1000-2000倍液、拉硫磷1500-2000倍液、0%辛硫磷乳油1000-2000倍液、0%氯马乳油1000-2000倍液、0%乐果乳油1000倍液。注意：20%氯马乳油不与碱性药混用。 9、瓜食蝇：2.5%溴氰菊酯乳油2000-3000倍液、香蕉或菠萝皮40份，加80%敌百虫晶体（其它农药）0.5份，加香精1份，加水调成糊状毒饵诱杀。每亩20个点，每点25克、50%敌敌畏乳油1000倍液。 10、潜叶蝇：2.5%溴氰菊酯1500-3000倍液、爱卡士1000-2000倍液、抑太保乳油 2000-3000倍液、21%灭杀毙乳油8000倍液、25%喹硫磷乳油1000倍液、80%敌百虫可湿性粉剂1000倍液。 11、豆秆蝇：⑴50%辛硫磷乳油1000倍液。⑵2.5%溴氰菊酯1500-3000倍液。注意：用时应清除 （一）黄瓜 一. 霜霉病疫病： 1.烯酰吗啉 2. 霜脲锰锌 3.菌霜杰 4.甲霜灵锰锌 二. 细菌性角斑病.叶枯病：1.中生菌素 2. 春雷霉素 3.噻唑锌 三. 白粉病黑星病：1. 乙嘧酚 2. 3.醚菌酯 4. 新秀戊唑醇 5. 白粉速净 6. 斑星杰 四. 炭疽病叶斑病：1. 苯醚甲环唑 2. 克菌杰 3.醚菌酯 五蔓枯病枯萎病根腐病：1. 枯草芽孢杆菌 2. 青枯立克 4. 中生菌素 5.络氨铜灌根 六. 灰霉病菌核病：1. 嘧霉胺 2. 丁子香酚 3. 统防统治 4. 异菌脲 5.腐霉利 6. 烟酰胺 (二）西瓜甜瓜茭瓜 一. 炭疽病.叶斑病：1.苯醚甲环唑 2. 克菌杰 3.斑星杰 4. 醚菌酯 5. 新秀戊唑醇 6.乙嘧酚 二. 蔓枯病枯萎病：1. 克菌杰 2. 青枯立克 3. 枯草芽孢 4. 中生菌素（上述产品喷雾或者少兑水拌成糊状涂抹病部） 6. 络氨铜灌根 三. 细菌性叶枯病.软腐病果腐病：1.中生菌素 2. 春雷霉素 3.噻唑锌 四. 疫病霜霉病：1.烯酰吗啉 2. 霜脲锰锌 3.菌霜杰 4.甲霜灵锰锌 五.病毒病：1. 菌毒清.吗啉胍 2. 氮苷.吗啉胍 3. 吗啉胍.乙酸铜 （三）番茄辣椒茄子 一. 晚疫病： 1.烯酰吗啉 2. 霜脲锰锌 3.菌霜杰 4. 甲霜灵锰锌 二.早疫病： 1. 苯醚甲环唑 2. 戊唑醇 3.醚菌酯 三. 灰霉病菌核病： 1. 嘧霉胺 2. 丁子香酚 3. 统防统治 4. 异菌脲 5.腐霉利 6. 烟酰胺 四. 叶霉病： 1. 春雷霉素 2. 新秀戊唑醇 3. 异菌脲 五病毒病： 1. 菌毒清.吗啉胍 2. 氮苷.吗啉胍 3. 吗啉胍.乙酸铜 六. 青枯病溃疡病茎基腐黄萎病枯萎病：1. 中生菌素 2. 青枯立克 3. 枯草芽孢杆菌 4.春雷霉素 5.络氨铜灌根 七. 细菌性叶斑病疮痂病：1.中生菌素 2. 春雷霉素 3.噻唑锌 （四）菜豆芸豆 一. 锈病炭疽叶斑病：1. 苯醚甲环唑 2.斑星杰 3. 新秀戊唑醇 4. 乙嘧酚 5. 克菌杰 6. 醚菌酯 二.细菌性疫病：1. 中生菌素 2 噻唑锌 三.花叶病毒病：1. 菌毒清.吗啉胍 2. 氮苷.吗啉胍 3. 吗啉胍.乙酸铜 四.枯萎病根腐病茎基腐：1.中生菌素 2.青枯立克 4. 枯草芽孢杆菌 5.络氨铜灌根 上海交通大学 硕士学位论文 Bouc-Wen滞回模型的参数辨识及其在电梯振动建模中的应用 姓名：周传勇 申请学位级别：硕士 专业：机械设计及理论 指导教师：李鸿光 20080201 Bouc-Wen滞回模型的参数辨识 及其在电梯振动建模中的应用 摘 要 电梯导靴是连接轿箱系统与导轨的装置，它能起到导向和隔振减振的作用。