前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇預(yù)算赤字范文，相信會(huì)為您的寫作帶來(lái)幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

預(yù)算赤字范文第1篇

做法：

1、將鍋燒熱倒入適量油燒至七分熱，加入姜片及蒜頭爆香；

2、將洗凈切好段的鮰魚放入油鍋煎數(shù)分鐘；

3、加入料酒、醬油、醋、少許蠔油及蔥，再加少許熱水，蓋上鍋蓋，用小火燒十分鐘；

4、打開鍋蓋，把魚塊翻面繼續(xù)蓋上燒約五分鐘后，加冰糖粉；

預(yù)算赤字范文第2篇

關(guān)鍵詞：雙子支持向量機(jī)（TWSVM）；分類算法；粒子群優(yōu)化算法（PSO）

DOIDOI：10.11907/rjdk.151455

中圖分類號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：16727800（2015）006007204

基金項(xiàng)目：玉林師范學(xué)院校級(jí)科研項(xiàng)目（2014YJYB04）

作者簡(jiǎn)介作者簡(jiǎn)介：劉建明（1986-），男，廣西博白人，碩士，玉林師范學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院助教，研究方向?yàn)閿?shù)據(jù)挖掘與機(jī)器學(xué)習(xí)。

0 引言

粒子群優(yōu)化算法[1]（Particle Swarm Optimization，PSO）是由美國(guó)研究學(xué)者Kennedy等人在1995年提出的，PSO算法每一代的種群中的解具有向“他人”學(xué)習(xí)和“自我”學(xué)習(xí)的優(yōu)點(diǎn)，該算法能在較少的迭代次數(shù)中找到全局最優(yōu)解，這一特性被廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)方法、函數(shù)優(yōu)化問(wèn)題、數(shù)據(jù)挖掘、模式識(shí)別，工程計(jì)算等研究領(lǐng)域。

雙子支持向量機(jī)（Twin Support Vector Machines， TWSVM）是Jayadeva[23] 基于傳統(tǒng)支持向量機(jī)在2007年提出來(lái)的。TWSVM是從SVM演化而來(lái)的，是一種新型的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法。TWSVM具有SVM優(yōu)點(diǎn)，同時(shí)適合處理像文本自動(dòng)分類、基因表達(dá)、空間信息遙感數(shù)據(jù)、語(yǔ)音識(shí)別等這樣的大規(guī)模數(shù)據(jù)分類問(wèn)題。

針對(duì)TWSVM對(duì)懲罰參數(shù)和核函數(shù)參數(shù)缺乏指導(dǎo)性問(wèn)題，本文結(jié)合PSO算法的優(yōu)點(diǎn)，給出一種基于PSO的

算法優(yōu)化改進(jìn)策略，對(duì)TWSVM分類器進(jìn)行優(yōu)化。PSO是一種基于群體智能的全局尋優(yōu)算法，該算法能在較少的迭代次數(shù)中找到全局最優(yōu)解，通過(guò)利用粒子群優(yōu)化算法對(duì)雙子支持向量機(jī)進(jìn)行優(yōu)化后，分類器較之標(biāo)準(zhǔn)支持向量機(jī)有更好的分類效果。

1 PSO算法

PSO算法步驟：①初始化粒子群，利用隨機(jī)函數(shù)法給每一個(gè)粒子的初始位置和速度賦值；②根據(jù)第①步的賦值及初始位置與速度更新每一個(gè)粒子新的位置；③利用選定的適應(yīng)度函數(shù)計(jì)算每一個(gè)粒子的適應(yīng)度值；④對(duì)每一個(gè)粒子，對(duì)比其個(gè)體和群體的適應(yīng)度值，并找出粒子經(jīng)過(guò)的最好位置的適應(yīng)度值，如果發(fā)現(xiàn)更好的位置及適應(yīng)度值，那么就更新其位置；⑤根據(jù)公式更新每個(gè)粒子的速度與位置，如果找到最優(yōu)的位置或者是到了最大的迭代次數(shù)，算法終止，否則轉(zhuǎn)入第3步繼續(xù)迭代求解。

2 雙子支持向量機(jī)（TWSVM）

與SVM不同，TWSVM求解的是一對(duì)分類超平面，SVM求解一個(gè)QP問(wèn)題而TWSVM解決的是兩個(gè)QP問(wèn)題，而這兩個(gè)QP問(wèn)題的求解規(guī)模比SVM小很多。傳統(tǒng)SVM構(gòu)造兩個(gè)平行的超平面，并且使兩個(gè)超平面之間的距離最大即最大間隔化，TWSVM雖然也是構(gòu)造超平面，但超平面之間不需要平行。TWSVM對(duì)每一個(gè)樣本都構(gòu)造一個(gè)超平面，每個(gè)樣本的超平面要最大限度地靠近該類的樣本數(shù)據(jù)點(diǎn)，而同時(shí)盡可能地遠(yuǎn)離另一類樣本數(shù)據(jù)點(diǎn)。新數(shù)據(jù)樣本將會(huì)分配給離兩個(gè)超平面中最近的一個(gè)平面。事實(shí)上，該算法還可以沿著非平行面聚集，而且樣本聚集方式是根據(jù)完全不同的公式聚合而成的。實(shí)際上，在TWSVM中的兩個(gè)QP問(wèn)題與標(biāo)準(zhǔn)SVM的QP問(wèn)題除了求解約束問(wèn)題不同外，求解公式是相同的。TWSVM的二分類算法通過(guò)求解下面的一對(duì)QPP（Quadratic Program Problem）問(wèn)題進(jìn)行二次規(guī)劃優(yōu)化[5]。

其中，c1，c2>0并且e1和e2是適當(dāng)維數(shù)且屬性值是全為1的向量。TWSVM算法為每一個(gè)類構(gòu)建超平面時(shí)，樣本點(diǎn)根據(jù)與各個(gè)超平面的距離大小作為與平面靠近程度的評(píng)價(jià)指標(biāo)，目標(biāo)函數(shù)（2）和（3）計(jì)算樣本點(diǎn)與超平面距離的平方。因此，它的最小值能保證樣本數(shù)據(jù)點(diǎn)最大限度地靠近其中一類（類一），同時(shí)盡可能地遠(yuǎn)離另一類。誤差變量用于測(cè)量超平面距離間隔的誤差。目標(biāo)函數(shù)公式（2）和（3）的第二項(xiàng)是誤差之和，它的作用是使錯(cuò)分樣本的數(shù)據(jù)極小化，盡量減少錯(cuò)分的誤差情況。為求解公式（2）和（3），分別對(duì)TWSVM1和TWSVM2引入拉格朗日函數(shù)，通過(guò)KKT條件分別求得其對(duì)偶問(wèn)題如公式（4）和（5）[6]所示。

