imtoken钱包最新版下载|oco

首页
oco

imtoken钱包最新版下载|oco

作者： imtoken钱包最新版下载

2024-03-07 20:17:02

【加密货币】什么是OCO Order(二选一订单) - 知乎

【加密货币】什么是OCO Order(二选一订单) - 知乎切换模式写文章登录/注册【加密货币】什么是OCO Order(二选一订单)小小西爪Good things take time OCO Order全称One Cancels the Other Order(二选一订单). 相当于你可以对一个资产同时下达2个订单, 其中一个执行则另一个会被取消。举个例子(OCO卖出订单):你现在持有10个Link币，你买入价为5块，现价为6.5块。你有点想卖掉它，但又怕它涨到7.5块；你想要继续持有，但又怕跌回到了5块。这时候你就想, 有没有一种订单方式，如果Link先涨到7.5的话就卖掉，但如果先跌倒了6块的时候也卖掉，这样你至少还有1块的利润, 也不亏。这就是OCO卖出订单，在追高同时设定一个保底价格。卖出价: 7.5 （涨到7.5卖掉，同时取消保底价订单)保底价: 6 (跌倒6块就卖掉，至少还有保底的收益)限价: 5.9 (跌到6块就开始卖，但最低接受到5.9块, 再低就停止交易)Binance OCO sell orderOCO买入订单也是同样道理，如果跌倒一个价格你就买(理想情况)，但如果一直涨的话你也可以在一个相对低价格上车。举个例子: 你想买10个LINK，现价为7块，你想要跌倒6块买入，但又害怕它跌不下来反而一口气涨到10块。这个时候你可以设立一个OCO买入订单。买入价: 6 （跌倒6块买入，同时取消保底价订单)保底价: 8 (涨到8块也买入，不要错过上车机会，同时取消6块的订单)限价: 8.1 (涨到8块就开始买，但最高接受到8.1块, 再涨就停止交易)Binance OCO buy order通过这篇文章希望你能搞懂OCO订单，谢谢阅读！编辑于 2022-12-30 13:20・IP 属地澳大利亚比特币 (Bitcoin)虚拟货币加密货币交易所赞同 1添加评论分享喜欢收藏申请

什么是OCO订单(选择性委托订单) 如何使用OCO功能？ | 领域OK

查询工具

便民服务

区块浏览器

分析工具

行情分析

区块链资讯

行业资讯

新手教程

防诈反诈

区块链开发

网友贡献

行业媒体

新闻资讯

专家名人

自媒体

交易平台

中心化交易所

去中心化交易所

NFT交易所

数字钱包

官方钱包

多链钱包

钱包工具

DEFI

BSC

DEX

heco

借贷

支付

资产

衍生品

预言机

稳定币

收益聚合器

流动性挖矿

SOLANA生态

DEFI

NFT

工具

应用

开发

数据

钱包

元宇宙

NFT数字藏品

区块链游戏

矿业

矿池

矿机

云算力

挖矿工具

服务机构

投资机构

研究机构

服务孵化

安全机构

实用工具

常规工具

开发工具

应用分发

项目

资产管理

智能合约

稳定币

数据管理

市场预测

社交通讯

人工智能

平台币

匿名货币

金融服务

货币支付

广告娱乐

公链基础链

分布式账本

防伪溯源

区块链导航

未分类

网站提交

关于我们

区块链资讯

新手教程

行业资讯

防诈反诈

区块链开发

网友贡献

广而告之

新标签页

便民查询

热门立即入驻首页•新手教程•什么是OCO订单(选择性委托订单) 如何使用OCO功能？

什么是OCO订单(选择性委托订单) 如何使用OCO功能？新手教程1年前 (2022)更新领域OK 490 0

OCO订单即选择性委托订单，是指将止损单和限价单组合成一个OCO订单发出委托，其中的一个订单成交或部分成交时，另一个订单则自动撤销。OCO订单可在保证买入/卖出达成的情况下，争取较好的成交价格。

Limit Price:: 限价价格，当价格达到Limit Price时将会按照Limit Price全部成交或者部分成交（根据对手单数量决定）

Stop-Limit: 止损触发价，当市场价格达到Stop-Limit时，将会按照Limit价格生成限价委托。

用户可以根据自身对市场方向判断设置OCO订单。

交易者看涨BTC，想要买入BTC，他可以使用OCO订单设置一个低于市场价的限价买单，和一个高于市价的止损买单。

如：BTC当前市场价格10000 USDT，交易者想要买入20个比特币，交易者认为9800是很好的买入价，如果价格上涨到11000可以接受最高买入价为11100.那么交易者就可以按照以下方式设置。

限价为9800【止盈止损】触发价为11000【止盈止损】限价为11100数量20

若价格下跌至9800，9800的限价单会被触发，交易者订单会全部成交或者部分成交，则止损单会被自动撤销。

若价格上涨至11000，则触发止损单，以委托价11100买入20个比特币，交易者订单会全部成交或者部分成交，同时取消9800的限价买单。

交易者看跌BTC，想要卖出BTC，他可以使用OCO订单设置一个高于市场价的限价卖单，和一个低于于市价的止损卖单。

如：BTC当前市场价格10000 USDT，交易者想要卖出20个比特币，交易者认为11100.是很好的卖出价，如果价格下跌到9850可以接受最低卖出价为 9800.那么交易者就可以按照以下方式设置。

限价为11100【止盈止损】触发价为9850【止盈止损】限价为9800数量20

若价格上涨至11100，11100的限价单会被触发，交易者订单会全部成交或者部分成交，则止损单会被自动撤销。

若价格下跌至9850，则触发止损单，以委托价9800卖出20个比特币，交易者订单会全部成交或者部分成交，同时取消11100的限价卖单。

卖单：限价>当前市价>止损触发价（stop limit）

买单：限价<当前市价<止损触发价(stop limit)

