一种适用于时序InSAR的同质像元加权干涉相位滤波方法

为了有效地利用多时相InSAR的时间维度信息, 并保证滤波窗口内像元的同质性, 提出一种同质像元加权干涉相位滤波方法。首先采用拟合优度检验, 对多时相SAR 图像的同质像元进行识别, 然后在同质像元之间进行加权干涉相位滤波, 以保证中心像元在滤波过程中不受周边非同质像元干扰。基于真实干涉SAR图像的实验结果表明, 与经典Goldstein滤波及Lee滤波相比, 该滤波方法在目视效果、相位残差点数量及相位导数标准差3个指标上具有优势, 实现滤波器的设计初衷。     

有向加权供应链网络演化模型

利用BBV加权网络的演化机制和BA模型的线性择优连接机制,新节点进入网络时的入边和出边服从二项分布,建立了子网络具有流量补偿的有向加权供应链网络模型。利用泊松过程理论分析了网络的出入强度分布,结果表明,有向加权供应链网络的稳态平均入强度分布和稳态平均出强度分布服从幂律指数在[1,3]之间的幂律分布。对有向加权供应链网络模型进行仿真研究,仿真结果与理论预测相一致,符合供应链网络的幂律特性。     

加权shift算子加上Volterra型算子在Hardy空间上的不变子空间及约化子空间

Cuckovic等刻画了shift算子加上Volterra算子在Hardy-Hilbert空间上的不变子空间。在他们以及Stessin等的关于约化子空间的研究基础上,文章研究了加权shift算子加上Volterra型算子在Hardy空间上的不变子空间及约化子空间,部分地推广了他们的结论。     

切换网络下加速分布式在线加权对偶平均算法

研究了切换网络下加速分布式在线加权对偶平均算法,提出了A-DOWDA算法。首先利用加权因子对对偶变量进行加权,其次在有向切换网络是周期强连通,且对应的邻接矩阵是随机的而非双随机的条件下,加速了算法的收敛速率,最后通过数值实验验证了算法的可行性。     

基于主题加权LDA模型的情感分类方法

针对LDA(Latent Dirichlet Allocation)主题模型生成的大量topic,很大部分topic内部词语相关度很低,可解释性差,对语言模型后的应用效果带来一定的影响.针对这一问题,该文提出了一种基于主题加权LDA模型的情感分类方法,该模型实现不同主题中内部相关的词语特征加权计算,能够消除不同主题内具有相关度词语的相互影响.实验结果表明,与传统LDA模型分类方法对比,该文提出的基于主题加权LDA模型的情感分类方法平均F1值提高了6.7%～8.1%,验证了该文提出的方法是有效的,提高了分类效果.     

基于TOA的无线传感器网络时间同步与定位联合算法

文中研究无线传感器网络中时间同步与节点位置坐标联合处理的问题,并且提出了一个可以联合精确估计未知传感器节点时钟偏差和未知坐标的算法,新提出的联合时间同步与定位算法采用加权最小二乘方法,相比于极大似然等迭代估计器,该方法具有更低的复杂度。理论分析表明在低信噪比情况下,算法精度可以达到克拉美罗下界(Cramér-Rao lower bound,CRLB)。计算机仿真实验结果也证明算法可以达到理论分析的精度要求。     

行ρ~-混合阵列加权和最大值的完全收敛性

先利用ρ-混合序列Rosenthal型最大值不等式,得到一个关于行ρ-混合阵列加权和最大值的完全收敛性定理,再利用此定理证明ρ-混合序列加权和最大值的MarcinkiewiczZygmund型强大数定律.     

Herz型Hardy空间上粗糙核分数次积分及其交换子的加权估计

研究了粗糙核分数次积分及交换子在Herz型Hardy空间上的加权估计。当Ω∈Ls(Sn-1)(1s∞)时,利用原子分解证明了粗糙核分数次积分TΩ,l以及由它和BMO函数生成的交换子[b,TΩ,l]是从加权Herz型Hardy空间到(弱)加权Herz空间上有界的。同时,对粗糙核分数次极大算子也得到了相应的结果。     

基于GIS的宝鸡市洪涝灾害风险加权综合评价

选取宝鸡市为研究区,应用GIS技术,以该区域的地形、植被、降水量、人口和GDP数据为基础,采用熵权法、加权综合评价法等方法,定量化分析得到不同等级宝鸡市洪涝灾害风险区域.研究结果表明:宝鸡市洪涝灾害风险在渭河以北,较为严重,在渭河以南,较为轻微.即宝鸡城区、千阳县和陇县南部的少部分区域较为严重,凤县和太白县的大部分区域较为轻微.其中低危险区分布面积最广,中低危险区次之,高危险区和中高危险区分布面积小,且主要集中在人口多和GDP总量高的区域,即城区和经济活跃的地区.     

基于改进LDA的社会化标签主题识别方法

针对社会化标签中资源之间存在独立同分布特性,并且其对应的标签资源作为资源内容的特殊语义内容,提出一种联合特征词加权-LDA(Joint Feature Word Weighting-LDA)在资源内容和标签下联合主题识别方法,从而解决资源存在的独立同分布特性以及特征词采样等问题.首先建立评论及对应标签资源在信息熵相似度条件下的潜在关系,对该潜在关系使用随机游走方法获取各组资源和各组标签的权值系数,消除资源间的独立同分布.通过加权方法加权至每个资源的特征词,形成资源特征词和标签特征词的权重值系数.在此基础上构建联合特征词加权-LDA模型,通过迭代学习方法获取社会化标签资源的隐含主题知识.通过实验表明,提出的联合特征词加权-LDA相对于其他主题模型具有更好的主题识别效果.