同时，在电梯的运行过程中它又将导轨由于制造或安装所造成的表面不平顺度传递给轿箱系统，从而引起轿箱系统的水平振动。国内外学者在电梯水平振动的建模和分析中，往往把导靴视为线性弹簧-阻尼元件来建模而忽略了非线性因素。事实上导靴与导轨之间存在非线性的迟滞摩擦力，本文通过实验的方法，采用Bouc-Wen 滞回模型来建立导靴-导轨非线性摩擦力模型。 Bouc-Wen滞回模型因其微分形式的非线性表达式而使得其参数辨识存在较大的困难，本文利用模型中部分参数的不敏感性，通过数学变换将非线性参数辨识问题转化为线性参数辨识问题，从而使得问题大大简化，参数辨识的效果也能满足要求。 基于以上导靴-导轨间摩擦力模型，本文进而建立了轿箱-导轨耦合水平振动动力学模型，该模型将轿箱系统等效为2自由度的平面运动刚体，将导靴等效为质量-弹簧-阻尼单元，同时考虑了导靴-导轨间的非线性摩擦力，以及导靴靴衬与导轨间接触的不连续性等。 在建立了轿箱-导轨耦合水平振动动力学模型后，利用Matlab/Simulink，建立了相应的仿真模型，开展了几种典型导轨不 平顺度激励（弯曲、失调和台阶）下的仿真分析。研究结果表明，这些分析对于电梯结构优化设计和动力学建模与分析有理论指导意义。 关键词：迟滞，参数辨识，非线性，动力学建模，系统仿真 主要蔬菜常见病虫害防治 日期：2013-10-14 10:40 作者：来源：湖南湘阴县农业局点击：2103 一、辣椒主要病虫害的防治 1、苗床期主要病虫害。①主要病害有灰霉病、炭疽病。分别用速克宁和甲基托布津防治，每隔15天喷一次药液。②主要虫害是蚜虫，可用敌蚜螨、克螨特等药物进行防治。 2、生长结果期的主要病虫害。病害主要有：真菌性疮痂病、炭疽病、疫病可选用可杀得或甲基托布津、瑞毒霉或百菌清防治；病毒病一般引起花叶、卷叶，可用病毒A或辣椒卷叶灵喷雾预防；白绢病、青病重在预防，加强土壤消毒，多施石灰。在发病初期分别5%多菌灵500倍液淋蔸进行防治。 二、茄子的主要病虫害防治 1、主要病害。①育苗初期易发生猝倒病和真菌性病害，防病药剂有速克宁、甲基托布津、百菌清等。 ②生长发育期后的病害有黄萎病、绵疫病。防治重在轮作，严格土壤消毒，重施生石灰。发病始期用可杀得喷雾防治。 2、主要虫害。主要有蚜虫、棉铃虫、十八星瓢虫、茶蟥螨等。蚜虫可用敌蚜螨、乐果等药防治；棉铃虫、十八星瓢虫用功夫或甲维盐等药防治；茶蟥螨用哒螨酮、克螨特防治。 三、白菜类病虫害防治 1、病害有很多，但发生最普遍、最严重的有软腐病、霜霉病和病毒病。①软腐病，发病初期及时拨除病株，并在周围土壤撒少量石灰；②霜霉病，发病初期可用以下药剂防治：75%甲霜灵800倍喷雾，40%乙磷铝150-200倍喷雾；③病毒病，苗期及时防治蚜虫，用吡蚜酮1000倍喷雾。 2、虫害的防治。虫害主要是菜青虫、甜菜夜蛾、蚜虫等虫害，可用敌杀死、甲维盐等药剂防治。 四、莴苣类病虫害防治 1、莴苣的病害主要有：霜霉病和软腐病。①霜霉病，在发病初期用25%甲霜灵800倍或45%代森铵900-1000倍喷施，每隔5-7天喷一次，连续2-3次。②软腐病，发病初期及时拨除病株，并在病穴四周撒少量石灰，同时，可用农链霉素200克/升或敌克松500-1000倍液或50%代森铵800-1000倍液喷施，每5-7天喷一次，连续2-3次。 2、莴苣的主要虫害是蚜虫和蜗牛。分别用敌蚜螨、蜗牛灵进行防治。 