3 基于PSO的TWSVM分類算法

在TWSVM中，與SVM相同，都需要對(duì)參數(shù)進(jìn)行確定，TWSVM對(duì)每個(gè)類均有一個(gè)懲罰參數(shù)和核函數(shù)參數(shù)。不同的懲罰參數(shù)和核函數(shù)參數(shù)影響分類的準(zhǔn)確率，而PSO算法擁有全局的優(yōu)化能力，因此，本文將PSO算法引入TWSVM中，解決TWSVM參數(shù)的選擇問(wèn)題，PSOTWSVM算法不僅能提高TWSVM的準(zhǔn)確率同時(shí)又能降低SVM的訓(xùn)練時(shí)間，提高訓(xùn)練效率。圖2展示了應(yīng)用PSO算法對(duì)TWSVM參數(shù)選擇的優(yōu)化流程。

基于PSOTWSVM分類算法：①根據(jù)樣本訓(xùn)練數(shù)據(jù)集每個(gè)類別，隨機(jī)選定懲罰參數(shù)Cm，m=1，2，…，k以及核函數(shù)；②應(yīng)用PSO算法對(duì)訓(xùn)練進(jìn)行參數(shù)優(yōu)化，找出最佳懲罰參數(shù)和核函數(shù)參數(shù)的最優(yōu)值；③利用公式（3）、（4）求解樣本數(shù)據(jù)對(duì)偶問(wèn)題，構(gòu)造樣本空間的逼近超平面F（x）i=1，2，…k=K（x，c）wi+bi；④對(duì)每一類樣本數(shù)據(jù)求得逼近超平面后，再求解判別函數(shù)（10）；⑤將測(cè)試樣本數(shù)據(jù)集利用判別函數(shù)進(jìn)行分類預(yù)測(cè)。

傳統(tǒng)SVM是基于二分類提出的，其復(fù)雜度為O（n3），其中n為樣本數(shù)目[2]。然而在TWSVM二分類算法中，設(shè)每類樣本數(shù)據(jù)為n/2，因此，求解兩個(gè)優(yōu)化問(wèn)題時(shí)間復(fù)雜度為：O（2*（n/2）3），所以在二分類問(wèn)題中的TWSVM時(shí)間復(fù)雜度為傳統(tǒng)SVM的1/4。推廣到多分類問(wèn)題時(shí)，可以發(fā)現(xiàn)在時(shí)間復(fù)雜度方面，TWSVM求解優(yōu)化問(wèn)題的時(shí)間更少。例如樣本類別數(shù)為k類，那么該樣本的時(shí)間復(fù)雜度為O（k*（n/k）3）。由于TWSVM分類算法對(duì)每類都構(gòu)造一個(gè)超平面，因此該算法在處理不平衡數(shù)據(jù)時(shí)，即一類的樣本數(shù)目比另一類的樣本大得多情況時(shí)，TWSVM分別實(shí)施不同的懲罰因子，TWSVM克服了傳統(tǒng)的SVM處理不均衡樣本的局限性，這一點(diǎn)非常適用于大規(guī)模的不均衡分類問(wèn)題。

4 算法仿真實(shí)驗(yàn)

為驗(yàn)證基于PSO的TWSVM分類算法的有效性，本文利用該算法構(gòu)建一個(gè)文本分類器，運(yùn)用不同數(shù)據(jù)集在該分類器上進(jìn)行實(shí)驗(yàn)并與標(biāo)準(zhǔn)支持向量機(jī)構(gòu)建的分類器進(jìn)行對(duì)比仿真實(shí)驗(yàn)。

4.1 分類器性能評(píng)價(jià)

常用的分類器評(píng)價(jià)方法包括：準(zhǔn)確率和召回率。這兩個(gè)指標(biāo)廣泛應(yīng)用于文本分類系統(tǒng)的評(píng)價(jià)標(biāo)準(zhǔn)。準(zhǔn)確率（Precision）是指全部分類文本中劃分的類別與實(shí)際類別相同的文本數(shù)量占全部文本的比率。召回率（Recall）是指分類正確的文本數(shù)占應(yīng)有文檔數(shù)的比率。文本分類輸出結(jié)果見表1。

4.2 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)所采用的文本數(shù)據(jù)為搜狗分類新聞?wù)Z料庫(kù)（Sogounews）（選取其中一類進(jìn)行）和20組新聞數(shù)據(jù)（經(jīng)典的文本分類數(shù)據(jù)集）。搜狗新聞數(shù)據(jù)預(yù)處理的特征詞選擇方法為IG（信息增益），該實(shí)驗(yàn)數(shù)據(jù)包含150個(gè)文本特征屬性，樣本數(shù)據(jù)為1600，其中1000為訓(xùn)練集，600為測(cè)試集，數(shù)據(jù)集分別為新聞、非新聞兩類。News20選擇臺(tái)灣大學(xué)林智仁教授整理后的News20數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，整理后的News20樣本數(shù)規(guī)模和特征項(xiàng)較高，所以只選取了其中的800個(gè)文本樣本并對(duì)特征項(xiàng)進(jìn)行降維處理后進(jìn)行實(shí)驗(yàn)，驗(yàn)證TWSVM分類算法和基于PSO的TWSVM分類算法性能。實(shí)驗(yàn)采用的核函數(shù)是線性核函數(shù)，初始懲罰參數(shù)和核參數(shù)分別為2和0.1，粒子群種群數(shù)量為30，迭代次數(shù)200，c1和c2取值均為1.5，實(shí)驗(yàn)結(jié)果如表2所示。

由表2可知，PSOTWSVM的分類性能比TWSVM要好。因此，基于PSO的TWSVM是一個(gè)有效算法。該算法不但比標(biāo)準(zhǔn)的SVM算法訓(xùn)練時(shí)間更短，而且比TWSVM有更好的準(zhǔn)確率，PSOTWSVM解決了TWSVM的參數(shù)選擇問(wèn)題，提高了TWSVM的泛化性。

5 結(jié)語(yǔ)

通過(guò)基于PSO的TWSVM分類算法與TWSVM算法的分類對(duì)比實(shí)驗(yàn)可知，應(yīng)用PSO算法的全局尋優(yōu)能力提高了TWSVM分類的能力。PSO優(yōu)化后TWSVM分類器的性能更為優(yōu)越?；赑SO的TWSVM分類算法比標(biāo)準(zhǔn)的SVM時(shí)間復(fù)雜度更小，比TWSVM的準(zhǔn)確率更高，基于PSO的TWSVM算法在分類問(wèn)題上較之傳統(tǒng)的SVM算法有更大的優(yōu)越性。

參考文獻(xiàn)：

[1]許國(guó)根，賈瑛.模式識(shí)別與智能計(jì)算的MATLAB實(shí)現(xiàn)[M]. 北京：北京航空航天大學(xué)出版社，2012.