*为了更快速的成交，根据买卖建议限价价格比触发价价格稍微高或者低一点。

# 新手教程# limit# oco# 订单风险提示：防范以"数字货币""区块链"名义进行非法集资的风险。以上信息仅供交流，不构成任何投资建议；根据央行等部门发布“关于进一步防范和处置虚拟货B交易炒作风险的通知”，不对任何经营与投资行为进行推广与背书，请读者严格遵守所在地区法律法规，不参与任何非法金融行为。本内容仅供广大爱好者科普学习和交流，不构成投资意见或建议，请理性看待，树立正确的理念，提高风险意识。

温馨提示：仅提供区块链&数字货币平台信息分享服务，所有产品及展示信息均来源于发行方或者互联网。炒币属于投资行为，不等同于银行存款。市场有风险，投资需谨慎。投资虚拟货币有极大的风险，本网站提供的任何信息都不构成投资建议、财务咨询、交易咨询，或任何其他建议的依据，领域OK并不推荐您购买、售出或持有任何虚拟货币。在做出任何投资决定前，请先充分衡量风险。如有损失，请自行承担后果。

Heco-ISM 挖矿操作教程(汇总手机端/pc端挖矿教程)

数字货币K线图基础知识：M头与W底形态图解

追踪订单

领域OK

永久协议PERP永久性协议使交易商实现了更高的资金效率

领域OK

UPP币怎么样？UPP币值得投资吗？

领域OK

2023今日NEAR价格,NEAR价格行情-2023年NEAR价格多少

领域OK

BONE币将在印度重要上市印度民意调查BONE币位居榜首

领域OK

NFT 项目 DigiDaigaku 母公司 Limit Break完成2亿美元融资

领域OK

215

暂无评论

您必须登录才能参与评论！

立即登录

暂无评论...

搜索：

广告是为了更好的发展

热门网址Btok非小号AICoinWhatsApp欧易币看BitKan热门文章

Spacemesh挖矿入门：轻松掌握SMH挖矿技巧

2周前

1,196

基于区块链的人工智能计算协议 Gensyn 完成了由 a16z 领投的 4300 万美元 A 轮融资

1个月前

188

区块链数据存储在哪里？——探索区块链技术的原理和应用

1个月前

187

用 21 美元赚 10000 美元 | 这是真的 | 这就是空投！

1个月前

187

币圈交易所最新动态一览币圈交易所1月15日快讯汇总

2个月前

178

热门标签

区块(2212)

什么(1817)

比特(1711)

nft(1547)

宇宙(1094)

数字(1009)

加密(980)

如何(897)

web(840)

钱包(816)

货币(755)

以太(682)

价格(615)

交易所(589)

交易(573)

平台(560)

万美元(520)

技术(463)

哪些(448)

藏品(426)

领域OK是一个集区块链相关网址、资源、资讯和信息等于一体的区块链网址大全网站，用户了解区块链相关知识的好帮手。仅供您学习参考之用，如有侵犯您的权益请和我们联系删除。

免责提示：投资有风险，入市需谨慎。本网站所有不作为投资理财建议，如有损失，请自行承担后果。

署名-非商业性使用-相同方式共享 4.0 国际

友链申请

隐私声明

关于我们

Sitemap

风险提示：防范以"数字货币""区块链"名义进行非法集资的风险

火毅盾提供防护和加速服务

常用搜索工具社区生活求职

常用百度Google站内淘宝拼多多京东当当网唯品会优惠Bing搜索百度Google360搜狗Bing神马工具权重查询友链检测备案查询PING检测死链检测关键词挖掘社区知乎微信微博豆瓣搜外问答生活淘宝拼多多京东当当网唯品会优惠下厨房香哈菜谱12306快递100去哪儿求职智联招聘前程无忧拉勾网猎聘网

北京帕特纳斯与OCO Global建立全新合作伙伴关系-帕特纳斯管理咨询

北京帕特纳斯与OCO Global建立全新合作伙伴关系-帕特纳斯管

债券经纪商的报价指令是怎么阅读？ - 知乎

债券经纪商的报价指令是怎么阅读？ - 知乎首页知乎知学堂发现等你来答切换模式登录/注册债券债券经纪商的报价指令是怎么阅读？如题，另外。有几个我不大懂比如1、ref 14.53Y 127017.SH 14粤高债 Ofr （这个ref和ofr）2、285D 1382050 1…显示全部关注者209被浏览141,073关注问题写回答邀请回答好问题 31 条评论分享5 个回答默认排序知乎用户作为一名Broker看到这种问题怎么能不答呢(*/ω＼*) 做资金之前在债券部实习过一段时间，来补充一些~用题主的报价为例，信用债报价主要有这几个要素：（不能贴表格好难过啊）剩余期限： 4.92Y 券号： 101562004 名称： 15镇江文旅MTN001 买方价格/卖方价格： bid/ofr 买方量/卖方量： --/3000 评级： AA其中，在“买方价格/卖方价格”这一部分里，可能直接显示收益率；可能显示Bid或者Ofr，表示买盘或者卖盘有意向，但是没有报价格；也可能显示“--”，表示只有一方的报价或者意向，没有对手盘此外，还有些内容可能出现在报价里面：*：表示该报价不完全准确，不能直接tkn或者gvnOCO：多个报价，只要有一笔完成，其他价格都取消T+0/T+1：当天完成交易/下一个交易日完成交易DVP：钱券对付除了报价，还有些信息用来更新价格变动,或者展示成交信息，比如题主贴的这条ref 14.53Y 127017.SH 14粤高债 Ofr ，意思就是撤销127017.SH这只债的卖盘报价。此外还有：Ref=refer：撤销掉之前挂的某个报价Tkn=taken：买方接受卖方报价成交Gvn=given：卖方接受买方报价成交Trd=traded：经过撮合双方同意按照某价格成交当然题主也可以找一个善解人意（比如我）热情机灵（我我我）的broker咨询下哦^_^以上。编辑于 2015-05-06 12:46赞同 13313 条评论分享收藏喜欢收起尹小二金融等 4 个话题下的优秀答主关注ref就是撤单。 tkn*2意为同样价量买方接受卖价，成交两笔。债券买卖经常会有比较纠结的买盘或者卖盘，跟着市场成交走，别人一成，他也要。没有价格的ofr代表卖盘有量无价，等待买盘开价，甚至会无价无量，仅表达对某个债买或卖的意愿。发布于 2015-05-03 17:13赞同 324 条评论分享收藏喜欢

