Forecasting in long horizons using smoothed direct forecast

This paper constructs a forecast method that obtains long‐horizon forecasts with improved performance through modification of the direct forecast approach. Direct forecasts are more robust to model misspecification compared to iterated forecasts, which makes them preferable in long horizons. However, direct forecast estimates tend to have jagged shapes across horizons. Our forecast method aims to “smooth out” erratic estimates across horizons while maintaining the robust aspect of direct forecasts through ridge regression, which is a restricted regression on the first differences of regression coefficients. The forecasts are compared to the conventional iterated and direct forecasts in two empirical applications: real oil prices and US macroeconomic series. In both applications, our method shows improvement over direct forecasts.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于曼哈顿距离构建非参数Q矩阵修正方法

将被试得分、理想反应距离和被试得分异常原理相结合,并加入属性计分下的被试得分特性,开发了用于多级评分情境下属性计分曼哈顿距离法(SA-MD),在不同条件下验证了SA-MD的稳定性和适宜性.通过模拟研究和实证研究表明:(i)从逻辑推导出SA-MD用于多级评分情境下Q矩阵修正更合理;(ii)在多种条件中,SA-MD 均有较优的修正效果,适用范围更广,稳定性更高;(iii)当小样本测验进行Q矩阵修正时,使用SA-MD方法可获得更优的效果.     

应用性追求:中国高等教育人才培养的 长时段历史考察

中国应用型人才培养的实践并非新近的事情。从长时段历史考察,中国共产党与中华人民共和国对于应用型人才的培养探索甚至渊源于150年前的近代转型传统。与主张“君子不器”的传统高等教育不同,近现代意义上的制度化高等教育自引入中国之日起,就一直肩负着国家层面赋予的应用型人才培养任务,甚至并未因社会制度变革而中断。晚清时期,朝廷与精英基于“师夷长技以制夷”兴办了一批具有专科性质的学堂;南京国民政府基于毕业生失业严重以及“高等教育破产”的争议,着眼于调整高等教育结构;中华人民共和国成立初期,基于“专门人才”急需而实施院系调整与专业细分;改革开放以来,基于就业制度市场化变革与高等教育分类发展需要而作出院校转型的决策部署。这些政策及措施意味着高等教育承载着国家(政府)的意志和期待、民族(社会)的渴望和要求。在中国高等教育后续发展中,应注意高等教育的理想类型与现实复杂性之间的问题,努力在创新知识生产模式中推动应用型高等教育的内涵式发展。     

新不确定度量下的冲突证据融合

针对证据高度冲突的情况下,DS证据理论在实际应用中出现错误融合结果的问题,提出基于不确定度的冲突解决方法.首先分析现有的不确定度量方法的不足,研究基本概率赋值本身所包含的信息,提出一种新的对证据不确定性度量的方法;依据新的不确定度量,结合证据距离生成权重来修正待组合证据体,再利用Dempster规则完成证据组合,可有效解决证据高度冲突情况下的信息融合问题,最后通过算例验证了该方法的有效性.     

非线性中立型时滞微分方程解的零点距估计

泛函微分方程振动解的零点分布作为方程振动理论的一个重要分支,使方程振动解的研究更加定量化,但目前对非线性及多个变时滞微分方程振动解零点距估计的研究成果还很少.本文通过非线性问题线性化处理,多个变时滞取上下界的方法,对一类一阶非线性多个变时滞中立型微分方程振动解的零点距进行了估计,获得了方程所有解都振动的充分条件,改进和推广了已有的一些的结果.     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

通勤交通方式链适应性评价与优化导向

从通勤者视角,将通勤距离分为长、中、短3组,采用统一的出行时耗可接受度评价标准,从门到门行程速度、广义成本、可靠性、满意度和选择比例分别分析不同通勤距离分组下各方式链的行程速度、可靠性、广义成本与满意度相关性,基于相关性分析结果建立适应性好的方式链判断标准.根据这一判断原则,挑选出通勤距离分组下适应性好的方式链类型,以适应性好的方式链所具有的特征指标为参照对象、公共交通优先发展为约束条件,提出通勤距离长、中、短分组中各交通方式链优化导向,为通勤交通服务质量的改善提供决策参考.     

热轧非稳态过程轧制力自学习模型优化

为提高热连轧非稳态过程轧制力的预测精度,提出了一种轧制力自学习模型优化方法. 将模型自学习系数分解为层别学习系数和轧制状态学习系数,表征机架间轧制力预报偏差的遗传特性及实际轧辊状态对模型预报的影响.在系数更新过程中,根据层别距离分别对学习系数进行更新,减小了轧制规格切换时轧制力的预报误差.所提方法已成功应用于某热连轧过程,与原模型相比,优化后的自学习方法的预测偏差从2.8%降低到1.4%,均方差从3.3%降低到1.7%,有效提高了非稳态过程轧制力的预测精度和鲁棒性.