五、芹菜的病虫害防治 1、病害。苗期主要有猝倒病，发现病株，及时清除，并撒施药土。可用35%多菌灵拌细土25千克撒施，或用50%多菌灵1000倍液或用50%代森铵1000倍液或70%百菌清800倍液喷雾。成株病害主要有叶枯病和早疫病。可用70%代森锌可湿性粉剂500倍液、40%甲基托布津600-800倍液喷雾，隔5-7天交替用药。 2、主要虫害。芹菜虫害主要有斜纹夜蛾和蚜虫。斜纹夜蛾可用25%灭幼脲3号500倍液或功夫或甲维等药防治。蚜虫可用蚍蚜西酮、吡虫啉单剂防治。 六、黄瓜病虫害防治。 1、黄瓜的主要病害有枯萎病、疫病、霜霉病、细菌性角斑病，可分别用代森铵、可杀得、甲霜灵、农用链霉素防治。 2、虫害主要有黄守瓜虫、蚜虫等，可用敌蚜螨或拟除虫菊酯类等药物喷雾防治。 蔬菜主要病虫害种类 十字花科蔬菜病虫：主要有小菜蛾、菜青虫、黄曲条跳甲、斜纹夜蛾、甜菜夜蛾、蚜虫、菜螟、软腐病、黑腐病、菌核病、霜霉病、炭疽病、白锈病等。 豆科蔬菜病虫：主要有豆荚螟、豆蚜、斜纹夜蛾、豆芫菁、斑潜蝇、烟粉虱、朱砂叶螨、白粉病、炭疽病、枯萎病、锈病、轮纹病、病毒病等。 葫芦科蔬菜病虫：主要有黄守瓜、芫菁、瓜娟螟、蚜虫、蓟马、斑潜蝇、烟粉虱、灰霉病、疫病、霜霉病、白粉病、炭疽病、黑斑病、叶斑病、蔓枯病、枯萎病、细菌性角斑病、病毒病等。 茄科蔬菜病虫：主要有蓟马、棉铃虫、二十八星瓢虫、茶黄螨、青枯病、早疫病、晚疫病、褐纹病、炭疽病、白粉病、灰霉病、根结线虫病等。 葱蒜类蔬菜病虫：主要有蓟马、潜叶蝇、斜纹夜蛾、甜菜夜蛾、灰霉病、疫病、霜霉病等。 蔬菜主要病虫害种类及适用农药品种 乐斯本基立甲霜灵百菌清农药杂谈分类：农业 病虫种类： 1、苗期病害（猝倒病、立枯病）发生作物：叶菜类、瓜类、茄果类苗期。适用农药：恶习霉灵、甲基立枯磷、苗菌净、多氧霉素、甲霜灵锰锌。 2、霜霉病类发生作物：瓜类、葱类、叶菜类。适用农药：甲霜灵锰锌、百菌清、氰霜唑、杀毒矾、克露、氟吗锰锌、疫霜灵。 3、疫病类型发生作物：瓜类、葱类、叶菜类。适用农药：甲霜灵锰锌、百菌清、氰霜唑、杀毒矾、克露、氟吗锰锌、疫霜灵。 4、早疫病类发生作物：辣（甜）椒、黄瓜、葱、芋等。适用农药：代森锰锌、可杀得、百菌清、甲霜灵锰锌、杀毒矾、异菌。 5、晚疫病类发生作物：番茄、马铃薯。适用农药：甲霜灵锰锌、氟吗锰锌、氰霜唑、金雷多米尔、克露、蓝保、可杀得。 6、炭疽病类发生作物：甜（辣）椒、白菜、黄瓜、菜豆。适用农药：炭特 瓜类蔬菜主要病虫害防治技术 夏季高温高湿有利于多种瓜类蔬菜病虫的发生，加上春种蔬菜收获后田间遗留大量病虫源，使防治工作更加困难。因此，夏季种植瓜类蔬菜应注意采取以下病虫害防治措施： 一、春种蔬菜收获后彻底清除田间残枝败叶，铲除田边杂草，搞好田园清洁。抓住时机赶晴天翻土晒透，以杀灭部分病菌，减少田间病虫源。 二、注意选用前茬非瓜类的农田，避免瓜类连作。育苗前要进行苗床土壤消毒，可有效防治瓜类蔬菜苗期病害。方法有：①每平方米可用1.0-1.5克绿亨一号（≥99%噁霉灵可溶性粉剂）和4克绿亨2号（80%多·福·锌可湿性粉剂），与细土20千克充分掺匀后取1/3撒在畦面，余下2/3播种后做盖土；②用绿亨8号（15%噁霉灵水剂）稀释800-1000倍苗床喷洒或淋施；③用绿亨4号（3％甲霜· 噁霉灵水剂）12-18毫升/平方米，300-500倍液喷雾或淋湿；④用绿亨一号3000-4000倍液苗床淋湿。 三、种植规格不宜过密，比春种稍疏。