[2]JAYADEVA，R KHEMCHANDAN， S CHANDRA.Twin support vector machines for pattern Classification[J]. IEEE Trans. Pattern and Machine Intelligence，2007，29（5）：905910.

[3]SHIFEI DING， JUNZHAO YU， BINGJUAN QI，et al. An overview on twin support vector machines[J]. Springer Science Business Media. August 2014，2（42）： 245252.

[4]谷文成，柴寶仁，騰艷平. 基于粒子群優(yōu)化算法的支持向量機(jī)研究[J].北京理工大學(xué)學(xué)報(bào)，2014， 34（7）：705 709.

[5]M A KUMAR，M GOPAL.Application of smoothing technique on twin support vector machines[J]. Pattern Recognition Letters， 2008，29（13）：18421848.

[6]王振.基于非平行超平面支持向量機(jī)的分類問(wèn)題研究[D].長(zhǎng)春：吉林大學(xué)，2014.

[7]M ARUN KUMAR，M GOPAL. Least squares twin support vector machines for pattern classification[J]. Expert Systems with Applications， 2009，4（ 36）： 75357543.

[8]YUAN HAI SHAO，ZHEN WANG，WEI JIE CHEN，et al. A regularization for the projection twin support vector machine[J]. KnowledgeBased Systems，2013：3（37）：203210.

[9]QIAOLIN CHUN， XIAZHAO YE， SHANGBING GAO，et al. Weighted twin support vector machines with local information and its application[J].Neural Networks，2012：12（8）：3139.

預(yù)算赤字范文第3篇

關(guān)鍵字：計(jì)算機(jī)應(yīng)用技術(shù)；自適應(yīng)水印算法；支持向量機(jī)；結(jié)構(gòu)相似度；魯棒性

中圖分類號(hào)：TP399 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2013.08.035

本文著錄格式：[1]劉一楠，周亞建. 基于支持向量機(jī)與結(jié)構(gòu)相似度的圖像數(shù)字水印算法[J].軟件，2013，34（8）：112-115

0 引言

數(shù)字水印是一種能夠有效保護(hù)數(shù)字內(nèi)容安全的技術(shù)，自數(shù)字水印概念提出后，便成為信息安全領(lǐng)域的熱點(diǎn)技術(shù)之一?，F(xiàn)有數(shù)字水印算法從水印嵌入方式分類主要有基于空域的數(shù)字水印與基于變換域的數(shù)字水印技術(shù)[1-2]。空域數(shù)字水印算法具有實(shí)現(xiàn)簡(jiǎn)單，易于操作等優(yōu)點(diǎn)，但是對(duì)于攻擊算法抵抗力較差。近年來(lái)，一些研究將機(jī)器學(xué)習(xí)算法如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等應(yīng)用于數(shù)字水印技術(shù)，用于提高數(shù)字水印算法的透明性與魯棒性。在空域數(shù)字水印算法中，機(jī)器學(xué)習(xí)的應(yīng)用取得了較好的效果，較大程度的提高了空與數(shù)字水印算法的魯棒性與透明性。文獻(xiàn)[3]對(duì)于彩色圖像，在水印嵌入過(guò)程中，利用神經(jīng)網(wǎng)絡(luò)算法，學(xué)習(xí)水印信息與載體圖像之間的對(duì)應(yīng)關(guān)系，在水印提取過(guò)程中，利用所學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，對(duì)于圖像進(jìn)行恢復(fù)，以提高算法的魯棒性。文獻(xiàn)[4]在水印嵌入過(guò)程中，利用SVM算法，學(xué)習(xí)水印信息與載體圖像之間的對(duì)應(yīng)關(guān)系，在水印提取過(guò)程中，利用所學(xué)習(xí)的SVM模型，對(duì)圖像進(jìn)行恢復(fù)，提高算法的抵抗攻擊能力。文獻(xiàn)[5]利用神經(jīng)網(wǎng)絡(luò)與人耳聽覺系統(tǒng)，對(duì)于音頻中水印嵌入強(qiáng)度進(jìn)行預(yù)測(cè)，實(shí)現(xiàn)自適應(yīng)的音頻數(shù)字水印嵌入，從而提高音頻數(shù)字水印的魯棒性與透明性。文獻(xiàn)[6]提出一種基于支持向量回歸機(jī)的圖像數(shù)字水印算法，利用支持向量回歸機(jī)學(xué)習(xí)圖像鄰域像素之間的關(guān)系，通過(guò)中心像素值與模型輸出值之間的關(guān)系進(jìn)行水印的嵌入與提取。文獻(xiàn)[7]利用支持向量回歸機(jī)學(xué)習(xí)子塊內(nèi)像素之間的關(guān)系，通過(guò)調(diào)整中心像素并利用模型預(yù)測(cè)值與中心像素值之間的關(guān)系實(shí)現(xiàn)了水印的嵌入與提取，實(shí)現(xiàn)了具有較強(qiáng)魯棒性的空域數(shù)字水印算法。由此可見，目前神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法在數(shù)字水印技術(shù)中已經(jīng)進(jìn)行了廣泛的研究，尤其是在空域數(shù)字水印技術(shù)的應(yīng)用中，基于支持向量機(jī)的空域數(shù)字水印算法在提高算法的魯棒性上取得了一定的成果。但是在現(xiàn)有的空域數(shù)字水印算法中，對(duì)于水印嵌入強(qiáng)度的確定計(jì)算缺少有效的手段，而水印嵌入強(qiáng)度直接關(guān)系到水印算法的透明性與魯棒性，嵌入強(qiáng)度過(guò)小，水印算法抵抗攻擊的能力較差，魯棒性較低，水印嵌入強(qiáng)度過(guò)大，水印算法的透明性會(huì)降低。

本文以回歸性支持向量機(jī)（SVR）以及結(jié)構(gòu)相似度（SSIM）理論為基礎(chǔ)，提出了一種自適應(yīng)的圖像數(shù)字水印算法，在保證數(shù)字水印算法透明性的基礎(chǔ)上，較大程度的提高了數(shù)字水印算法的魯棒性。本文首先隨機(jī)選取大量圖像子塊，利用SSIM確定圖像子塊的水印嵌入強(qiáng)度，訓(xùn)練SVR，模擬圖像子塊與水印嵌入強(qiáng)度之間的相關(guān)性，生成水印強(qiáng)度預(yù)測(cè)模型。水印嵌入過(guò)程中，通過(guò)訓(xùn)練SVR，模擬圖像子塊中中心像素與鄰域像素之間的非線性關(guān)系，通過(guò)修改中心像素值，完成水印的嵌入與提取。

