基于卷积神经网络和稀疏滤波的调制识别方法

针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。     

基于多水平发展模型的云南省县域经济增长研究

多水平模型是基于层次结构数据形成的一种统计模型,不仅能深入挖掘不同层次变量对县域经济增长的影响,而且能对县域经济增长的差异性进行分析;基于时间—区县—州市构建了3水平发展模型,分别从居民生活水平、工业发展程度、农业发展程度、交通发达程度、投资程度等视角对云南省县域经济增长差异的影响因素进行研究;经济总量由初始水平和经济增速决定,结果表明初始水平受州市层面上人均蔬菜产量和人均固定资产投资等影响较显著,增长速度受州市公路密集度影响较显著。     

合作创新的领导权博弈与利益协调研究

研究了合作创新的权力结构对知识创造及创新绩效的作用机理.考虑上下游企业合作创新的知识共享、创造及利益分配过程,界定权力均衡(LS)、上游企业领导(UL)、下游企业领导(DL)等领导权博弈模型并进行创新效率分析.研究发现:权力结构影响合作创新效率,LS模式下企业的知识产出与供应链利润优于UL、DL模式;企业的知识溢出既可提高合作伙伴的知识产出与创新利润,也存在知识外溢损失风险,UL、DL模式下领导者(跟随者)知识溢出与其创新利润正(负)相关,LS模式下企业的知识溢出与其创新利润呈"倒U型"关系;创新贡献率是引起合作利益冲突的主要原因,使用Nash协商模型检验了通过协商机制解决利益协调问题的有效性,比较发现LS模式的利益协调效果优于UL、DL模式.最后,讨论了研究的管理启示.     

2006—2016年三峡水库出入库水质变化及影响因素分析

使用2006—2016年宜昌断面及朱沱断面水质数据与影响因素数据,计算水质变化幅度,基于VAR模型的脉冲响应函数和方差分解,得到各影响因素对三峡水库出入库断面水质变化幅度的影响时长及贡献率大小.研究表明:长江从朱沱断面到宜昌断面水质变化幅度2006年为0. 07,到2016年下降到-0. 24,在年度上呈好转趋势.水质综合指数对工业污染源废水排放量的响应最大,持续时间最长;对农药施用折纯量和化肥施用折纯量的响应非常小,持续时间最短,但受其间接影响的持续时间非常长.主要驱动因素在研究时间内的贡献率由大到小依次为:工业污染源废水排放量贡献率为38. 10%、城镇生活污水排放量贡献率为33. 78%、船舶油污水贡献率为24. 17%、化肥施用折纯量贡献率为2. 61%、农药施用折纯量贡献率为1. 33%.不同污染物指数变化的影响因素不同,溶解氧的主要影响因素为船舶油污水产生量,高锰酸盐的主要影响因素为工业废水排放量,氨氮的主要影响因素为城镇生活污水排放量.     

基于相参积累的捷变频雷达系统相位误差估计与稀疏场景重构算法

针对系统相位误差导致的捷变频雷达目标回波信号相参积累性能下降问题, 构建了系统相位误差下捷变频雷达目标回波信号相参积累模型, 并基于目标的距离-速度二维稀疏性建立了最小ℓ₁范数优化模型, 提出一种基于交替方向乘子法的系统相位误差估计与目标场景稀疏重构联合处理算法, 实现了系统相位误差和目标参数的精确估计。仿真结果表明, 在信噪比为20 dB的情况下, 该方法能够精确估计系统相位误差, 其估计误差在2°以内。同时，相比于逆合成孔径雷达相位自聚焦算法, 所提算法重构性能和计算效率均得到改善, 目标重构幅度均方差提高了10 dB, 运算时间减少到1/2。     

