基于CAS理论的新型科研机构成长运行机理与实证研究

新型科研机构的成长运行是一个复杂的自适应学习调整过程。本文从复杂自适应理论(CAS)出发,从聚集、非线性互动、流、内部模型、积木、多样性、标识7个维度对新型科研机构的特点进行分析,在此基础上构建了"准则层-行为层"新型科研机构成长运行机制框架,从理论与实证两个方面对成长运行三个关键因素的作用进行研究,最后进行总结建议。     

基于CEEMDAN的爆破地震波信号时频分析

爆破监测信号多为含噪信号,噪声会使经验模态分解(EMD)的结果产生严重的模态混淆,使用改进算法EEMD对模态混淆有一定的抑制作用但效果并不明显。为此本研究将使用自适应补充集合经验模态分解(CEEMDAN)来处理含噪信号。比较EMD、EEMD、CEEMDAN对仿真信号的分解结果,计算EMD、EEMD、CEEMDAN得到的IMF的排列熵值,对EMD、EEMD、CEEMDAN的分解结果进行Hilbert变换,并比较三者时频谱的分辨率。最后将CEEMDAN用于水下钻孔爆破地震波时频分析中,结果表明:CEEMDAN不仅对模态混淆具有一定的抑制作用,且其分解结果经过Hilbert变换得到的时频谱在时域和频域上都具有较高的分辨率。     

基于光伏获能的WSNs节点能量管理策略

针对WSNs中基于预测算法的能量分配与管理机制的不足,研究太阳能可充电无线传感器网络中能耗管理,提出基于历史获能的能量中性管理机制。设计了一种自适应跟踪太阳光的节点获能模型,进而构建了一种基于历史获能的能量中性管理机制,根据当前操作周期中由太阳能转化而来的可用能量,调节下一操作周期中节点工作的占空比,以解决节点太阳能获取与节点能耗的优化问题。理论分析与实验结果表明,提出的基于历史获能的能量中性管理机制,实现了太阳能电池板大小与节点能耗的最佳匹配,为太阳能可充电无线传感器网络中的能量获取及能耗管理提供了值得借鉴的解决方案。     

计算机化自适应测验技术在情绪智力智能测评中的初步应用——基于项目反应理论

在项目反应理论(IRT)框架下,采用计算机化自适应测验技术实现对情绪智力的智能测评.基于IRT系列分析(含单维性检验、模型拟合检验、局部独立性检验以及项目质量分析),构建了符合IRT测量学要求的情绪智力测评的题库,并以此为基础探讨了计算机化自适应测验技术在情绪智力智能测评(CAT-EI)中的应用.实验结果表明:(i)CAT-EI相关算法具有较高的参数估计精度,同时具有较理想的测量信度和效度;(ii)CAT-EI可使用较少的题量(M_ean=9.88题)达到使用整个题库(67题)的测量精度,它一方面能做到减轻被试的测试负担,另一方面实现了对情绪智力高效、快速、准确的智能测评.总之,该研究为实现对情绪智力智能测评提供了一种新的测量技术支持.     

及时性自适应高维经济基本面建模与汇率预测分析

在人民币国际化不断推进,人民币汇率双向波动加强的背景下,构建具有优良预测能力的汇率预测模型愈发重要.参数模型对汇率预测的能力不仅取决于模型设定是否正确,还取决于模型能够同时:一方面能否迅速探测模型参数的结构性变化以使用最佳信息估计模型参数,另一方面能否及时识别模型解释变量以使用最佳解释变量对汇率进行预测.本文构建了自适应变元算法.该算法不仅能实时检测模型参数的结构性变化,探测参数的最大化同质区间,同时还能对变量进行及时识别以选择最佳模型解释变量,提高模型的预测能力.在样本外向前3至24个月的汇率预测中,自适应变元算法能显著超越随机游走,马尔可夫机制转换模型,误差修正模型,实时最优窗算法,多元自适应可变窗算法与其他经济基本面模型包括:弹性货币模型,购买力平价模型,利率平价模型,泰勒规则模型,偏移泰勒规则模型.变量选择结果显示,自"811"汇改以后,经济基本面因素决定了人民币汇率走势.中国与其他发达经济体包括欧元区,英国与日本的经济基本面同样能够决定美元兑人民币汇率走向.另外,自"811"汇改之后,人民币汇率预期相比于"811"汇改之前更易受到外部冲击的影响,合理的人民币汇率预期监管依然需要依赖于实行有管理的浮动汇率制度,防止汇率风险.     

结合蝙蝠算法改进的密度峰值聚类算法

密度峰值聚类算法(Denisity peaks clustering,DPC)具有聚类速度快、实现简单、参数较少等优点,但该算法的截断距离参数需要人工干预,并且参数的选取对于该算法的结果影响较大。为了解决这一缺陷,该文提出了结合蝙蝠算法改进的密度峰值聚类算法。该算法利用蝙蝠算法较强的寻优能力,寻找合适的截断距离取值,同时对蝙蝠算法的速度更新公式加入了自适应惯性权重来加强全局搜索能力。该算法选择多种数据集进行了实验仿真,并与其他同类算法进行对比。经过对比验证,结合蝙蝠算法改进的密度峰值聚类算法在聚类准确率上要明显优于其他算法。     

基于低秩交叉重构的领域自适应算法

为了解决现有领域在自适应方法中忽略了整个数据域内部结构的信息和源域与目标域之间的差异问题,提出了一种新的基于低秩交叉重构的领域自适应方法.通过对源域和目标域的交叉重构来构造新的源域与目标域,使得同类数据相互交织,缩短了同类数据之间的距离; 通过对重构矩阵施加低秩约束,将2个域的同类数据对齐,以此来充分挖掘源域和目标域同类数据之间的内在结构信息,并利用该结构信息来学习分类器,从而取得更好的跨域识别效果.在5个公开数据集上的实验结果表明:该方法具有较高的跨域识别准确率.