1 支持向量機(jī)與結(jié)構(gòu)相似度

1.1 支持向量機(jī)

回歸型支持向量機(jī)（SVR）是支持向量機(jī)（SVM）在回歸學(xué)習(xí)中的應(yīng)用，其基本思想是：對(duì)于給定的訓(xùn)練樣本點(diǎn)（其中，表示輸入樣本空間，表示實(shí)數(shù)域），訓(xùn)練一個(gè)函數(shù)，使得該函數(shù)根據(jù)每個(gè)樣本輸入值計(jì)算得到的輸出值與樣本的實(shí)際輸出值的誤差不超過(guò)，并保證通函數(shù)的輸出值盡量平滑[8]。對(duì)于線性情況，假設(shè)回歸函數(shù)形式為：。要保證函數(shù)盡量平滑，就要求盡量小，于是可以將確定函數(shù)描述成一個(gè)如式（1）所示的優(yōu)化問(wèn)題：

考慮到允許擬合誤差的情況，引入松弛因子，則式（1）可改寫為如式（2）所示：

采用同樣的優(yōu)化方法可以得到其對(duì)偶問(wèn)題，如式（3）所示：

是拉格朗日因子，得到的回歸函數(shù)如式（4）：

1.2 結(jié)構(gòu)相似度

圖像數(shù)據(jù)在采集、壓縮、處理、傳輸和恢復(fù)的過(guò)程中可能會(huì)引入各種失真，導(dǎo)致圖像質(zhì)量下降。因此，需要度量圖像的質(zhì)量。傳統(tǒng)的客觀方法主要有峰值信噪比（Peal Signal to Noise Ratio，PSNR）和均方誤差（Mean Square Error，MSE）等。這些方法雖然有著計(jì)算簡(jiǎn)單、物理意義明確等優(yōu)點(diǎn)，但僅僅是對(duì)像素點(diǎn)之間誤差的純數(shù)學(xué)統(tǒng)計(jì)，沒(méi)有考慮到像素點(diǎn)間的相關(guān)性和人眼視覺系統(tǒng)（Human Visual System，HVS）的感知特性，在很多情況下不符合人的主觀感受。因此很多研究致力于結(jié)合HVS系統(tǒng)進(jìn)行建模，如文獻(xiàn)[9]提出的VDP模型以及文獻(xiàn)[10]提出的矩陣模型等。由于目前的研究對(duì)于HVS系統(tǒng)的認(rèn)識(shí)還不透徹，難以建立有效的模型，直接影響了基于HVS的圖像質(zhì)量評(píng)價(jià)算法的準(zhǔn)確性。Zhou Wang等[11]提出了結(jié)構(gòu)相似性理論和結(jié)構(gòu)相似度（Structural Similarity，SSIM）的概念。結(jié)構(gòu)相似性理論從高層次上模擬HVS的整體功能，認(rèn)為HVS的主要功能是從視野中提取結(jié)構(gòu)信息，因此用對(duì)結(jié)構(gòu)信息的度量作為圖像感知質(zhì)量的近似。作為結(jié)構(gòu)相似性理論的一個(gè)實(shí)現(xiàn)，結(jié)構(gòu)相似度SSIM從圖像組成的角度將結(jié)構(gòu)信息定義為獨(dú)立于亮度、對(duì)比度的，反映場(chǎng)景中物體結(jié)構(gòu)的屬性，并將失真建模為亮度（）、對(duì)比度（）和結(jié)構(gòu)（）三個(gè)不同因素的組合。由于SSIM算法計(jì)算簡(jiǎn)單、準(zhǔn)確性較好，提出后受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。SSIM定義如式（6）所示。

本文中利用SSIM算法，對(duì)水印嵌入后的圖像進(jìn)行質(zhì)量評(píng)價(jià)，以判斷水印嵌入強(qiáng)度是否滿足透明性要求。

2 水印嵌入與提取算法

2.1 水印嵌入強(qiáng)度預(yù)測(cè)模型

本文從哥倫比亞大學(xué)的圖像數(shù)據(jù)庫(kù)[12]中隨機(jī)一定數(shù)量的灰度自然圖像，分割成大小的圖像子塊，組成由5000幅灰度圖像子塊組成訓(xùn)練圖像子塊集合，用于構(gòu)造水印嵌入強(qiáng)度預(yù)測(cè)模型。 水印嵌入強(qiáng)度預(yù)測(cè)模型建立過(guò)程如下：

最大嵌入強(qiáng)度確定。為集合中第個(gè)圖像子塊，為水印嵌入強(qiáng)度，即中心像素修改量，本文中水印嵌入強(qiáng)度范圍為[12，30]，本文中按照式（10）對(duì)進(jìn)行修改，設(shè)為修改后的圖像子塊。

式（11）為圖像子塊最大水印嵌入強(qiáng)度計(jì)算公式。為結(jié)構(gòu)相似度計(jì)算函數(shù)，為判斷閾值。

生成訓(xùn)練樣本。為集合中第個(gè)圖像子塊，將轉(zhuǎn)化為一維向量，作為SVR的輸入向量，其對(duì)應(yīng)的最大水印嵌入強(qiáng)度作為SVR輸出，組成訓(xùn)練樣本，所有圖像子塊生成的樣本集合記為。

訓(xùn)練SVR模型。利用訓(xùn)練樣本集合訓(xùn)練SVR模型，訓(xùn)練好的模型記為水印嵌入強(qiáng)度預(yù)測(cè)模型。

模型測(cè)試。將載體圖像分割為圖像子塊，生成測(cè)試樣本集合，測(cè)試步驟（3）中所生成的水印嵌入強(qiáng)度預(yù)測(cè)模型。設(shè)樣本為集合第個(gè)樣本，為模型根據(jù)向量所預(yù)測(cè)的水印嵌入強(qiáng)度。本文用平均絕對(duì)誤差（Mean Absolute Difference，MAE）評(píng)估模型的預(yù)測(cè)準(zhǔn)確性。MAE計(jì)算公式如式（12）所示。為集合中元素個(gè)數(shù)。

對(duì)于集合中的圖像子塊，本文利用SSIM算法選取水印嵌入強(qiáng)度范圍內(nèi)，滿足圖像子塊修改前后結(jié)構(gòu)相似度度量值大于一定閾值的最大水印嵌入強(qiáng)度，在保證了圖像子塊修改后的圖像質(zhì)量的基礎(chǔ)上，確定了圖像子塊中心像素最大可修改值，并生成以圖像子塊像素值為輸入，圖像子塊最大水印嵌入強(qiáng)度為輸出的訓(xùn)練樣本，并訓(xùn)練SVR，生成水印嵌入強(qiáng)度預(yù)測(cè)模型。

