Compressive sensing based multiuser detector for massive MBM MIMO uplink

Media based modulation(MBM)is expected to be a prominent modulation scheme,which has access to the high data rate by using radio frequency(RF)mirrors and fewer transmit antennas.Associated with multiuser multiple input multiple output(MIMO),the MBM scheme achieves better performance than other conventional multiuser MIMO schemes.In this paper,the massive MIMO uplink is considered and a conjunctive MBM transmission scheme for each user is employed.This conjunctive MBM transmission scheme gathers aggregate MBM signals in multiple continuous time slots,which exploits the structured sparsity of these aggregate MBM signals.Under this kind of scenario,a multiuser detector with low complexity based on the compressive sensing(CS)theory to gain better detection performance is proposed.This detector is developed from the greedy sparse recovery technique compressive sampling matching pursuit(CoSaMP)and exploits not only the inherently distributed sparsity of MBM signals but also the structured sparsity of multiple aggregate MBM signals.By exploiting these sparsity,the proposed CoSaMP based multiuser detector achieves reliable detection with low complexity.Simulation results demonstrate that the proposed CoSaMP based multiuser detector achieves better detection performance compared with the conventional methods.     

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。     

实现船舶稳性的多油舱自适应调度算法及仿真

针对油舱对船舶浮态与稳性的影响，研究了保持船舶稳性的多油舱自适应调度控制算法，并用WinCC (Windows Control Center)组态软件编写了船舶自动浮态调整仿真系统。在系统架构上，采用布尔逻辑表构建了油舱、泵、管路之间的连通关系，并根据浮态方程计算出舱群之间的调驳油量，再根据多变量多约束的自适应优化调度算法实现了油舱驳油过程中浮态的平衡。仿真结果表明调度算法可以对船舶的浮态进行有效调整，并保持船舶稳性，避免了由油舱油量分布不均给船舶带来的不利影响，保障了航行安全。     

基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

含重置条款的或有可转债路径分解式定价

为了解决或有可转债在长期没有进行债转股的情况下,可能会出现的由于发行方无力支付高额息票而被迫对债券进行赎回的问题,设计了一种包含重置条款的或有可转债。首先,通过对债券存续期内标的股票价格可能发生的路径进行分解,分析了此类条款下债券价值的路径依赖特征;在此基础上,进一步确定了回售边界以及债券价值。通过数值分析得出,本文设计的或有可转债的价值低于相同参数下的不含任何附加条款的或有可转债的价值,并且条款的可用性与目前市场上普遍存在的可赎回或有可转债相比存在一定的优势。敏感度分析结果显示,债券价值与股价年波动率之间呈负相关关系,与修正条款执行日之间呈正相关关系,因而宜根据对未来市场风险的预测来选取适当的条款执行日。     

中概股企业私有化退市决策模型：基于价值低估假说

基于中概股企业私有化退市背景，分别建立了中概股企业继续海外上市与私有化退市两种情形下的企业价值模型，模拟控股股东私有化退市决策的权衡过程。结果表明：存在一个净现金流临界值，当中概股企业的净现金流大于该临界值时，继续海外上市时的企业价值更大，控股股东应选择继续海外上市；反之应选择私有化退市。中概股企业继续海外上市的资本成本率和上市维持成本越高、获取净现金流的能力越弱，净现金流临界值越高。私有化退市后的资本成本率越低以及获取净现金流的能力越强，净现金流临界值越高。最后，利用Matlab进行仿真分析并以智联招聘私有化退市为对象进行案例分析，验证了理论模型所得结论的合理性与可行性。研究结论对中概股企业私有化退市决策具有重要借鉴意义。     

物联网中区块链技术的应用与挑战

随着物联网技术的快速发展和广泛应用，分布式网络环境下的身份验证、数据隐私、网络安全等问题变得更加重要，而这些问题可以通过引入区块链技术来得到有效解决.该文简述了区块链的基本概念，介绍了区块链在物联网中的应用场景，并对当前一些相关工作的成果进行了综述；介绍了针对物联网场景下区块链底层技术的研究以及区块链物联网所面临的问题与挑战，希望能对未来区块链物联网的研究有一定的参考价值.     

一种结合BLS签名的可拜占庭容错Raft算法

针对Raft算法中的拜占庭容错问题，提出结合BLS签名的拜占庭容错（RaftByzantine fault tolerance，RBFT）算法.首先，利用BLS签名实现阈值签名，将投票过程转化为阈值签名过程，并将该过程与Raft算法的AppendEntries消息和RequestVote消息结合，尽可能地减弱容错过程对共识效率的影响；其次，通过增量哈希引入安全状态，保证了日志的不可篡改性；接着引入客户端对Leader节点的动态监控，以避免拜占庭Leader节点消极反馈的发生，进一步保证了算法的活性；最后，由本地多节点仿真实验表明：RBFT算法有效提升了数据吞吐量和可拓展性，并降低了交易延迟.     

基于视觉关注模型与多尺度MSER的自然场景文本检测

自然场景中文本检测易受光照、复杂背景、多语言文字、字体及尺寸等因素影响，该文提出了一种基于Itti视觉关注模型与多尺度最大稳定极值区域（maximally stable extremalregion,MSER）结合的自然场景文本检测算法.首先利用改进的Itti视觉关注模型提取文本特征图，并采用不同结合策略得到各尺度文本显著图；然后结合多尺度的MSER区域得到3种文本候选区域.根据文字与生成文本框的几何规则合并文本候选区域得到文本行；最后利用随机森林分类器除去非文本区域得到最终文本区域.实验结果表明，该方法对于自然场景图像中的文本检测具有较高的精确度和一定的鲁棒性.     

Forecasting stock volatility in the presence of extreme shocks: Short-term and long-term effects

This paper introduces a novel generalized autoregressive conditional heteroskedasticity–mixed data sampling–extreme shocks (GARCH-MIDAS-ES) model for stock volatility to examine whether the importance of extreme shocks changes in different time ranges. Based on different combinations of the short- and long-term effects caused by extreme events, we extend the standard GARCH-MIDAS model to characterize the different responses of the stock market for short- and long-term horizons, separately or in combination. The unique timespan of nearly 100 years of the Dow Jones Industrial Average (DJIA) daily returns allows us to understand the stock market volatility under extreme shocks from a historical perspective. The in-sample empirical results clearly show that the DJIA stock volatility is best fitted to the GARCH-MIDAS-SLES model by including the short- and long-term impacts of extreme shocks for all forecasting horizons. The out-of-sample results and robustness tests emphasize the significance of decomposing the effect of extreme shocks into short- and long-term effects to improve the accuracy of the DJIA volatility forecasts.