百度知道 - 信息提示

百度首页

商城

网页

资讯

视频

图片

知道

文库

贴吧采购

地图更多

搜索答案

我要提问

百度知道>提示信息

知道宝贝找不到问题了>_

该问题可能已经失效。返回首页

15秒以后自动返回

帮助

| 意见反馈

| 投诉举报

地理信息学科在高耗能工业源CO2排放源遥感监测方面取得最新进展-南京大学

旧版入口|

电子邮箱|

信息公开|

捐赠|

网上办事服务大厅|

OA|

English

南大概况

南大简介

现任领导

历任领导

南大校史

南大标识

南大新闻

院系部门

招生就业

招生

奖助学金

就业指导

人才招聘

教育教学

本科生

研究生

留学生

非学历教育

远程教育

学生交流

科学研究

科技动态

社科动态

科研机构

成果查询

学术期刊

合作交流

国际合作

成果转化

校园服务

校园地图

电话黄页

鼓楼服务大厅

南大校历

图书馆

信息化服务

心理健康教育与研究中心

后勤服务

在线支付

超算服务

旧版入口|

电子邮箱|

信息公开|

捐赠|

网上办事服务大厅|

OA|

English

南大概况

南大简介

现任领导

历任领导

南大校史

南大标识

南大新闻

院系部门

招生就业

招生

奖助学金

就业指导

人才招聘

教育教学

本科生

研究生

留学生

非学历教育

远程教育

学生交流

科学研究

科技动态

社科动态

科研机构

成果查询

学术期刊

合作交流

国际合作

成果转化

校园服务

校园地图

电话黄页

鼓楼服务大厅

南大校历

图书馆

信息化服务

心理健康教育与研究中心

后勤服务

在线支付

超算服务

旧版入口|

电子邮箱|

信息公开|

捐赠|

网上办事服务大厅|

OA|

English

南大概况

南大简介

现任领导

历任领导

南大校史

南大标识

南大新闻

院系部门

招生就业

招生

奖助学金

就业指导

人才招聘

教育教学

本科生

研究生

留学生

非学历教育

远程教育

学生交流

科学研究

科技动态

社科动态

科研机构

成果查询

学术期刊

合作交流

国际合作

成果转化

校园服务

校园地图

电话黄页

鼓楼服务大厅

南大校历

图书馆

信息化服务

心理健康教育与研究中心

后勤服务

在线支付

超算服务

科技动态

首页

新闻网

科技动态

正文

综合新闻

校园动态

媒体传真

科技动态

社科动态

理论园地

讲话与部署

影像南大

新闻网

综合新闻

校园动态

媒体传真

科技动态

社科动态

理论园地

讲话与部署

影像南大

地理信息学科在高耗能工业源CO2排放源遥感监测方面取得最新进展

发布时间：2018-09-06

点击次数：

作者：科学技术处

来源：新闻中心

近日，南京大学国际地球系统科学研究所张永光课题组和地理与海洋科学学院刘永学课题组合作在高耗能工业碳排放源遥感监测方面取得重要进展。研究成果以《Distinguishing anthropogenic CO2 emissions from different energy intensive industrial sources using OCO-2 observations: a case study in northern China》为题发表在期刊《Journal of Geophysical Research: Atmospheres》上。论文第一作者为2017级博士研究生王松寒，张永光教授和刘永学教授为论文的通讯作者，论文也得到了居为民教授的指导。

工业和化石燃料燃烧作为温室气体的最重要人为排放源之一，贡献了超过80%的全球CO2排放量。随着全球经济的发展，能源密集型工业源的碳排放量逐年递增。2000年以来，我国能源密集型产业突飞猛进（目前我国钢铁产业的世界占比已超过50%），其碳排放量以每年约9%的速度快速增长。因此，在大范围内进行工业碳排放源的识别和监测对准确估算碳排放量、制定碳减排政策至关重要。目前在工业碳排放源的监测中，通常采用基于排放清单的统计手段，由于空间分辨率（通常以国家为单位）及时间分辨率（通常以年为单位）均有限，很难及时、准确监测工业碳排放源排放情况。

针对这一问题，张永光教授团队利用碳卫星2号（OCO-2）获取的大气CO2柱浓度数据（XCO2）进行了工业碳排放源遥感监测。相比传统排放清单，OCO-2能以每16天的频率获取公里级大气CO2浓度数据。该研究在刘永学教授基于时间序列夜火数据建立的全球不同类型工业热源数据库（包括钢铁、煤化工、水泥和油气等）的基础上，探索对中国华北平原地区的不同种类工业碳排放源进行大范围遥感识别和监测。结果表明，OCO-2卫星XCO2数据可快速识别出工业源集聚的高排放地区，能在空间和时间维度上监测出不同工业产业的碳排放差异（图1），并最终能够在单点尺度上实现对工厂排放源的识别和分级（图2）。

图1. 不同人为源集聚区的碳排放差异。第一列为XCO2异常值，第二列为排放量；从左至右依次为煤炭产业、大城市和钢铁产业集聚区

图2. 华北地区工厂排放源的识别与分级结果

该研究展示了高分辨率遥感CO2数据在大范围工业碳排放源监测方面的潜力和优势，为建立准实时工业碳源监测系统提供了新思路。

该研究得到了国家重点研发计划、青年、江苏省杰出青年基金和国家自然科学基金等项目支持，并得到了国内外合作实验室的大力协助与支持。

原文链接：

Wang, S., Zhang, Y., Hakkarainen, J., Ju, W., Liu, Y., Jiang, F., & He, W. (2018). Distinguishing anthropogenic CO2 emissions from different energy intensive industrial sources using OCO‐2 observations: a case study in northern China. Journal of Geophysical Research: Atmospheres, 123. https://doi.org/10.1029/2018JD029005.

Liu, Y., Hu, C., Zhan, W., Sun, C., Brock, M., and Ma, L. (2018). Identifying industrial heat sources using time-series of the VIIRS Nightfire product with an object-oriented approach. Remote sensing of Environment. 204, 347–365. https://doi.org/10.1016/j.rse.2017.10.019.

