固定消费模式下的最优投资决策

在均值-方差框架下研究了一个带有固定消费模式的最优投资组合问题．把现金流分成两部分来考虑：一部分保证消费的正常进行,一部分用于投资．假设投资者的消费是时间的连续函数或者分段连续函数,应用线性二次随机控制的方法得到了这两种情形下的最优投资决策和有效前沿．最后,分析了消费对投资决策及有效前沿的影响。     

二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

电厂锅炉常用钢材热态飞灰磨损性能的试验研究

在电厂锅炉受热过程中通常出现的漏泄的主要原因冲蚀磨损,而在电厂锅炉事故发生中基本都是冲蚀磨损所导致.所以针对此问题该电厂进行了深入的研究和分析,本文主要探讨的是电厂锅炉常用钢材热态飞灰磨损性能的试验研究.     

基于SimMechanics的直线二级倒立摆仿真研究

倒立摆是一个非线性、高阶次和绝对不稳定系统,广泛用于测试各种控制算法。为了对直线二级倒立摆进行建模、控制和仿真,首先讨论了倒立摆数学模型并利用MATLAB中第二代SimMechanics工具箱进行三维建模。此外,实现了两种控制算法的稳定性控制并进行对比,针对比例积分微分(proportional integral derivative,PID)控制,提出采用主导极点配置方法进行参数整定,而模糊控制采用了基于线性二次型(linear quadratic regulator, LQR)融合的模糊控制器设计。结果表明,两种控制方法均取得较好的控制效果,且模糊控制在快速性、超调量及抗干扰能力上都比PID控制性能优越。     

基于主成分分析和极端学习机的测谎方法研究

为了克服当前基于P300的测谎方法训练时间长、个体识别准确率不够高的缺点,提出了将主成分分析(Principal component analysis, PCA)和极端学习机(Extreme Learning Machine,ELM) 相结合的PCA_ELM测谎方法.该方法使用典型的三刺激测谎范式,记录30名随机划分的撒谎和无辜者在Pz电极上的脑电(EEG)信号, 选择探针刺激响应并对每名受试者的每5个响应波形进行平均,然后对两类信号提取小波特征.PCA被用于对原始特征空间进行特征选择.降维后的特征样本被送到ELM分类器,该分类器学习速度快,泛化能力强,但是对于其隐层节点数的指定一直未有有效的解决方法.我们通过对特征子空间的维数和ELM的隐层节点数进行二维的网格搜索算法,基于交叉验证的方法,对两个参数进行同步优化选择,训练得到最佳参数下的分类模型.实验结果表明,提出的PCA_ELM方法不仅在训测谎准确率上高于当前的广泛使用的分类模型,而且训练时间大大缩短,尤其适合于在线的测谎系统.     

无限长序列的周期与广度的关系

码字广度的研究对于刻画码字的复杂性以及码字的分类具有重要意义.定义了有限域GF(pm)和环Zpm上(p是大于2的素数,m≥1)上无限长序列的广度,证明了如果序列x=(x0,x1,…)的广度有限width(x)=w0,则x的最小周期为2p「logpw」;反之,当x的最小周期为2pi+1时,若广度w有限,则w满足piw≤pi+1(从而pi+1=p「logpw」).     

我国现代多功能农业价值的文献综述

现代多功能农业由于价值重大而被认为是未来农业的发展趋势。目前我国学者主要围绕现代多功能农业价值的内涵与意义、多种功能的价值表现、对发达国家经验的借鉴、现代多功能农业价值评价与度量进行了论述。从我国研究文献发现定性研究较多,而对农业多功能单个因素的价值度量缺乏深度,而多种功能价值的联合估算理论与方法更有待深入。     

医科院校产学研合作的探索与实践

作为全国重点医科院校,南方医科大学一直秉承＂以服务为宗旨,在贡献中发展＂的理念,针对生物医药行业特点,不断探索产学研合作新模式,发挥学校医学特色学科优势,推动行业核心技术创新,为加快生物医药产业的优化升级、服务地方经济发展做出了应有的贡献。     

基于不完备检测的并联系统维修决策研究

为了提高系统的可靠度,并联技术在重要系统上被广泛地采用.针对并联系统中的两冗余部件在物理性能、工作环境等方面的相似性以及检测时存在不完备的特点,提出了不完备交叉检测策略.为此研究了并联系统在此策略下的不同更新情况和相应的更新概率,以检测间隔和检测次数为优化变量、可靠度为约束、期望维修费用率为目标函数,建立了并联系统的优化维修模型.最后,通过实例验证了模型的有效性和经济性.     

Bit-Depth Scalable Coding Using a Perfect Picture and Adaptive Neighboring Filter

Bit-depth scalability is a new research field in the on-going scalable extension of the H.264/AVC (SVC) video coding standard. The key point is to accurately predict the enhancement layer, whose bit depth is 10 or more, from the 8 bit base layer. An improved inter-layer prediction scheme for bit-depth scalability was developed that ensures compatibility with the standard and improves the encoding efficiency. The scheme uses a “perfect” 8 bit picture with an adaptive neighbor filter whose coefficients are optimized by minimizing the block distortion between the 8 bit reconstructed picture and the “perfect” picture to achieve a more precise 10 bit prediction based on the filtered picture. Double arithmetic precision is used to further improve the encoding efficiency. Experimental results show that the scheme outperforms the recent joint video team (JVT) proposal in the joint scalable video model (JSVM).