2.2 水印嵌入與提取

本文以256級(jí)灰度圖像作為載體圖像，載體圖像記為，，表示圖像中位置像素的灰度值。以有意義的二值圖像作為水印信息，記為，，表示水印圖像中位置的水印信息值。

水印信息置亂。為了提高數(shù)字水印算法的安全性，去除水印圖像的相關(guān)性，提高水印算法的透明性與魯棒性，本文首先利用Arnold算法[1]對(duì)水印信息進(jìn)行置亂處理。將二值水印圖像利用Arnold算法進(jìn)行置亂，Arnold的參數(shù)作為密鑰Key1，將置亂后的水印信息變換為一維向量，。

（2） 生成訓(xùn)練樣本。將載體圖像分割成大小的子塊，隨機(jī)選擇L個(gè)子塊，對(duì)于每個(gè)子塊，將其中心像素的8鄰域排列為一維向量作為SVR的輸入，將中心像素作為SVR輸出，生成訓(xùn)練樣本，根絕所選擇的L個(gè)子塊所生成的所有訓(xùn)練樣本訓(xùn)練SVR模型，建立圖像子塊中心像素與鄰域像素之間的相關(guān)性關(guān)系模型。

（3） 水印嵌入。根據(jù)密鑰Key2隨機(jī)選擇載體圖像中個(gè)圖像子塊作為水印嵌入位置，對(duì)于所選擇的子塊，利用3.1節(jié)中的水印嵌入強(qiáng)度模型預(yù)測(cè)子塊的嵌入強(qiáng)度，利用步驟（3）中訓(xùn)練好的SVR模型，預(yù)測(cè)子塊中心像素值，設(shè)SVR預(yù)測(cè)得到的值為，根據(jù)式（13）的嵌入規(guī)則，修改中心像素，完成水印嵌入。

為修改后的像素值，為子塊對(duì)應(yīng)的嵌入水印信息值。水印完成嵌入后，水印嵌入圖像記為。

水印提取。將待檢測(cè)圖像，劃分為大小的子塊，根據(jù)密鑰Key2選擇水印嵌入的子塊，對(duì)于所選擇的子塊，選擇其中心像素的鄰域作為SVR的輸入，作為SVR相應(yīng)輸入，根據(jù)式（14）的提取規(guī)則，進(jìn)行水印提取。

為子塊所提取的水印信息值。對(duì)于所提取的水印信息，根據(jù)密鑰Key1進(jìn)行反置亂處理，恢復(fù)原始圖像水印。

3 實(shí)驗(yàn)與結(jié)果

為驗(yàn)證本文算法，本實(shí)驗(yàn)中以圖1所示的灰度圖像Lena、Peppers、Boboon作為載體測(cè)試圖像，以圖2所示32×32的二值圖像作為水印信息，測(cè)試分為以下幾部分：

（1） 水印嵌入強(qiáng)度預(yù)測(cè)模型的訓(xùn)練。

本實(shí)驗(yàn)中，利用libsvm[13]訓(xùn)練SVR模型，模擬圖像子塊與水印嵌入強(qiáng)度的非線性關(guān)系。SVR模型參數(shù)設(shè)定如下：核函數(shù)采用徑向基函數(shù)（radius based function，RBF），懲罰因子設(shè)定為4096，核函數(shù)參數(shù)g設(shè)定為5e-4。本實(shí)驗(yàn)中隨機(jī)選擇哥倫比亞大學(xué)圖像庫(kù)[12]中所提供的自然圖像進(jìn)行分割，獲取5000幅的子圖像塊，生成圖像子塊集合用于訓(xùn)練水印強(qiáng)度預(yù)測(cè)模型。本實(shí)驗(yàn)中，分別將測(cè)試圖像Lena，Peppers，Baboon分割為圖像子塊，利用SSIM算法確定每個(gè)圖像子塊的實(shí)際水印嵌入強(qiáng)度，利用訓(xùn)練好的SVR模型預(yù)測(cè)每個(gè)圖像子塊的水印嵌入強(qiáng)度，利用MAE公式計(jì)算預(yù)測(cè)水印強(qiáng)度與真實(shí)水印嵌入強(qiáng)度的偏差。表1為不同圖像對(duì)水印強(qiáng)度預(yù)測(cè)模型進(jìn)行測(cè)試的MAE結(jié)果。由表1可以看出，所訓(xùn)練的水印嵌入強(qiáng)度預(yù)測(cè)模型可以很好地模擬不同圖像子塊與水印嵌入強(qiáng)度之間的相關(guān)性。

（2）水印嵌入及水印透明性的測(cè)試。

本實(shí)驗(yàn)中，本文分別以圖1所示的Lena，Peppers，Baboon為載體圖像，以圖2所示二值圖像為水印信息進(jìn)行水印嵌入試驗(yàn)。本實(shí)驗(yàn)首先利用3.2節(jié)中的算法生成訓(xùn)練樣本并訓(xùn)練SVR，本試驗(yàn)首先利用水印強(qiáng)度預(yù)測(cè)模型預(yù)測(cè)每一圖像子塊的水印嵌入強(qiáng)度，利用本文水印嵌入算法完成水印嵌入。本實(shí)驗(yàn)同時(shí)利用文獻(xiàn)[7]中的算法進(jìn)行水印嵌入作為對(duì)比，文獻(xiàn)[7]中的水印強(qiáng)度人為設(shè)定為12。表2為本文算法與文獻(xiàn)[7]的算法進(jìn)行水印嵌入后圖像SSIM計(jì)算結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文的算法在水印嵌入強(qiáng)度增加后，保持了水印較好的透明性。

（3）水印提取及水印魯棒性測(cè)試

本實(shí)驗(yàn)中，使用3.2節(jié)的水印提取算法進(jìn)行水印提取，表3列出了本文算法及文獻(xiàn)[7]算法在多種圖像攻擊后的水印提取結(jié)果，本文使用比特誤碼率（Bit Error Rate，BER）來(lái)衡量提取出來(lái)的水印和原始水印的誤碼程度，數(shù)值越小，誤碼越少，抗攻擊性能就越好。BER計(jì)算公式如式（15）所示：

4 結(jié)論

將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于數(shù)字水印領(lǐng)域以提高數(shù)字水印算法的魯棒性、透明性等指標(biāo)是近年來(lái)數(shù)字水印算法的研究熱點(diǎn)之一。本文利用結(jié)構(gòu)相似度SSIM算法計(jì)算圖像子塊的最大水印嵌入強(qiáng)度，并利用支持向量機(jī)模擬不同圖像子塊與水印最大嵌入強(qiáng)度的關(guān)系，從而實(shí)現(xiàn)自適應(yīng)的數(shù)字水印算法。從實(shí)驗(yàn)結(jié)果可見，支持向量機(jī)可以很好地模擬不同圖像子塊與結(jié)構(gòu)相似度所確定的水印嵌入強(qiáng)度之間的非線性關(guān)系，因此可以實(shí)現(xiàn)在不降低數(shù)字水印算法透明性的基礎(chǔ)上提高數(shù)字水印算法的魯棒性。對(duì)于機(jī)器學(xué)習(xí)算法在變換域數(shù)字水印領(lǐng)域中的應(yīng)用方式還需要做進(jìn)一步的研究。

參考文獻(xiàn)

[1] 孫圣和， 陸哲明， 牛夏牧. 數(shù)字水印技術(shù)及應(yīng)用[M]. 科學(xué)出版社， 2004.