（国际地球系统科学研究所科学技术处）

国际地球所张永光课题组在全球植被光合作用模拟领域取得新进展

机构设置

部门领导

综合科

项目科

平台科

成果科

应用开发科

先进技术研究院

科研经费管理中心

通知公告

政策法规

科研项目

科研平台

科技成果

科技合同

其他

工作流程

科研项目

科研平台

科技成果

科技合同

其他

AI4S专栏

English

科研项目

国家自然科学基金

科技部项目

教育部项目

江苏省项目

中央高校基本科研业务费

横向科研项目

其他项目

科研平台

国家级科研平台

教育部科研平台

江苏省科研平台

其他省部级科研平台

校级科研机构

科研平台工作通知

科技成果

科技奖励

科技论文

知识产权

OCO_百度百科

百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心收藏查看我的收藏0有用+10OCO播报讨论上传视频oco本词条缺少概述图，补充相关内容使词条更完整，还能快速升级，赶紧来编辑吧！OCO是on-line corporate with off-line的简写，即线上线下互相配合的覆盖学习全场景的学习方式。 [1]中文名OCO别名on-line corporate with off-line出版时间2014年6月9日出版社上海海事大学高等技术学院、上海港湾学校目录1内容简介2书籍信息内容简介播报编辑Online部分通过Special A智能学习系统打破学生学习的时间和空间的限制，云智能规划，云智能分析，根据学生的学习习惯和学习时间灵活安排学习计划。Special A智能学习系统依托大数据分析找到学生薄弱环节，结合在线分析师的分析诊断，匹配学生个性化学习内容，合理利用学生碎片时间，做到哪里薄弱就补哪里，提高学生学习效率。Off—line部分通过Special A独创担当教师监管体系，结合Special A智能学习系统解决学习过程中的学生自控力差和学习孤独感的问题。担当教师通过Special A智能学习系统安排学生每日学习任务，监管学生完成情况，记录任务完成质量。担当教师依托Special A智能学习系统完善的报告反馈体系，及时向家长反馈学生的学习状态和学习进度。担当教师作为家长和学生沟通的桥梁，及时疏导学生学习的心理压力，成为孩子进步路上的知心朋友，从根本上改变学生的不良学习习惯。 [1]书籍信息播报编辑《O C O》是上海海事大学高等技术学院，上海港湾学校出版书籍，出版时间是2014/6/9。 [1]新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

