基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

自适应的无线融断网络路由算法研究

无线融断网络具有长延时、高动态拓扑、链路不稳定等特点,伴随着网络联接缺乏源端到目的端的持续性,为解决网络通信困难的问题,将多头绒泡菌的智能性和自适应性引入,提出一种自适应的无线融断网络路由算法。搭建无线融断网络模型,推导出链路容量的数学表达;设计下一跳节点的选择策略和最佳路由选择策略,实现在融断网络环境下的数据尽力投递。仿真实验表明,该算法能够在网络开销率较低的情况下,达到良好的数据投递,且平均延迟小。     

基于特征生成的轴承不均衡数据故障诊断

针对实际生产中难以获得足量的故障样本数据导致训练中样本不均衡、样本不足等问题,提出了一种基于特征聚类的过采样算法,并将其与卷积神经网络相结合的滚动轴承故障诊断模型。该模型将频域信号作为模型的输入,通过卷积神经网络进行特征提取,再通过过采样技术生成新的特征数据实现数据的均衡化,将新生成的特征数据和原有特征一同输入到支持向量机(Support Vector Machine,SVM)分类器中完成样本的分类,实现滚动轴承的故障诊断。通过对比实验,结果表明该方法可以有效解决数据不均衡的问题。     

市场机制和政府调控下的产学研合作创新网络演化博弈仿真——以新能源汽车产业为例

以新能源汽车产学研合作创新网络为实证分析对象，运用网络演化博弈理论和仿真分析方法，剖析在市场机制和政府调控下，产学研合作创新网络中创新主体合作行为与网络结构在互动过程下的演化规律。研究结果表明：市场机制和政府调控对于创新主体维护合作行为和网络集聚都具有促进作用；创新主体合作行为与网络结构之间具有协同互动关系，并且市场机制和政府调控的作用越大，两者间协同互动作用越明显。在市场机制下，市场机制作用的增强会降低网络演化的速度；只有当市场机制作用超过一定阈值时，维护合作行为才会在创新主体间涌现出来。在政府调控下，创新主体对于政府调控较为敏感；当政府调控力度处于阈值水平时，不利于创新主体间合作关系的维持。     

考虑企业风险感知的R&D网络风险传播建模与仿真

考虑企业风险感知的基础上，借鉴传染病模型(SIS)思想，将企业状态分为未发生风险有感知、未发生风险无感知和发生风险有感知3种。在此基础上构建了R&D网络风险传播的模型，并进行了数理解析与仿真分析。结果表明：R&D网络风险传播存在稳定状态下的解，即风险传播阈值，该阈值是由企业的风险感知、风险恢复率以及企业间的合作紧密程度决定；考虑风险感知的R&D网络比未考虑风险感知的研发网络具有更高的鲁棒性；随着企业风险恢复概率的不断增大，风险在R&D网络的传播范围越小；企业的风险感知对风险传播速度与传播范围均具有负向影响。该研究成果对于提高R&D网络的抗风险能力具有重要意义。     

参照价格效应下的绿色供应链协调机制

在考虑消费者的参照价格效应下，研究绿色供应链的协调机制问题。构建了基于参照价格的分散决策模型、集中决策模型、成本分担契约和收益共享契约，给出了各优化模型下的最优均衡策略，并对其进行了比较分析。研究结果表明：成本分担契约和收益共享契约可以提高供应链系统的利润，却不能达到一体化下的最优利润；收益共享契约优于成本分担契约；随着参照价格效应的增加，产品绿色度、批发价格和零售价格减小，制造商和零售商的利润增加；考虑消费者的参照价格效应可以提高制造商和零售商的利润。     

创新生态战略与创新效率关系：基于创新生态网络视角

基于创新生态系统理论，通过引入创新生态环境和创新生态位，构建一个有调节的中介效应模型，并基于长三角制造业企业调研数据，采用Bootstrap方法进行检验，探究创新生态战略通过创新生态网络对企业创新效率的作用机理。研究结果表明：创新生态战略对企业创新效率具有正向影响；创新生态网络在创新生态战略与企业创新效率关系中发挥中介作用；并且创新生态环境和创新生态位调节该中介效应。研究结果从创新生态网络视角构建了创新生态战略向企业创新效率转化的中间机制，丰富了创新生态系统理论研究。     

Identifying US business cycle regimes using dynamic factors and neural network models

We use dynamic factors and neural network models to identify current and past states (instead of future) of the US business cycle. In the first step, we reduce noise in data by using a moving average filter. Dynamic factors are then extracted from a large-scale data set consisted of more than 100 variables. In the last step, these dynamic factors are fed into the neural network model for predicting business cycle regimes. We show that our proposed method follows US business cycle regimes quite accurately in-sample and out-of-sample without taking account of the historical data availability. Our results also indicate that noise reduction is an important step for business cycle prediction. Furthermore, using pseudo real time and vintage data, we show that our neural network model identifies turning points quite accurately and very quickly in real time.     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

基于收益率的股票相关性计量分析

针对股票间相关性，通过相关分析、系统聚类分析、网络构建等多种方法，以收益率为对象，建立股票间相关性度量指标模型，运用软件 Excel、Matlab 得出股票相关系数矩阵，并设置合适的阈值，利用软件Netdraw 构建出基于最佳阈值和相关系数所对应的股票网络。然后从所建网络出发，对中国股票市场中的板块进行聚类分析，最终建立起一个以收益率为指标来研究股票相关性的模型，为研究股票相关性提供了一个相对比较完善的方案。