[2] 楊義先， 鈕心忻. 數(shù)字水印理論與技術(shù)[M]. 高等教育出版社， 2006.

[3] Yu P T， Tsai H H， Lin J S. Digital watermarking based on neural networks for color images[J]. Signal processing， 2001， 81（3）： 663-671.

[4] Fu Y， Shen R， Lu H. Optimal watermark detection based on support vector machines[M]//Advances in Neural Networks–ISNN 2004. Springer Berlin Heidelberg， 2004： 552-557.

[5] Wang H， Mao L， Xiu K. New audio embedding technique based on neural network[C]//Innovative Computing， Information and Control， 2006. ICICIC’06. First International Conference on. IEEE， 2006， 3： 459-462.

[6] Shen R， Fu Y， Lu H. A novel image watermarking scheme based on support vector regression[J]. Journal of Systems and Software， 2005， 78（1）： 1-8.

[7]李春花， 盧正鼎. 一種基于支持向量機(jī)的圖像數(shù)字水印算法[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2006， 11（9）： 1322-1326.

[8] Vapnik V. The nature of statistical learning theory[M]. springer， 2000.

[9] Watson A B. Digital images and human vision[M]. MIT press， 1993.

[10] Citti， Giovanna， and Alessandro Sarti. “A cortical based model of perceptual completion in the roto-translation space.” Journal of Mathematical Imaging and Vision 24.3 （2006）： 307-326.

[11] Wang， Zhou， Eero P. Simoncelli， and Alan C. Bovik. “Multiscale structural similarity for image quality assessment.” Signals， Systems and Computers， 2003. Conference Record of the Thirty-Seventh Asilomar Conference on. Vol. 2. IEEE， 2003.

預(yù)算赤字范文第4篇

據(jù)報(bào)道，從下周二開始，香港將出售60億港元（13億新元）的資產(chǎn)擔(dān)保債券。與承銷商的簽字儀式將于下周一進(jìn)行。

香港財(cái)經(jīng)事務(wù)及庫(kù)務(wù)局長(zhǎng)馬時(shí)亨說(shuō)，這批債券將對(duì)機(jī)構(gòu)和個(gè)人投資者出售。

報(bào)道說(shuō)，這些債券由五條收費(fèi)隧道和一座橋梁的收入支援，并將成為香港有史以來(lái)最大規(guī)模的一次資產(chǎn)擔(dān)保債券銷售。如果周二的銷售獲得超額認(rèn)購(gòu)，政府將在未來(lái)發(fā)行更多債券。

這些債券銷售是香港政府減少預(yù)算赤字措施的一部分。截至明年3月31日的一個(gè)財(cái)政年里，香港政府預(yù)算赤字有望減少到426億港元。

匯豐控股（HSBC　Holdings）和花旗集團(tuán)（Citigroup）是這次債券發(fā)售的承銷商。

預(yù)算赤字范文第5篇

債券是在金融市場(chǎng)上吸收資本的工具。它主要包括債券的收益結(jié)構(gòu)、債券的流轉(zhuǎn)期、債券的信用等級(jí)。

1992年俄羅斯開始推行全面的休克療法，其核心內(nèi)容是私有化和自由化。俄羅斯的經(jīng)濟(jì)形勢(shì)急劇惡化，收支出現(xiàn)巨大缺口。在1995年之前，彌補(bǔ)國(guó)家預(yù)算赤字主要靠向中央銀行借貸來(lái)解決，即依靠多發(fā)行貨幣來(lái)補(bǔ)充預(yù)算的缺口，其后果是進(jìn)一步加劇了通貨膨脹。為了遏制嚴(yán)重的通貨膨脹，從1995年開始俄羅斯政府不得不以發(fā)行國(guó)家債券方式作為彌補(bǔ)財(cái)政赤字的非通脹手段。

1.短期國(guó)債和聯(lián)邦債券（ГКО－ОФЗ）市場(chǎng)的形成

在1991年末，俄羅斯就通過(guò)了《國(guó)家債務(wù)法》，俄羅斯中央銀行也進(jìn)行了第一次國(guó)內(nèi)債務(wù)的試驗(yàn)性發(fā)行。這次試驗(yàn)性發(fā)行成為國(guó)家短期債務(wù)的原型。它的發(fā)行采取無(wú)紙方式，以競(jìng)買的方式出售，到期價(jià)格由市場(chǎng)的供求來(lái)決定。

1993年5月18日在莫斯科外匯交易所（ММВσ）進(jìn)行了第一次短期國(guó)債的發(fā)行（一級(jí)交易），當(dāng)年5月份開始了定期的二級(jí)交易，其中有24個(gè)銀行和金融公司獲得了短期國(guó)債市場(chǎng)交易商的資格。新債券以無(wú)紙方式發(fā)行，可以貼現(xiàn)銷售，最小面值為10萬(wàn)盧布，流轉(zhuǎn)期為3個(gè)月，免征稅。中央銀行對(duì)這批債券的發(fā)行給予擔(dān)保。在當(dāng)年國(guó)家發(fā)行了6500億盧布的短期國(guó)債。進(jìn)行了第一次債券的一級(jí)發(fā)行以后，開始每周進(jìn)行兩次二級(jí)交易，10月19日允許自然人參加國(guó)債市場(chǎng)交易。

1994年俄羅斯證券市場(chǎng)進(jìn)一步向非居民開放，非居民獲得了購(gòu)買短期國(guó)債不超過(guò)發(fā)行總額10%的權(quán)利。同時(shí)，新技術(shù)得到廣泛應(yīng)用，計(jì)算機(jī)遠(yuǎn)程終端和各地區(qū)的交易平臺(tái)接入到莫斯科的交易所，市場(chǎng)的基礎(chǔ)設(shè)施日趨完善，并且新的金融工具（期貨等）也不斷得到應(yīng)用。1995年短期國(guó)債市場(chǎng)在俄羅斯經(jīng)濟(jì)中的作用開始增大。發(fā)展國(guó)家有價(jià)證券市場(chǎng)成為政府金融政策的優(yōu)先目標(biāo)。由于短期國(guó)債和聯(lián)邦債券具有高收益率，因而各商業(yè)銀行和其他的金融機(jī)構(gòu)開始大規(guī)模參與短期國(guó)債市場(chǎng)。