在线凸优化学习笔记(三) First Order Algorithm for OCO - 知乎

在线凸优化学习笔记(三) First Order Algorithm for OCO - 知乎首发于OCO在线凸优化学习笔记切换模式写文章登录/注册在线凸优化学习笔记(三) First Order Algorithm for OCOLanyala之前的笔记已经介绍了OCO的基础框架与优化理论的基础知识，本篇笔记正式进入在线凸优化(OCO)的算法，主要介绍OCO的一阶算法(First Order Algorithm)。所谓一阶算法就是指只用到了一阶导数信息的优化算法。笔记(一)(二)传送门：那么本篇笔记的主要内容如下：Content1、Online gradient descent (OGD)Upper and Lower bound2、Logarithmic regretOGD for strongly convex functionsApplication: Stochastic gradient descentExample: stochastic gradient descent for SVM training1、Online gradient descent (OGD)优化目标：最小化 regret与上一篇笔记的梯度下降算法不同的是，在线梯度下降算法的最小化目标并非优化误差(optimization error)，而是regret，即OCO算法表现的衡量指标之一。回顾其定义如下：\text{regret}=\sum_{t=1}^Tf_t(\mathbf{x}_t)-\text{min}_{\mathbf{x}\in\mathcal{K}}\sum_{t=1}^Tf_t(\mathbf{x}) optimization error VS. regret为了令在线算法的 regret 能够与离线算法的 optimization error 进行比较，我们考虑一下指标：1）Average regret： \frac{\text{regret}}{T} 2）Average decision: \bar{\mathbf{x}}_T=\frac{1}{T}\sum_{t=1}^T\mathbf{x}_t 3）如果 f_t 都等于同一个函数 f:\mathcal{K}\mapsto\mathbb{R} , 那么 f(\bar{\mathbf{x}}_T) 将最多以 Average regret 的速度收敛至 f(\mathbf{x}^*) 也就是，f(\bar{\mathbf{x}}_T)-f(\mathbf{x}^*)\le \frac{1}{T}\sum_{t=1}^T[f(\mathbf{x}_t)-f(\mathbf{x}^*)]=\frac{\text{regret}}{T} （该不等式由Jensen's inequality 推导得到，具体形式可以参见在线凸优化学习笔记(二)）在线梯度下降算法做好准备后，我们就看看online gradient algorithm的内容以及regret bound。\bold{\text{Algorithm 6}}\text{ online gradient descent} 1: \text{Input: convex set }\mathcal{K},T,\mathbf{x}_1\in\mathcal{K},\text{step sizes }\{\eta_t\} 2: \text{for }t=1\text{ to } T\text{ do} 3: \text{Play }\mathbf{x}_t\text{ and observe cost }f_t(\mathbf{x}_t) 4: \text{Update and project}: \mathbf{y}_{t+1}=\mathbf{x}_t-\eta_t\nabla f_t(\mathbf{x}_t) \mathbf{x}_{t+1}=\prod_\mathcal{K}(\mathbf{y}_{t+1}) 5: \text{end for} Upper Bound of RegretTheorem 3.1. Online gradient descent with step sizes \left\{\eta_t=\frac{D}{G\sqrt{t}},t\in[T]\right\} guarantees the fowling for all T\ge 1 : \text{regret}_T=\sum_{t=1}^Tf_t(\mathbf{x}_t)-\text{min}_{\mathbf{x}^*\in\mathcal{K}}\sum_{t=1}^Tf_t(\mathbf{x}^*)\le \frac{3}{2}GD\sqrt{T} Proof. 要证明Theorem 3.1，即找到 f_t(\mathbf{x}_t)-f_t(\mathbf{x}^*) 的上界，再进一步找到 \sum_{t=1}^T(f_t(\mathbf{x}_t)-f_t(\mathbf{x}^*)) 的上界。首先我们记 \mathbf{x}^*\in\text{arg min}_{\mathbf{x}\in\mathcal{K}}\sum_{t=1}^Tf_t(\mathbf{x}) ， \nabla_t\triangleq\nabla f_t(\mathbf{x}_t) 。由目标函数的凸性可以得到： f_t(\mathbf{x}_t)-f_t(\mathbf{x}^*)\le \nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*)\qquad (3.1) 我们就将求f_t(\mathbf{x}_t)-f_t(\mathbf{x}^*) 的上界转化为求 \nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*) 的上界了。然后根据算法的Update规则与Pythagorean theorem，有： ||\mathbf{x}_{t+1}-\mathbf{x}^*||^2=||\prod_{\mathcal{K}}(\mathbf{x}_t-\eta_t\nabla_t)-\mathbf{x}^*||^2\le ||\mathbf{x}_t-\eta_t\nabla_t-\mathbf{x}^*||^2 进一步计算上式，我们用到了 ||\nabla_t||\le G ： ||\mathbf{x}_{t+1}-\mathbf{x}^*||^2\le ||\mathbf{x}_t-\mathbf{x}^*||^2+\eta_t^2||\nabla_t||^2-2\eta_t\nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*) 2\nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*)\le\frac{||\mathbf{x}_t-\mathbf{x}^*||^2-||\mathbf{x}_{t+1}-\mathbf{x}^*||^2}{\eta_t}+\eta_tG^2\qquad (3.2) 接下来对式(3.1)与(3.2)从 t=1 到 T 求和，并设 \eta_t=\frac{D}{G\sqrt{t}} (记 \frac{1}{\eta_0}\triangleq 0 )： 2(\sum_{t=1}^Tf_t(\mathbf{x}_t)-f_t(\mathbf{x}^*))\le 2\sum_{t=1}^T\nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*) \le \sum_{t=1}^T\frac{||\mathbf{x}_t-\mathbf{x}^*||^2-||\mathbf{x}_{t+1}-\mathbf{x}^*||^2}{\eta_t}+G^2\sum_{t=1}^T\eta_t \le \sum_{t=1}^T||\mathbf{x}_t-\mathbf{x}^*||^2(\frac{1}{\eta_t}-\frac{1}{\eta_{t-1}})+G^2\sum_{t=1}^T\eta_t\qquad (1) \le D^2\sum_{t=1}^T(\frac{1}{\eta_t}-\frac{1}{\eta_{t-1}})+G^2\sum_{t=1}^T\eta_t \le D^2\frac{1}{\eta_T}+G^2\sum_{t=1}^T\eta_t\qquad (2) \le 3DG\sqrt{T}\qquad (3) 第(1)步：根据 \frac{1}{\eta_0}\triangleq0 与 ||\mathbf{x}_T-\mathbf{x}^*||^2\ge 0 第(2)步是对数列求和第(3)步用了数列缩放的方法， \sum_{t=1}^T\le 2\sqrt{T} Lower Bound of RegretTheorem 3.2. Any algorithm for online convex optimization incurs \Omega(DG\sqrt{T}) regret in the worst case. This is true even if the cost functions are generated from a fixed stationary distribution.2、Logarithmic regret在笔记(二)中，我们知道了离线梯度下降算法的收敛速度会随目标函数性质的改变而改变，那么对于在线梯度下降算法来说，其regret bound是否也是这样呢？答案是肯定的。下面将介绍，对于 \text{strongly convex} 的目标函数， \text{Algorithm 6} 的regret bound可以达到对数级。OGD for strongly convex functionsTheorem 3.2. For \alpha\text{-strongly convex} loss functions, online gradient descent with step sizes \eta_t=\frac{1}{\alpha t} achieves the following for all T\ge 1 : \text{regret}_T\le \frac{G^2}{2\alpha}(1+\text{log}T) Proof. 此处的证明思路与Theorem 3.1的证明思路几乎一样，最大的不同在于由 \text{convexity} 到 \text{strong convexity} 进而在最后的推导中进一步简化，得到了对数级的bound。仍然记 \mathbf{x}^*\in\text{arg min}_{\mathbf{x}\in\mathcal{K}}\sum_{t=1}^Tf_t(\mathbf{x}) ， \nabla_t\triangleq\nabla f_t(\mathbf{x}_t) 。由 \text{strong convexity} 可得： 2(f_t(\mathbf{x}_t)-f_t(\mathbf{x}^*))\le 2\nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*)-\alpha||\mathbf{x}^*-\mathbf{x}_t||^2\qquad (3.3) 。