上棚后注意引蔓整形，保证枝叶间通透性。施肥要注意合理配方，防止偏施过量氮肥，适当提高磷钾比例，并适时补充叶面喷施微肥，如绿亨天宝等，以提高植株抗病力。 四、夏季瓜类主要病害有：霜霉病、疫病、白粉病、炭疽病、叶斑病、枯萎病、蔓枯病等。要注意使用防病杀菌剂喷洒，一般每10天左右喷一次，针对不同病害，选择相应杀菌剂。 1、疫病和霜霉病： 疫病和霜霉病是瓜类生产上的重要病害，在瓜类各生长期均可发生。其有效防治药剂有绿亨80%烯酰吗啉水分散粒剂1500-2000倍液、绿亨铜师傅86.2%氧化亚铜1500倍液，绿亨飓风70%烯酰·嘧菌酯1500倍液、72%霜脲·锰锌可湿性粉剂500-1000倍液、58%甲霜· 锰锌可湿性粉剂600-800倍液等。交替轮换使用上述药剂，可延缓病菌抗药性的产生，取得更好的防治效果。在喷施上述药剂的同时，加入绿亨天宝可在防治蔬菜病害的同时增强瓜类自身的免疫力，提高品质，增加产量。 2、白粉病： 瓜类白粉病分布广泛，全球及我国南北菜区均有发生，是危害瓜类生产的重要病害之一，黄瓜、甜瓜、南瓜、西葫芦等发生较重。可选择以下药剂进行喷雾防治：绿亨8%氟硅唑微乳剂1000-1500倍液、绿亨80%戊唑醇3000-4000倍液、250克/升苯醚甲环唑乳油3000-5000倍液，严重时配合绿亨铜师傅86.2%氧化亚铜1500倍液可解除病害抗性，通知可防治霜霉和多数细菌性病害。 3、枯萎病： 蔬菜主要病虫害综合防治技术 随着农村种植业结构的不断调整，蔬菜生产已成为我县农业的重要产业之一。蔬菜的产量、产值、经济效益均居其他农作物之首，是我县广大蔬菜种植户的主要经济来源。 近年来，我县蔬菜面积迅速扩大，品种日益增多，栽培方式多样，复种指数提高，特别是大量种植保护地和反季节蔬菜，使得多数蔬菜得以周年生产，很大程度上打破了原有蔬菜作物的生态系统的平衡，加之其它经济作物、观赏植物面积的不断增加，为多种害虫发生提供了丰富的食料条件，常规性病虫频频暴发，突发性病虫威胁增大，病虫发生种类逐步增多，几乎任何一种蔬菜都可遭受病虫害的侵染。另外，由于蔬菜种类增加、保护地面积扩大、栽培方式多样、反季节栽培及调运频繁等缘故，造成原来一些次要的病虫害逐渐上升为主要病虫害；还有因长期、过量、单一使用农药，导致病虫抗药性越来越强，防治难度越来越大。据统计,我县常年蔬菜病虫发生面积80多万亩次，防治面积90多万亩次，通过防治挽回损失1.5万吨以上。 我县蔬菜病虫害发生特点 据调查,我县发生的蔬菜病虫害有200余种,其中常年发生的虫害有5O多种,病害有70多种。在日光温室大棚蔬菜病虫中,病害重于虫害,冬春季节的霜霉病、灰霉病偏重发生，其它病虫较轻。在露地菜病虫中,虫害重于病害,病虫发生季节性明显,冬春病害重,夏季和春夏之交病虫并重,秋季虫害重。全年病害发生高峰为苗期的立枯病、猝倒病和6月份的疫病、枯萎病等，特别是辣椒、豇豆、黄瓜的疫病和瓜类的枯萎病等。全年虫害发生高峰在7～9月份，主要是小菜蛾、斜纹夜蛾、甜菜夜蛾、蚜虫、美洲斑潜蝇。 当前蔬菜病虫防治中存在的主要问题 一、对病虫害缺乏了解：目前，蔬菜病虫害种类较多，尤其是保护地蔬菜，在高温高湿条件下，病虫害发生危害严重，而不少菜农不能正确识别病虫害，缺乏植物保护基本知识和病虫害综合防治技能，不懂得贯彻“预防为主，综合防治”的植保方针，依赖、误用和不合理使用化学农药的情况较为普遍。