俄羅斯在1995年發(fā)行了新的債券品種——聯(lián)邦可變利息債券；6月15日在莫斯科銀行間外匯交易所內(nèi)又舉行了聯(lián)邦可變利息債券第一次競(jìng)拍。它是帶有可變利息的、可貼現(xiàn)的國(guó)家有價(jià)證券，其利率水平以現(xiàn)行的短期國(guó)債市場(chǎng)的利率為基礎(chǔ)來(lái)確定。

國(guó)家有價(jià)證券市場(chǎng)開始快速發(fā)展，到1995年末，國(guó)家有價(jià)證券市場(chǎng)規(guī)模達(dá)到了76.5萬(wàn)億盧布。1995年8月俄羅斯發(fā)生了第一次金融危機(jī)，其原因是各銀行爭(zhēng)相拋售短期國(guó)債和財(cái)政部的外匯債券。在危機(jī)的2天之內(nèi)，俄羅斯中央銀行被迫購(gòu)買1.6萬(wàn)億盧布的短期國(guó)債。在銀行間信貸市場(chǎng)危機(jī)一個(gè)月以后，金融市場(chǎng)上短期國(guó)債的作用發(fā)生了重大變化，不久前還是金融市場(chǎng)中最發(fā)達(dá)部門的銀行間信貸市場(chǎng)（МσК）降到第二的位置，主要表現(xiàn)為銀行間信貸在銀行資產(chǎn)中的比重急劇降低。許多銀行又面臨一個(gè)問(wèn)題：“意外閑置的資金投向哪里？”在這種情況下，銀行別無(wú)選擇，只有轉(zhuǎn)向短期國(guó)債。

為了給國(guó)家預(yù)算吸收居民資金，在1995年11月，俄羅斯政府決定發(fā)行國(guó)家儲(chǔ)蓄債券（ОГСЗ）。這種債券的結(jié)構(gòu)與聯(lián)邦債券十分相像，它不僅面向居民，而且也面向那些以債券市場(chǎng)為主要業(yè)務(wù)活動(dòng)的銀行發(fā)行。對(duì)于法人而言，國(guó)家儲(chǔ)蓄債券不僅可以使交易成本減少，而且債券可以用于抵押，進(jìn)行投機(jī)活動(dòng)等。銀行承保人與財(cái)政部簽署發(fā)行國(guó)家儲(chǔ)蓄債券，然后在自己的客戶中推銷該債券。它的每個(gè)季度利息可以在任何儲(chǔ)蓄銀行的分支機(jī)構(gòu)上獲得。

1996年，俄羅斯國(guó)債市場(chǎng)不僅開始作為彌補(bǔ)財(cái)政赤字的基本來(lái)源，而且也成為葉利欽競(jìng)選班子的主要資金來(lái)源。

2.外匯債券（ОВВЗ）的發(fā)行和外匯債券市場(chǎng)的產(chǎn)生

為完善金融市場(chǎng)，俄羅斯政府形成了“關(guān)于在俄羅斯國(guó)內(nèi)發(fā)行外匯債券的決議”。該決議確定國(guó)內(nèi)外匯債券的發(fā)行總量為50億美元。這使外匯債券的市場(chǎng)規(guī)模可以與短期國(guó)債和聯(lián)邦債券市場(chǎng)規(guī)模相比。

外匯債券的交易平臺(tái)是2000交易系統(tǒng)中的路透社網(wǎng)，每筆的標(biāo)準(zhǔn)交易量最低為100萬(wàn)，但交易經(jīng)常僅有幾十筆。從事外匯債券交易的客戶有大約10個(gè)，其中有1/3是外國(guó)客戶。交易市場(chǎng)是出清的，也就是說(shuō)，在任何交易時(shí)點(diǎn)上都可以進(jìn)行買賣交易，買和賣的數(shù)量是平衡的。在外匯債券市場(chǎng)上規(guī)定了嚴(yán)格的市場(chǎng)制度，并對(duì)交易制定了詳細(xì)的規(guī)則。

根據(jù)外匯債券的市場(chǎng)交易規(guī)則，買賣價(jià)差不能超過(guò)0.3%，而最大的交易商可以維持在0.25%的水平上，商用這種辦法來(lái)保持這些債券的流動(dòng)性。

二、俄羅斯國(guó)家有價(jià)證券市場(chǎng)的主要參與者

20世紀(jì)下半葉興起的全球化涉及所有的經(jīng)濟(jì)活動(dòng)，也包括金融市場(chǎng)。金融市場(chǎng)的全球化主要表現(xiàn)為資本市場(chǎng)的開放程度和資本流動(dòng)的自由程度等。其中，資本市場(chǎng)中非居民的比重是反映資本市場(chǎng)開放的主要指標(biāo)。在美國(guó)國(guó)債市場(chǎng)上，非居民的比重為22%，德國(guó)為77%。受金融自由化思想的指導(dǎo)以及IMF的壓力，俄羅斯的資本市場(chǎng)開放程度很高，如1997年在俄羅斯國(guó)家有價(jià)證券市場(chǎng)上非居民的比重為30%，在外匯債務(wù)市場(chǎng)上為40%。

俄羅斯的銀行是短期國(guó)債和聯(lián)邦債券市場(chǎng)上最大的投資者。到2001年初，財(cái)政部發(fā)行的債券的50%掌握在銀行手中，第二大投資者是非居民。根據(jù)中央銀行的資料，在2001年初，非居民手中的國(guó)債為450億盧布，約占市場(chǎng)的24.6%。其余20-25%的份額為俄羅斯的金融和非金融機(jī)構(gòu)占有。截止到2001年4月，中央銀行持有總額為2560億盧布的聯(lián)邦債券。

俄羅斯盧布證券市場(chǎng)的特點(diǎn)是債券集中度很高。市場(chǎng)是一個(gè)批發(fā)市場(chǎng)，大型的銀行和金融機(jī)構(gòu)是市場(chǎng)的主體，它們可以操縱市場(chǎng)價(jià)格。中小投資者在市場(chǎng)中處于絕對(duì)弱勢(shì)地位，權(quán)利和利益無(wú)法得到保護(hù)。高風(fēng)險(xiǎn)是俄羅斯金融市場(chǎng)的特點(diǎn)之一。1996-1997年投資于短期國(guó)債和股票的巨大收益到1998年變成了巨大的損失。