然后同样是通过算法的Update规则与Pythagorean theorem来upper bound \nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*) : ||\mathbf{x}_{t+1}-\mathbf{x}^*||^2=||\prod_{\mathcal{K}}(\mathbf{x}_t-\eta_t\nabla_t)-\mathbf{x}^*||^2\le ||\mathbf{x}_t-\eta_t\nabla_t-\mathbf{x}^*||^2 。化简上式后得到 2\nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*)\le\frac{||\mathbf{x}_t-\mathbf{x}^*||^2-||\mathbf{x}_{t+1}-\mathbf{x}^*||^2}{\eta_t}+\eta_tG^2\qquad (3.4) 接下来对式(3.3)与(3.4)从 t=1 到 T 求和，并设 \eta_t=\frac{1}{\alpha t} (记 \frac{1}{\eta_0}\triangleq 0 )：2(\sum_{t=1}^Tf_t(\mathbf{x}_t)-f_t(\mathbf{x}^*))\le 2\sum_{t=1}^T\nabla_t^\top(\mathbf{x}_t-\mathbf{x}^*)-\sum_{t=1}^T\alpha||\mathbf{x}^*-\mathbf{x}_t||^2 \le \sum_{t=1}^T||\mathbf{x}_t-\mathbf{x}^*||^2(\frac{1}{\eta_t}-\frac{1}{\eta_{t-1}}-\alpha)+G^2\sum_{t=1}^T\eta_t =0+G^2\sum_{t=1}^T\frac{1}{\alpha t}\qquad (1) \le \frac{G^2}{\alpha}(1+\text{log}T)\qquad (2) 前面几步的方法与Theorem 3.1的证明相同，就不作赘述；第(1)步是将 \eta_t=\frac{1}{\alpha t} 代入；第(2)步用到了调和级数 \sum_{t=1}^{\infty}\frac{1}{t} 的不等式： \sum_{t=1}^T\frac{1}{t}\approx\text{ln}T+\gamma+\frac{1}{2^t}\le\text{ln}T+1 ，其中第一个不等式为欧拉近似公式， \gamma 为欧拉-马歇罗尼常数。Application: Stochastic gradient descent随机梯度下降(SGD)，是在线凸优化(OCO)的一个特殊案例。在随机优化中，optimizer的目标是最小化定义在凸集上的凸函数： \text{min}_{\mathbf{x}\in\mathcal{K}}f(\mathbf{x}) 。然而，与之前标准的离线优化不同的是，optimizer并不知道每个点处的梯度，而只是 a noisy gradient oracle，定义为： \mathcal{O}(\mathbf{x})\triangleq\tilde{\nabla}_{\mathbf{x}} s.t. \mathbf{E}[\tilde{\nabla}_{\mathbf{x}}]=\nabla f(\mathbf{x}),\mathbf{E}[||\tilde{\nabla}_{\mathbf{x}}||^2]\le G^2 。也就是说，给定决策集(decision set)中的某一点 \mathbf{x} ，a noisy gradient oracle 告诉 optimizer 一个随机向量，该向量的期望为点 \mathbf{x} 的梯度，方差的上界为 G^2 。从OCO的OGD到SGD，从regret bound到convergence rate。将OGD用于一系列由各点的noisy gradient oracle定义的线性函数，最后返回所有迭代轮中点的均值，就是SGD算法了。\bold{\text{Algorithm 7}} \text{ stochastic gradient descent} 1: \text{Input}:f,\mathcal{K},T,\mathbf{x}\in\mathcal{K},\text{ step sizes }\{\eta_t\} 2: \text{For }t=1\text{ to }T\text{ do} 3: \text{Let }\tilde{\nabla}_t=\mathcal{O}(\mathbf{x}_t)\text{ and define: }f_t(\mathbf{x})\triangleq\langle\tilde{\nabla}_t,\mathbf{x}\rangle 4: \text{Update and project:} \mathbf{y}_{t+1}=\mathbf{x}_t-\eta_t\tilde{\nabla}_t \mathbf{x}_{t+1}=\prod_{\mathcal{K}}(\mathbf{y}_{t+1}) 5: \text{end for} 6: \text{return }\bar{\mathbf{x}}_T\triangleq\frac{1}{T}\sum_{t=1}^T\mathbf{x}_t 上述算法的第3行就体现了随机性，因为第t轮迭代时的损失函数是由第t轮的1个点的 noisy gradient oracle定义的。Theorem 3.4. Algorithm 7 with step sizes guarantees \eta_t=\frac{D}{G\sqrt{t}} guarantees \mathbf{E}[f(\bar{\mathbf{x}}_T)]\le \text{min}_{\mathbf{x}^*\in\mathcal{K}}f(\mathbf{x}^*)+\frac{3GD}{2\sqrt{T}} Proof. 关于Theorem 3.4的证明，我们将通过损失函数的凸性与算法的定义等推导，最后根据OGD的Theorem 3.1的结论得到收敛上界。这也是由于SGD是OGD的一个特例。\mathbf{E}[f(\bar{\mathbf{x}}_T)]-f(\mathbf{x}^*) \le\mathbf{E}[\frac{1}{T}\sum_{t=1}^Tf(\mathbf{x}_t)]-f(\mathbf{x}^*)\qquad \text{Jenden's inequality} = \mathbf{E}[\frac{1}{T}\sum_t(f(\mathbf{x}_t)-f(\mathbf{x}^*))] \le \frac{1}{T}\mathbf{E}[\sum_t(f(\mathbf{x}_t)-f(\mathbf{x}^*))]\qquad \text{Jensen's inequality again} =\frac{1}{T}\mathbf{E}[\sum_t\langle \nabla f(\mathbf{x}_t),\mathbf{x}_t-\mathbf{x}^* \rangle] =\frac{1}{T}\mathbf{E}[\sum_t\langle \tilde{\nabla}_t,\mathbf{x}_t-\mathbf{x}^* \rangle]\qquad \text{noisy gradient estimator} =\frac{1}{T}\mathbf{E}[\sum_tf_t(\mathbf{x}_t)-f_t(\mathbf{x}^*)]\qquad \text{Algorithm 7, line3} \le \frac{regret}{T}\qquad \text{definition} \le \frac{3GD}{2\sqrt{T}}\qquad \text{Theorem 3.1} Example: stochastic gradient descent for SVM training接下来我们举一个SGD的应用案例，即用于支持向量机(SVM)的训练。首先回顾一下SVM的目标就是解决以下优化问题： f(\mathbf{x})=\text{min}_{\mathbf{x}\in\mathbb{R}^d}\left\{\lambda\frac{1}{n}\sum_{i\in[n]}\mathcal{l}_{\mathbf{a_i},b_i}(\mathbf{x})+\frac{1}{2}||\mathbf{x}||^2\right\} ，其中 \mathcal{l}_{\mathbf{a},b}(\mathbf{x})=\text{max}\{0,1-b\cdot\mathbf{x}^\top\mathbf{a}\} 。 \mathbf{a} 代表数据实例， b 为数据标签(0或1)。\bold{\text{Algorithm 8}} \text{ SGD for SVM training} 1: \text{Input: training set of }n\text{ examples }\{(\mathbf{a}_i,b_i)\},T.\text{ Set }\mathbf{x}_1=0 2: \text{For }t=1\text{ to }T\text{ do} 3: \text{Pick an example uniformly at random }t\in[n]. 4: \text{Let }\tilde{\nabla}_t=\lambda\nabla\mathcal{l}_{\mathbf{a}_t,b_t}(\mathbf{x}_t)+\mathbf{x}_t \nabla\mathcal{l}_{\mathbf{a}_t,b_t}(\mathbf{x}_t)=\left\{ \begin{aligned} 0 & , & b_t\mathbf{x}_t^\top\mathbf{a}_t>1 \\ -b_t\mathbf{a}_t & , & \textit{otherwise} \end{aligned} \right. 5: \mathbf{x}_{t+1}=\mathbf{x}_t-\eta_t\tilde{\nabla}_t 6: \text{end for} 7: \text{return }\bar{\mathbf{x}}_T\triangleq\frac{1}{T}\sum_{t=1}^T\mathbf{x}_t 算法的第3行表明，每一轮迭代都是随机均匀地选择一个数据点计算梯度并更新 \mathbf{x} 。在数据量很大时，SGD大大减少量计算空间与时间。关于OGD的Lower Bound of Regret的证明，目前还没有证出来，所以没有写，等以后证完了再补上。当然如果有小伙伴会的话，我强烈求问！(磕头)发布于 2021-01-29 18:34在线学习Convex Optimization（书籍）凸优化赞同 295 条评论分享喜欢收藏申请转载文章被以下专栏收录OCO在线凸优化学习笔记记录一下学习OCO的过程，可能会更得

