基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

基于大津算法和深度学习的开集声纹识别自适应阈值计算方法

针对开集声纹识别的自适应阈值计算问题, 提出一种基于大津算法和深度学习的阈值计算方法. 首先, 采用三层受限Boltzmann机堆叠而成的深度置信网络从Mel倒谱系数中提取语音深层特征; 其次, 通过Gauss混合模型计算特征的相似度值, 对特征的相似度值使用大津算法计算阈值. 实验结果表明, 该方法识别效果较理想, 与等错误率计算阈值方法相比, 具有更高的识别准确率.     

基于域适应与分类器差异的滚动轴承跨域故障诊断

基于数据驱动方法诊断滚动轴承故障时，不同工况下的数据特征分布差异会导致模型诊断性能严重下降.针对这一问题，提出了基于域适应与分类器差异的滚动轴承跨域故障诊断方法.首先利用卷积神经网络对带标记的源域样本和无标记的目标域样本进行特征提取;然后通过2个全连接分类器进行故障分类;最后通过分步优化分类损失、域最大平均差异损失和分类器差异损失，实现源域和目标域之间的域分布对齐，从而实现无标记目标域样本的故障诊断.实验结果表明，所提方法与主流的域适应方法相比具有更高故障诊断准确率，验证了该方法的合理性和可行性.     

丹霞地貌定义的认知路线图

2009年第7届国际地貌学大会上,由大会主席提议,国际地貌学家协会批准设立“IAG丹霞地貌工作组”。2010年第34届世界遗产大会“中国丹霞”成功申遗。这两大事件标志着中国土生土长的丹霞地貌走向了世界,登上了国际学术舞台。但是,丹霞地貌提出的原定义缺乏专业规范的科学表述,产生了不应有的认知误区,引起了后期丹霞地貌研究的诸多争议与国际地貌学界无法进行全球对比交流等弊端。文章梳理了丹霞地貌定义的专业缺陷、容易产生误解的术语及误区,运用科学抽象方法与认知路线图,对原定义去伪存真,遵循“分离—提纯—简化”的程序提取了丹霞地貌的本质特征和规律,提出了适用于全球对比的丹霞地貌科学定义:以流水侵蚀为主,并在重力崩塌、风化、溶蚀等外营力综合作用下,形成的以陡崖坡为坡面特征的红层地貌。     

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。     

Neural network structure identification in inflation forecasting

Neural networks (NNs) are appropriate to use in time series analysis under conditions of unfulfilled assumptions, i.e., non‐normality and nonlinearity. The aim of this paper is to propose means of addressing identified shortcomings with the objective of identifying the NN structure for inflation forecasting. The research is based on a theoretical model that includes the characteristics of demand‐pull and cost‐push inflation; i.e., it uses the labor market, financial and external factors, and lagged inflation variables. It is conducted at the aggregate level of euro area countries from January 1999 to January 2017. Based on the estimated 90 feedforward NNs (FNNs) and 450 Jordan NNs (JNNs), which differ in variable parameters (number of iterations, learning rate, initial weight value intervals, number of hidden neurons, and weight value of the context unit), the mean square error (MSE), and the Akaike Information Criterion (AIC) are calculated for two periods: in‐the‐sample and out‐of‐sample. Ranking NNs simultaneously on both periods according to either MSE or AIC does not lead to the selection of the ‘best’ NN because the optimal NN in‐the‐sample, based on MSE and/or AIC criteria, often has high out‐of‐sample values of both indicators. To achieve the best compromise solution, i.e., to select an optimal NN, the preference ranking organization method for enrichment of evaluations (PROMETHEE) is used. Comparing the optimal FNN and JNN, i.e., FNN(4,5,1) and JNN(4,3,1), it is concluded that under approximately equal conditions, fewer hidden layer neurons are required in JNN than in FNN, confirming that JNN is parsimonious compared to FNN. Moreover, JNN has a better forecasting performance than FNN.     

一种面向IPv6的定制化路由备份机制

针对网络定制化能力和可靠路由问题，提出一种面向IPv6的定制化路由备份机制.该机制设计了路由定制化流程，使网络在满足多种应用差异化需求的基础上，考虑用户和网络服务提供商对网络的满意度最大化问题，并结合IPv6崭新的包头格式设计路由备份机制来增强网络的可靠性.仿真实验和性能分析表明，本机制通过二人博弈在选路由时均衡了用户和网络服务提供商的效用，使路由具备了定制化能力.在可靠性上，相比不存在定制的原IPv6路由，本机制在路由时间开销增加16.8%的基础上，预留了备份路径资源，使路由恢复响应时间缩短15%以上.     

矿山复杂巷道网络组件式三维建模方法

煤矿复杂巷道(曲线巷道、交汇巷道、变断面巷道)建模是巷道三维建模的难点.现有方法在基于导线测量数据重建复杂巷道网络、尤其是矿山常见的曲线交汇巷道仍存在不足.提出了一种巷道组件式三维建模方法.该方法针对煤矿巷道典型导线测量数据，通过巷道中心线建模、巷道双边线建模、巷道组件三维建模三个步骤，自动构建复杂巷道网络三维模型.实验结果表明，提出的方法鲁棒性好，建模时间随数据量增长呈线性稳定增长.建立的巷道网络三维模型可为智慧矿山建设中的空间、几何、力学等多种分析提供支持.     

基于曼哈顿距离构建非参数Q矩阵修正方法

将被试得分、理想反应距离和被试得分异常原理相结合,并加入属性计分下的被试得分特性,开发了用于多级评分情境下属性计分曼哈顿距离法(SA-MD),在不同条件下验证了SA-MD的稳定性和适宜性.通过模拟研究和实证研究表明:(i)从逻辑推导出SA-MD用于多级评分情境下Q矩阵修正更合理;(ii)在多种条件中,SA-MD 均有较优的修正效果,适用范围更广,稳定性更高;(iii)当小样本测验进行Q矩阵修正时,使用SA-MD方法可获得更优的效果.