基于改进OMP算法的稀疏目标微波关联成像方法

利用稀疏重构类方法进行雷达微波关联成像时, 传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法在每一次迭代过程中均需要求解目标函数的最小二乘解, 导致成像算法计算复杂度随矩阵规模和迭代次数增加而急剧攀升。针对此问题, 结合频率捷变思想, 提出了一种改进OMP算法的稀疏目标微波关联成像方法。首先, 阐明了微波关联成像机理, 并构建了微波关联成像信号模型; 然后, 利用共轭梯度法对OMP算法中的最小二乘求解步骤进行了改进, 并分析了改进后算法的计算量; 最后, 通过与最小二乘成像方法、匹配滤波成像方法和基于传统OMP稀疏重构的成像方法进行计算机对比仿真实验, 证明了本文算法的正确性与优越性。     

基于多模态融合技术的用户画像方法

针对当前用户画像工作中各模态信息不能被充分利用的问题, 提出一种跨模态学习思想, 设计一种基于多模态融合的用户画像模型。首先利用 Stacking集成方法, 融合多种跨模态学习联合表示网络, 对相应的模型组合进行学习, 然后引入注意力机制, 使得模型能够学习不同模态的表示对预测结果的贡献差异性。改进后的模型具有精心设计的网络结构和目标函数, 能够生成一个由特征级融合和决策级融合组成的联合特征表示, 从而可以合并不同模态的相关特征。在真实数据集上的实验结果表明, 所提模型优于当前最好的基线方法。     

基于mRMR与因子分解机的分类模型研究

很多学者用“全球恐怖主义研究数据库”GTD数据集，采用博弈论、K近邻法和支持向量机等分析恐怖事件的聚集性，已经取得一些成果.但在前期研究中未有很好考虑数据的稀疏性以及高维度多冗余等会导致聚集分类准确率不高的问题.本文提出一种基于最小冗余最大相关与因子分解机结合的TFM分类模型，使用增量搜索方法寻找近似最优的特征解决高维度多冗余问题和FM方法解决数据稀疏问题，并对预处理后的恐怖袭击事件数据用TFM模型做量化分类.文中使用朴素贝叶斯NB、支持向量机SVM、逻辑回归LR与TFM等4个模型的“马修斯相关系数”MCC进行比较，结果显示TFM的MCC相对于其他三个模型NB、SVM、LR分别提高了49.9%,2.5%,2.3%，可见TFM模型有一定可行性.     

Multi-model ensembles in climate science: Mathematical structures and expert judgements

Projections of future climate change cannot rely on a single model. It has become common to rely on multiple simulations generated by Multi-Model Ensembles (MMEs), especially to quantify the uncertainty about what would constitute an adequate model structure. But, as Parker points out (2018), one of the remaining philosophically interesting questions is: “How can ensemble studies be designed so that they probe uncertainty in desired ways?” This paper offers two interpretations of what General Circulation Models (GCMs) are and how MMEs made of GCMs should be designed. In the first interpretation, models are combinations of modules and parameterisations; an MME is obtained by “plugging and playing” with interchangeable modules and parameterisations. In the second interpretation, models are aggregations of expert judgements that result from a history of epistemic decisions made by scientists about the choice of representations; an MME is a sampling of expert judgements from modelling teams. We argue that, while the two interpretations involve distinct domains from philosophy of science and social epistemology, they both could be used in a complementary manner in order to explore ways of designing better MMEs.     

Forecasting and nowcasting emerging market GDP growth rates: The role of latent global economic policy uncertainty and macroeconomic data surprise factors

In this paper, we assess the predictive content of latent economic policy uncertainty and data surprise factors for forecasting and nowcasting gross domestic product (GDP) using factor-type econometric models. Our analysis focuses on five emerging market economies: Brazil, Indonesia, Mexico, South Africa, and Turkey; and we carry out a forecasting horse race in which predictions from various different models are compared. These models may (or may not) contain latent uncertainty and surprise factors constructed using both local and global economic datasets. The set of models that we examine in our experiments includes both simple benchmark linear econometric models as well as dynamic factor models that are estimated using a variety of frequentist and Bayesian data shrinkage methods based on the least absolute shrinkage operator (LASSO). We find that the inclusion of our new uncertainty and surprise factors leads to superior predictions of GDP growth, particularly when these latent factors are constructed using Bayesian variants of the LASSO. Overall, our findings point to the importance of spillover effects from global uncertainty and data surprises, when predicting GDP growth in emerging market economies.