一类中立型Cohen-Grossberg神经网络的概周期解

研究一类具有混合时滞的中立型Cohen-Grossberg神经网络。通过建立线性辅助方程， 得到该神经网络存在唯一的概周期解的新结果，同时也给出此概周期解的存在范围。     

基于载荷均衡的韧性配电网分布式故障恢复

韧性电力系统旨在应对电力系统的极端事件,高效的故障恢复是提高配电网韧性的重要手段。为了提升配电网的韧性,提出了基于载荷均衡的分布式故障恢复方法。首先,相邻馈线终端单元根据故障恢复区负荷、相邻馈线容量及负载率,计算各相邻馈线完成故障恢复后的负载率期望值。然后,各相邻馈线终端单元均以该期望值为目标,分别完成各自的故障恢复路径。最后,根据各相邻馈线的故障恢复路径形成故障恢复区的故障恢复方案。算例分析结果表明,该方法在保证各馈线载荷均衡的前提下可以有效而快速地实现故障恢复。     

多重网络中的创意扩散模型研究

基于线上线下多种渠道的创意扩散研究是企业管理的新兴研究热点之一.为此,引入多重网络理论与传播动力学理论,考虑工作中线下沟通、工作中通过企业社交媒体在线沟通及非工作时间电子沟通三种渠道,构建多种渠道构成的多重网络中的创意扩散模型.研究创意在多重网络中持续扩散的阈值条件,并对创意在多重网络中的扩散过程进行仿真实验.结果表明:1)当员工在单位时间内通过以上各渠道沟通的平均次数较接近时,在多重网络中创意扩散的速度较快,创意扩散的范围较广;2)与匀质网络相比,当非工作时间电子沟通子网络是无标度网络时,在多重网络中创意扩散的速度较快,扩散的范围较广;3)增大子网络层间创意扩散的相互促进作用对整个多重网络中创意的有效扩散有积极影响.     

基于GAN的通信干扰波形生成技术

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

An ensemble of LSTM neural networks for high‐frequency stock market classification

We propose an ensemble of long–short‐term memory (LSTM) neural networks for intraday stock predictions, using a large variety of technical analysis indicators as network inputs. The proposed ensemble operates in an online way, weighting the individual models proportionally to their recent performance, which allows us to deal with possible nonstationarities in an innovative way. The performance of the models is measured by area under the curve of the receiver operating characteristic. We evaluate the predictive power of our model on several US large‐cap stocks and benchmark it against lasso and ridge logistic classifiers. The proposed model is found to perform better than the benchmark models or equally weighted ensembles.     

基于免疫粒子群优化的移动Sink路径规划算法

为了减少能量空洞和延长网络生命周期，在无线传感网中采用移动 Sink 的方式收集节点采集的数据是解决能 量效率问题的有效措施．采集路径的规划问题类似于旅行商问题，无法得到多项式时间的解．提出了将人工免疫算法和粒子群算法相结合，针对移动 sink 数据收集的路径规划问题寻求近似最优解，仿真结果表明: 与其他算法进行性能比较，所提出的优化算法能够有效减少能耗和缩短遍历路径．     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低，性能差等缺点，提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇，同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先，采用UKF处理传感器节点采集的数据，生成局部估计。然后，利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子，为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性，采用多速率分层融合估计的精度更高，效果更明显。     

基于复杂网络的国际石油贸易关系定量研究

针对如何更加准确地评价国际石油贸易关系问题，开展了将该贸易关系进行网络化和结构化的特征指标量化分析研究。研究中以复杂网络理论进行网络化建模，以结构平衡理论进行定量分析，采用了计算聚类系数、平衡度等关键指标进行年度基准对比。获得了国际石油贸易关系网络随着贸易者数量的增加尤其是进口国数量增加，网络的聚类系数变大，平衡度值增加，整个贸易网络平衡性变差，贸易关系变得更加紧张这一结论。本研究采用网络化和结构化的方式进行关系评价，是将石油贸易关系的研究从定性推进至定量的有益尝试。     

基于集成学习的复杂网络链路预测及其形成机制分析

为了预测节点与网络中其他现有节点之间的新连接或缺失连接，链路(边)预测近年来引发了越来越多的研究兴趣。最近已经提出各种具有不同特点的算法，以解决链路预测的问题，其中每种算法只考虑一种网络信息，从而产生片面的结果。提出基于集成学习的方法，将所有单一算法集成组合，综合考虑网络的各种信息来解决这一问题。在8个真实网络上进行了实验，利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征。结果表明，集成学习的关键性能指标——受试者工作特征曲线 (receiver operating characteristic curve， ROC)下面积(area under curve， AUC)比最佳单一算法提高2%至17%，最高达到0.9624。此外，根据度分布和随机森林得到的特征选择，分析了不同类型网络的结构与形成机制。在形成机制、网络类型和功能之间，获得了一些重要的见解:由某些确定的机制或假设导出的特征，确实是连接2个节点的内在驱动力，也正因为如此，这些特征可以用于链路预测。