基于晶格缺陷的谷极化三维弹性声子晶体的拓扑界面传播特性

晶格缺陷(包括旋错和位错等)广泛存在于各种材料,并呈现出优异的物理和力学性能.在经典波动体系,晶格缺陷态首先应用于二维光学系统,实现了晶格缺陷激发的谷极化界面态和束缚态.本文设计了一种三维弹性声子晶体,其单胞在第一布里渊区的K-H方向线性简并.打破单胞的镜像对称性,该三维弹性声子晶体沿第一布里渊区K-H方向的简并线打开而形成完全带隙,激发出谷极化量子霍尔效应.将晶格缺陷态引入具有谷极化量子霍尔效应的三维弹性声子晶体,晶格畸变导致单胞谷极化拓扑相反转而形成界面,实现了弹性波在三维弹性声子晶体的稳健界面传播.基于晶格缺陷的谷极化三维弹性声子晶体拓扑界面态的实现,突破了传统经典波动系统拓扑波导设计的局限性,为三维复杂拓扑波导器件设计提供了良好的技术支撑.     

BS-矩阵线性互补问题误差界的一个新估计式

根据BS-矩阵的特殊结构和性质,利用严格对角占优M-矩阵的逆的无穷大范数范围,结合不等式的放缩技巧,改进了B^S-矩阵线性互补问题的误差界估计式.理论分析和数值算例均验证了新估计式的有效性.     

基于目标高斯分布的定位系统节点最优部署方法

针对三维空间定位系统中目标位置服从高斯先验分布假设条件下节点最优部署问题, 分析了纯方位目标定位算法中估计误差的费希尔信息矩阵, 推导出基于目标先验分布的克拉美罗界(Cramer-Rao bound, CRB)。为了解决目标位置在任意高斯分布时, 协方差矩阵为非对角阵的问题, 提出了基于三维坐标旋转的最大后验概率估计方法, 将协方差矩阵转化为对角阵以实现最小化CRB的迹, 从而得到定位系统中节点的最优部署。最后, 通过梯度下降算法对节点最优部署问题的理论推导进行仿真, 验证了该部署方法的有效性，同时仿真结果中不同节点部署方法的对比也表明了该方法可有效降低定位误差。     

可重构智能面辅助的低精度量化大规模MIMO系统的信道估计

针对可重构智能面辅助的低精度量化的大规模多输入多输出(multiple input multiple output, MIMO)系统中信道估计问题进行了研究。该系统的信道估计难点在于可重构智能面由近无源反射天线构成, 没有基带信号处理能力。系统观测值通过低精度的模数转换器量化使信道估计问题变得更富挑战性。本文基于基站-可重构智能面-用户的级联信道推导出等效信道, 并证明在虚拟角域上，该有效信道是结构稀疏信号。提出了基于期望最大化的近邻学习广义近似消息传递算法，从低精度量化的观测值中恢复等效信道。仿真结果表明所提出算法比传统算法具有更好的性能表现。     

基于互协方差稀疏重构的MIMO雷达低仰角估计算法

针对低空目标仰角估计时, 多径信号间的混叠严重影响雷达的测角性能的问题, 基于压缩感知理论的波达方向(direction of arrival, DOA)估计算法与多输入多输出(multi-input and multi-output, MIMO)雷达体制结合起来共同进行低空目标DOA估计的研究, 提出了一种基于互协方差矩阵稀疏重构的MIMO雷达低空目标DOA估计算法。首先, 对MIMO雷达多径接收信号广义匹配滤波后的虚拟矩阵向量化处理, 并针对向量化后虚拟孔径扩展带来运算量大的缺点, 通过降维处理来减少运算量; 然后利用多快拍数互协方差矩阵中的噪声独立不相关的优点, 降低噪声影响, 提高算法估计性能; 最后转化为凸优化问题进行稀疏恢复。仿真结果表明算法在直达信号与多径反射信号相互削弱的情况下, 仍能有效估计低空目标的仰角, 较L1-SVD和L1-SRACV算法对低空目标具有更好的仰角估计性能。     

基于自适应多重多元回归的人脸年龄估计

针对基于标记分布学习的多重多元回归模型不能生成和人脸老化趋势一致标记分布的问题,提出自适应多重多元回归的人脸年龄估计方法.在为不同年龄生成具有适合标准差的离散高斯分布的基础上,采用偏最小二乘模型并有效地利用邻近年龄的人脸老化信息进行年龄估计.在MORPH人脸数据库上的对比实验结果表明,该文的人脸年龄估计模型具有更好的性能.     

一种基于KNN的室内位置指纹定位算法

提出了一种基于KNN 的FM、DTMB 联合信号位置指纹匹配算法,并根据不同位置具有不同信号强度将匹配过程设计为一个多分类算法模型. 离线阶段,通过采集FM 信号与DTMB 信号的强度信息,完成位置指纹库的构建. 在线匹配阶段,利用KNN 算法对新采集到的数据进行加权欧氏距离匹配,通过对K 值以及特征向 量的选取对定位误差进行了分析. 仿真结果表明,该算法在室内定位中具有良好的鲁棒性和准确度,90% 概率下定位精度2.3 m.     

个体观测次数与协变量个数都趋于无穷的二值数据GEE估计的渐近性质

广义估计方程是专用于处理纵向数据的统计模型,有效地解决了纵向数据中协变量相关的问题,得到稳健的参数估计值。但由于观测次数的不唯一,大多数文献对观测次数设置了上限,前人在假设个体观测次数为有限的条件下,证明了经典Logit广义估计方程估计的渐近性质。而随着大数据时代的到来,试验中需要对个体进行更多次观测,以便得出更为精准的结论。鉴于此,对于观测个体的数量n、协变量个数pn以及观测次数m三者都趋于无穷的情况,通过限定m的发散速度,即在mp_n~3/n和m~4p_~4n/n都趋于0和其他正则条件下,基于微分中值定理及根的存在定理,证明了经典Logit广义估计方程估计的渐近存在性和相合性;并在该估计的相合性的基础上,通过Slutsky定理进一步证明出了该估计的渐近正态性。     

基于分层贝叶斯模型的损失准备金估计

传统的准备金模型主要是通过加总个体数据得到聚合损失三角形数据建立的,然而,这种数据的加总对原始个体数据产生不可避免的信息浪费.虽然这种方法简单,但可导致准备金估计的较大偏差.近年来提出的个体数据准备金模型中大都没有考虑保单合同之间的相依性.本文假设相同事故年的保单产生的索赔具有某种共同效应导致的相依情形,通过建立个体数据准备金的分层贝叶斯模型,利用信度理论的思想,得到每个事故年的准备金估计,从而得到总准备金的估计.进而,讨论了发展因子和结构参数的估计及其相应的统计性质.最后,给出数值例子表明本文给出的准备金估计的计算方法,并且比较了个体数据和聚合数据下准备金估计的均方误差.