在病虫害暴发时"病急乱投医"，不能做到对症下药，经常会出现打“保险药”、打“马前炮药”、“马后炮药”、“乱打药”、打“高毒剧毒药”及“打错药”或不严格控制农药安全间隔期等现象。长期使用单一种农药:有的菜农发现某种农药效果好，就长期使用，即使发现该药对病虫害的防治效果下降，也不换用其它农药产品，而是采取加大药量的方法，结果随着用药量的增加，病虫害的抗药性也不断增强。如某菜农在防治番茄病毒病时，长期使用20%病毒A，而不更换其它的农药，导致防治病毒病效果降低。 二、缺乏无公害生产关键技术：蔬菜病虫害的防治，长期以来依赖于化学农药防治，其弊端越来 参数辨识 参数辨识的步骤 飞行器气动参数辨识是一个系统工程，包括四部分：①试验设计，使试验能为辨识提供含有足够信息量且信息分布均匀的试验数据；②气动模型结果确定，即从候选模型集中，根据一定的准则和经验，选出最优的气动模型构式；③气动参数辨识，根据辨识准则和数据求取模型中待定参数，这是气动辨识定量研究的核心阶段；④模型检验，确认所得气动模型是否确实反映了飞行器动力学系统中气动力的本质属性。这四个部分环环相扣，缺一不可，要反复进行，直到对所得气动模型满意为止。 参数辨识的方法 参数辨识方法主要有最小二乘算法、极大似然法、集员辨识法、贝叶斯法、岭估计法、超椭球法和鲁棒辨识法等多种辨识方法。虽然目前参数辨识的领域己经发展了多种算法，但是用于气动参数估计的算法主要有：极大似然法(ML)，广义Kalman滤波(EKF)法，模型估计法(EBM )、分割及多分割算法(PIA及MPIA)、最小二乘法，微分动态规划法等。 因为最小二乘法和极大似然法是两种经典的算法，目前己经发展得相当成熟。最小二乘法适于线性模型的参数辨识，可以用于飞行器系统辨识中很多的线性模型，如惯性仪表误差系数的辨识，线性时变离散系统初始状态的辨识及多项式曲线拟合等。目前最小二乘法已经广泛应用于工程实际中。而极大似然算法因其具有渐进一致性、估计的无偏性、良好的收敛特性等特点而被广泛应用于飞行器参数辨识领域。 最小二乘法大约是1975年高斯在其著名的星体运动轨道预报研究工作中提出来的。后来，最小二乘法就成了估计理论的奠基石。由于最小二乘法原理简单，编程容易，所以它颇受人们重视，应用相当广泛。 极大似然估计算法在实践中不断地被加以改进，这种改进主要表现在三个方 声明书盈利预测审核管 理层声明 SANY标准化小组 #QS8QHH-HHGX8Q8-GNHHJ8-HHMHGN# 关于预测审核的管理层声明书 天职国际会计师事务所并××注册会计师： 本公司已委托贵事务所对本公司编制的20××年12月 31日预测资产负债表、20××年度预测利润表、预测股东权益变动表和20××年度预测现金流量表(以下统称为“预测性财务信息”)及其编制所依据的假设进行审核，并出具审核报告。 本公司承诺对上述预测性财务信息的编制和列报负责，包括识别和披露上述预测性财务信息所依据的假设。 本公司就已知的全部事项，作出如下声明： 1.上述预测性财务信息反映了管理层对其涵盖期间内本公司的财务状况、经营成果和现金流量的预期。其编制和列报所采用的会计政策符合企业会计准则和《××会计制度》/财政部2006年2月15日颁布的《企业会计准则》的规定，并且与编制本公司历史财务报表时所使用的会计政策相一致。 2.上述预测性财务信息是在管理层确定的假设的基础上编制的。这些假设反映了管理层根据目前所能获取的信息，对于该预测性财务信息涵盖期间内的预期未来状况和预期将采取的行动所作出的判断和最佳估计。