科学网—OCO-2：从“轨道碳观测者”到“荧光制图卫星” - 赵斌的博文

|登录

构建全球华人科学博客圈

返回首页

微博

RSS订阅

帮助

生态学时空分享

http://blog.sciencenet.cn/u/lionbin 自我营造一个可持续发展的学术生态系统

博客首页

动态

博文

视频

相册

好友

留言板

首页新闻博客人才会议基金论文视频小柯机器人相册Album 帮助Help

粉丝

@我

提醒

我的博客

博文

OCO-2：从“轨道碳观测者”到“荧光制图卫星”

精选

已有 14924 次阅读

2014-6-14 00:14

|个人分类:一起读顶刊|系统分类:科研笔记|

OCO-2, GOSAT, OCO, 荧光制图

尽管对全球变化的机理还存在诸多分歧，但以碳为基础的温室气体对全球气候变化的重要影响已达成共识。因此，研究碳循环也就成了全球气候变化研究的重要议题。例如，1992年签署了旨在将大气CO2浓度稳定在某一水平上以防止人类活动严重干扰气候系统的《联合国气候变化框架公约》；1997年的《京都议定书》为发达国家规定了温室气体减排指标；2008年召开的G8峰会将“低碳”这一议题推上了前台；2009年哥本哈根气候峰会和2010年的坎昆气候变化大会的召开，更显示出全球对温室气体排放导致全球气候变化的普遍认同，中国作为一个人口大国和能源消耗大国，在这两次峰会上无奈地被推到了浪尖上。尽管没有绝对可靠的数据支持，2010年中国还是被诸多媒体认定为最大的碳排放国，中国政府将面临更大的压力。为了达到《巴厘路线图》的“三可”量化减排目标（可测量、可报告、可核查）和相应的计量方法，各国政府都迫切希望相关的科学家们能拿出切实可行的测量方法和技术，获得足够长时间的真实可信的数据，在重大问题上保护国家的利益不受侵害。2008年以前，全球的温室气体观测站只有282个，且地区分布不均，全球的CO2排放估算主要依靠陆基观测网。为解决全球数据来源的问题，发展卫星遥感观测CO2似乎势在必行。联合国气候峰会闹得最不可开交一年就应该是2009年了，那一年，日本和美国相继发射了旨在进行全球温室气体观测的卫星。1月23日，日本“呼吸”号卫星（GOSAT）在鹿儿岛发射升空；2月24日，美国“轨道碳观测者”（OCO）发射升空数分钟后，运载火箭金牛座XL的整流罩未能成功脱离，这额外增加的重量使得卫星无法到达预定的轨道，最后坠入太平洋。可以说，这次发射失败，对气候学家来说，损失巨大，本来他们指望用这颗卫星来弥补地面上参差不齐的二氧化碳测量数据的。OCO的设计是用与二氧化碳相关的吸收曲线监测窄幅度大气中二氧化碳的浓度变化，生成全球碳源汇的分布图。显然，OCO可以帮助监督一些国家是否遵守减排要求，在履行国际气候条约中有非常重要的作用。也许是这种监测在国际政治上的独特意义，再次发射OCO的替代产品几乎让所有研究人员都觉得理所当然，大家都希望在不久的将来“复制”一颗新的卫星重新发射。当年12月，美国国会会议委员会敦促宇航局在2010财年为替换项目拨出启动资金。2010年，喷气推进实验室（JPL）已授权和资金资助建立“轨道碳观测者2号”（OCO-2），最初的设计的确与OCO相比没有什么太大变化。但是，2011年，金牛座XL火箭的其他发射任务Glory再次失败。美国航空航天局对此倍受打击，于是决定将OCO-2换用Delta II火箭来发射，因此就不得不延迟发射了。另一个迫使延迟的原因是在此期间，研究团队了解到旋转惯性轮的问题，也需要一定的时间来更换。现在决定，今年7月1日将OCO2送入轨道，费用高达4.68亿美元。与此同时，也就是在延迟发射中，有了一些意想不到的发现，完全改变了OCO原先的设计思路：1）虽然日本的GOSAT不能与OCO一样制作出详细的全球二氧化碳分布图，但是它有类似的光谱分辨率。研究人员在处理了一些GOSAT数据后，意识到要在云和气溶胶的干扰下测量二氧化碳，他们必须确定并去掉一些荧光信号。在某些场合下看似噪音的东西也可能是另一种信号，产生了一种新的技术先驱。与此同时，也就标志着叶绿素荧光科学时代到来了。2）发现其他一些测定光合作用的参数，如绿度和叶面积，似乎是有问题的——常绿林全年都是绿色的，即使冬天它只吸收很少的碳，绿色也没有太大变化；相比之下，植物只有在进行光合作用时才会发出荧光，所以这种发光直接反映了植物吸收二氧化碳的量。3）在今年3月份发表于PNAS上的一项研究发现，美国玉米种植带的荧光峰值比世界上其他地方都要亮，而气候模型可能低估该地区50~75%的碳吸收量。4）荧光测量也有帮助解决一个长期存在的争论，那就是亚马逊雨林如何应对干旱，因为预计随着世界逐渐变暖这种情况发生频率可能更高。一些科学家认为，亚马逊致密树冠的光合作用不仅受到水而且还有光的限制，因此在干旱期增加光照会导致“绿化”（greening up）。5）另一篇2013年基于GOSAT数据发表在《英国皇家学会学报B》上的论文显示，在亚马逊一些地方的旱季，荧光和光合作用都下降了，而另一个指示产量的参数叶面积指数却达到了峰值。也就是说，叶绿素荧光制图似乎更成为OCO-2发射的理由，有科学家认为这是卫星最具创新性和革命性的观测任务。其实，植物生理学家几十年前知道叶绿素荧光性了：叶绿素溶液在透射光下呈绿色，而在反射光下呈红色，这种现象称为叶绿素荧光现象，叶绿素荧光也被称为光合作用的探针。然而，要从太空进行荧光制图还是困难重重的，因为这微弱的信号要穿过地球环绕的浓密大气层。现在，科学家们已经可以对所获得的最清晰叶绿素荧光进行深入研究了，可用于计算全球植被是如何吸收二氧化碳的。如果结合GOSAT和OCO-2制图可获得一个特定地区的二氧化碳净交换。有了荧光信号，研究人员可以进行更深入探讨，利用两个组分得到净交换：通过光合作用吸收的碳和通过呼吸碳损失的碳，而且他们可以观察这些因素在不同气候条件下随时间的变化情况。通过精确制图，可以纠正全球碳收支计算中因数据缺失导致的不准确性，这样提供了一种新的工具来评估生态系统在气候变化干热胁迫下的表现。卫星具备了如此的制图能力，在OCO失败后一个漫长的等待是值得的！而且，其应用可能会远远超出气候科学研究本身。荧光制图还可以评估错落有致的田地中不同作物的生产力，可能对全球作物产量进行更准确的估计，以及它们如何应对干旱和热浪，这对了解生态系统如何适应气候变化来说是非常有价值的信息。在不断变化的气候中，我们是否在正确的地方种植了正确的作物？未来，欧洲航天局（ESA）的荧光探索者项目（FLEX）将开发300米分辨率的传感器，耗资1亿欧元的FLEX项目是2015年欧洲航天局两份备选发射任务之一。参考资料美国宇航局将于2013年开展“轨道碳观测者”替换项目（http://article.yeeyan.org/view/160080/114024）李红林等，2011。新一代温室气体观测卫星(GOSAT、OCO)传感器设置。气象科技，39(05): 603-607. Carbon mapping satellite will monitor plants’ faint glow. Science 13 June 2014: Vol. 344 no. 6189 pp. 1211-1212 该文的主要内容被整理后发表于《太空探索》2014年第8期12-14页。从_轨道碳观测者_到_荧光制图卫星_赵斌.pdf