俄羅斯國(guó)家有價(jià)證券市場(chǎng)的監(jiān)管主要由財(cái)政部、證券委員會(huì)和中央銀行來(lái)完成。由于分工的混亂和利益的爭(zhēng)奪，這3家監(jiān)管機(jī)構(gòu)經(jīng)常發(fā)生激烈沖突。

三、國(guó)家有價(jià)證券市場(chǎng)的規(guī)模和收益結(jié)構(gòu)

在1993年，俄羅斯的國(guó)家有價(jià)證券市場(chǎng)開始形成，但是直到1995年之前，由于國(guó)家預(yù)算赤字的缺口主要是靠中央銀行多發(fā)貨幣來(lái)彌補(bǔ)，所以國(guó)內(nèi)債券市場(chǎng)規(guī)模不大。當(dāng)國(guó)家宣布發(fā)行國(guó)債作為補(bǔ)償國(guó)家預(yù)算赤字的主要手段后，國(guó)家有價(jià)證券市場(chǎng)發(fā)生了根本性變化。如果在1994年只有3%的預(yù)算赤字是靠發(fā)行國(guó)債來(lái)補(bǔ)償?shù)?，?995年已經(jīng)達(dá)到60%，1998年依靠短期國(guó)債補(bǔ)償?shù)念A(yù)算赤字已經(jīng)達(dá)到80%，國(guó)債市場(chǎng)規(guī)模開始急劇增長(zhǎng)?？梢哉f(shuō)，1999年以前的俄羅斯有價(jià)證券市場(chǎng)的核心主體是短期國(guó)債。

1992-1998年俄羅斯預(yù)算赤字總量達(dá)到1.3萬(wàn)億盧布（1998年價(jià)）。從1995年開始，預(yù)算赤字開始由發(fā)行有價(jià)證券來(lái)彌補(bǔ)，這導(dǎo)致了國(guó)家有價(jià)證券市場(chǎng)規(guī)模的急劇增大，到1998年達(dá)到了最高點(diǎn)。

在危機(jī)之前，俄羅斯金融市場(chǎng)上占優(yōu)勢(shì)的是12個(gè)月償付期的國(guó)家短期無(wú)息債券。短期國(guó)債的平均收益率成為俄羅斯金融市場(chǎng)最重要的指標(biāo)。俄羅斯主要金融機(jī)構(gòu)的大部分金融資源都投入到了國(guó)家有價(jià)證券市場(chǎng)上，主要原因是短期國(guó)債的收益率較高，而且投資短期國(guó)債的流動(dòng)性也較好。

金融危機(jī)使國(guó)家有價(jià)證券支付期結(jié)構(gòu)更加不合理，如到2000年末，短期債券的比重不超過(guò)1%（在危機(jī)之前為31%）。2000年2月16日，在金融危機(jī)以后第一次發(fā)行2期，總額為50億盧布，償付期為196天和98天的短期國(guó)債，以后又多次發(fā)行。2000年短期國(guó)債和聯(lián)邦債券的交易量縮減到60億美元，只有1997年的1/25。截止到2000年12月1日，短期國(guó)債和聯(lián)邦債券的債務(wù)總量為2297億盧布，到2001年6月短期國(guó)偵和聯(lián)邦債券的市場(chǎng)規(guī)模為1950億盧布。

金融危機(jī)過(guò)后，俄羅斯將金融危機(jī)以前發(fā)行的短期國(guó)債和聯(lián)邦債券中的部分債券的支付期延長(zhǎng)。1998年12月12日，俄羅斯政府頒布“關(guān)于國(guó)家有價(jià)證券創(chuàng)新的決定”，并授權(quán)俄羅斯財(cái)政部將在1999年12月12日到期的短期國(guó)債和聯(lián)邦債券轉(zhuǎn)換成3-5年的國(guó)家長(zhǎng)期債券（ОФЗ—ФД和ОФЗ—ПД）。

金融危機(jī)使短期國(guó)債和聯(lián)邦債券的持有者受到了很大損失。由于1998年8月的國(guó)債重組，投資者損失總額達(dá)到450億美元，其中75%的損失落在俄羅斯投資者身上。在1999年，人們對(duì)短期國(guó)債和聯(lián)邦債券的興趣下降，1999年1月28日，在莫斯科銀行間外匯交易所進(jìn)行了重組后的短期國(guó)債和聯(lián)邦債券的新發(fā)行。到1999年4月30日，國(guó)內(nèi)短期國(guó)債和聯(lián)邦債券的重組工作結(jié)束，總的重組規(guī)模達(dá)到1733億盧布。

四、俄羅斯發(fā)行國(guó)家有價(jià)證券的作用

國(guó)家的有價(jià)證券市場(chǎng)政策與國(guó)家預(yù)算情況密切相關(guān)。1996-1998年俄羅斯的預(yù)算赤字在很大程度上是靠發(fā)行短期國(guó)債來(lái)彌補(bǔ)的。短期國(guó)債和聯(lián)邦債券的發(fā)行不僅為國(guó)家預(yù)算籌集了大量的資金，而且也減緩了通貨膨脹的壓力?？梢哉f(shuō)，短期國(guó)債和聯(lián)邦債券對(duì)經(jīng)濟(jì)轉(zhuǎn)軌時(shí)期的俄羅斯經(jīng)濟(jì)有特殊意義。從1999年開始，俄羅斯的經(jīng)濟(jì)開始恢復(fù)性增長(zhǎng)，國(guó)家預(yù)算收入開始好轉(zhuǎn)，相應(yīng)的國(guó)家有價(jià)證券市場(chǎng)的情況也發(fā)生根本性的變化，從金融市場(chǎng)吸收資金變得不是十分迫切。俄羅斯政府提出了用吸收的資金加快償付內(nèi)債，以減少內(nèi)債規(guī)模。

國(guó)家有價(jià)證券的發(fā)行市場(chǎng)普遍成為國(guó)家預(yù)算補(bǔ)償?shù)闹饕ぞ?。為了補(bǔ)償支付缺口，國(guó)家需要短期盧布有價(jià)證券。在預(yù)算的1年框架內(nèi)，預(yù)算的進(jìn)項(xiàng)與支出在時(shí)間上很難一致，由此在預(yù)算的收入與支出上存在短期的缺口。與長(zhǎng)期債券一樣，在西方也發(fā)行短期國(guó)債，如美國(guó)和英國(guó)的短期國(guó)庫(kù)券的發(fā)行期（償付期）為91天，日本為60天。短期國(guó)債也用來(lái)保證商業(yè)銀行資產(chǎn)的清償。銀行投資于短期國(guó)債，這些資產(chǎn)不僅具有較高的流動(dòng)性，而且可以帶來(lái)可觀的、穩(wěn)定的收益。