本公司确信上述预测性财务信息所依据的假设具有充分、适当的支持性证据，为预测性财务信息提供了合理的基础，且所依据的重大假设已在该预测性财务信息的附注中完整、充分披露。 3.本公司已向贵事务所完整地提供了下列资料，并对这些资料的真实性、合法性和完整性承担全部责任： (1)需审核的预测性财务信息及其所依据的各项基本假设和编制时所选用的会计政策。 (2)有关预测数、基本假设以及基础数据的支持性证据。 (3)预测性财务信息的附注说明。包括：编制所依据的假设；公司经营环境、市场情况和生产经营情况，以及影响公司未来上述预测性财务信息涵盖期间内财务状况、经营成果和现金流量的关键因素的资料。包括： ①本公司的历史背景、行业性质、生产经营方式、市场竞争能力、有关法律法规及会计政策的特殊要求； ②本公司的产品或劳务的市场占有率及营销计划； ③本公司生产经营所需要的人、财、物等资源的供应情况和成本水平； ④本公司以前年度的财务状况、经营成果、现金流量状况及其发展趋势； ⑤宏观经济的影响等。 蔬菜主要病虫害种类及适用农药品种 1、苗期病害发生作物：叶菜类、瓜类、茄果类苗期。合用农药：恶习霉灵、甲基立枯磷、苗菌净、多氧霉素、甲霜灵锰锌。 2、霜霉病类发生作物：瓜类、葱类、叶菜类。合用农药：甲霜灵锰锌、百菌清、氰霜唑、杀毒矾、克露、氟吗锰锌、疫霜灵。 3、疫病类型发生作物：瓜类、葱类、叶菜类。合用农药：甲霜灵锰锌、百菌清、氰霜唑、杀毒矾、克露、氟吗锰锌、疫霜灵。 4、早疫病类发生作物：辣椒、黄瓜、葱、芋等。合用农药：代森锰锌、可杀得、百菌清、甲霜灵锰锌、杀毒矾、异菌。 5、晚疫病类发生作物：番茄、马铃薯。合用农药：甲霜灵锰锌、氟吗锰锌、氰霜唑、金雷多米尔、克露、蓝保、可杀得。 6、炭疽病类发生作物：甜椒、白菜、黄瓜、菜豆。合用农药：炭特灵、施保功、农抗120、年夜生、绿亨一号、多福、多氧霉素。 7、白粉病、锈病类发生作物：瓜、豆、葱类。合用农药：晴菌唑、烯唑醇、三唑酮、百菌清、武夷霉素、农抗120、多氧霉素。 8、黑斑病类发生作物：白菜、甘蓝、花椰菜、萝等。合用农药：百菌清、杀毒矾、代森锰锌、农抗120。 9、根腐病类发生作物：瓜类、茄果类。合用农药：根腐灵、多菌灵、双效灵、壮生、百菌通、多氧霉素。 菌灵、根病净、绿亨二号、克菌、多氧霉素。 11、细菌性叶斑类发生作物：黄瓜、菜豆、甜椒、菜豆。合用农药：杀菌王、龙克菌、克菌康、硫酸、链霉素、新植霉素、波尔多液。 12、细菌性青枯、软腐、黑腐、黑斑病类发生作物：茄果类、十字花科。合用农药：杀菌王、龙克菌、克菌康、硫酸、链霉素、新植霉素、波尔多液。 13、病毒类发生作物：各类蔬菜。合用农药：病毒A、菌毒清、菌毒必克、素灭星植病灵、毒畏、镇毒。 14、小菜蛾、菜青虫等害虫发生作物：十字花科蔬菜。合用农药：菜喜、阿巴虫净、锐劲特、卫灵安打、阿维菌素、米满、千虫克。如何设计盈利模型
等效电路模型参数在线辨识
温室蔬菜常见病虫害及预防措施
蔬菜病虫害防治技术(汇总)讲义
浅析电力系统模型参数辨识
主要病虫害防治方法分析
如何构建产业投资基金盈利预测模型doc资料
基于最小二乘模型的Bayes参数辨识方法
蔬菜常见虫害防治的化学农药
蔬菜常见病虫害防治方法
Bouc-Wen 滞回模型的参数辨识
主要蔬菜常见病虫害防治
蔬菜虫害分类
瓜类蔬菜主要病虫害防治技术
蔬菜主要病虫害综合防治技术
参数辨识示例 报告
声明书盈利预测审核管理层声明
蔬菜主要病虫害种类及适用农药品种