转载本文请联系原作者获取授权，同时请注明本文来自赵斌科学网博客。链接地址：https://blog.sciencenet.cn/blog-502444-803208.html

上一篇：吃出健康：寻找食物与健康之间的最佳连接下一篇：美国环保署关注抗除草剂转基因作物

IP: 202.120.224.*|

热度|

当前推荐数：11

推荐人：

李建国陈楷翰张能立蔡庆华李宇斌曹建军王萌杰李红高建国 aliala wolfganger

推荐到博客首页

该博文允许注册用户评论请点击登录

评论 (25 个评论)

数据加载中...

返回顶部

赵斌

加为好友

给我留言

打个招呼

发送消息

扫一扫，分享此博文

全部作者的精选博文

• 要治疗与大脑有关的疾病，可能需要调节肠道微生物

• 长期生态学研究是如何促进跨越大尺度时空合作的？

• 造就好的科学家，除了SCI，还有啥硬核的方式？

• 测温枪测体温对人体有害？从测温枪原理说到遥感

• SCI至上只是结果，而不是原因

• 抗击疫情，为电吹风再生一次性医学口罩提些建议

全部作者的其他最新博文

• 要治疗与大脑有关的疾病，可能需要调节肠道微生物

• 长期生态学研究是如何促进跨越大尺度时空合作的？

• 造就好的科学家，除了SCI，还有啥硬核的方式？

• 测温枪测体温对人体有害？从测温枪原理说到遥感

• SCI至上只是结果，而不是原因

• 刚刚非洲之角发生的沙漠蝗灾会蔓延到中国吗？

全部精选博文导读

• 科学网2024年1月十佳博文榜单公布！

• JET论文推荐┃数字市场：概率销售策略在旅游业中的作用

• 植物园领导者之路 | 科学收藏应怎样做战略部署

• 华北电力大学吕玮等：生物质碳集成策略发掘水系Zn-MnO₂电池正极生物相容性

• 最快3-5周发表 | Taylor & Francis 48本医学与健康及药学领域期刊提供加速出版服务

• 没有人工，很难智能｜访问李松航

Follow

imtoken钱包最新版下载|oco

imtoken钱包最新版下载|oco

【加密货币】 什么是OCO Order(二选一订单) - 知乎

什么是OCO订单(选择性委托订单) 如何使用OCO功能？ | 领域OK

北京帕特纳斯与OCO Global建立全新合作伙伴关系-帕特纳斯管理咨询

债券经纪商的报价指令是怎么阅读？ - 知乎

百度知道 - 信息提示

地理信息学科在高耗能工业源CO2排放源遥感监测方面取得最新进展-南京大学

国际地球所张永光课题组在全球植被光合作用模拟领域取得新进展

OCO_百度百科

在线凸优化学习笔记(三) First Order Algorithm for OCO - 知乎

科学网—OCO-2：从“轨道碳观测者”到“荧光制图卫星” - 赵斌的博文

最近的新闻

您可能喜欢的文章

imtoken钱包下载 ios|nomatterhow

比特派app官方|osc

比特派硬钱包怎么看真假

比特派要实名吗怎么弄

比特派怎么一键买卖视频

比特派怎么转账到支付宝

比特派上的美金怎么提现

【加密货币】什么是OCO Order(二选一订单) - 知乎