Gevrey势能的离散拟周期 Schrodinger算子的非扰动Anderson局域化

考虑一类具有Gevrey势能的离散拟周期Schrodinger算子, 其中其势能可写成一维环面上的大值解析函数加上Gevrey小扰动. 用大偏差定理和半代数理论证明在大系数下, 对任意的固定相位以及对几乎所有的频率, 该算子满足非扰动的Anderson局域化.     

基于正弦注意力表征网络的环境声音识别

将正弦注意力表征网络引入环境声音识别，首先提取梅尔频率倒谱系数（Melfrequency cepstral coefficient，MFCC）作为音频识别特征，使用门控循环单元提取MFCC每一帧的特征，根据正弦函数激活每一帧音频得分，并依照每一帧的音频得分为音频重新分配权重，从而将注意力集中在音频重点区域。最后结合全连接层和Softmax分类器对环境声音类别进行判别。实验在公开数据集Urban Sound 8K上验证并与其他模型对比，结果表明所提出模型效果最好，在数据集上的识别率高达93.5%。     

基于改进烟花算法的以太网通信链路调度方法

针对工业以太网通信链路调度延时大及效率较低的问题, 提出一种基于改进烟花算法的实时周期消息任务调度(CVFWA)方法. 以降低网络传输时延为目标, 首先, 将传统烟花算法的连续解空间映射到实时周期序列调度问题的离散解空间； 其次, 为增加种群的多样性, 在高斯变异过程中引入变异系数； 最后, 采用基于中位数锦标赛的选择策略代替欧氏距离选择策略. 仿真结果表明, 该方法能使实时周期消息序列在最短时间内完成队列调度, 有效降低了网络时延, 提高了全局搜索效率.     

基于梅尔频率倒谱系数和支持向量机的汽车鸣喇叭声识别

使用违法鸣笛辅助执法设备监测城市交通中汽车鸣喇叭事件的发生,可以有效地治理扰民的喇叭噪声,汽车鸣喇叭声的识别方法是其关键.为了准确高效地在交通噪声里识别出汽车鸣喇叭声,采用支持向量机(support vector machine,SVM)作为喇叭声和交通噪声的二分类器,针对汽车喇叭声的谐波特征分布特点,提取其梅尔频率倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为特征向量,并分析MFCC的梅尔滤波器个数及特征维数对识别效果的影响.实验结果表明,通过增加MFCC特征中梅尔滤波器个数及特征维数可以改善识别效果,信噪比越低越明显.     

球形压头的滑动速度对材料微米划痕响应的影响

在恒定的法向载荷下,使用Rockwell C 120°金刚石压头对聚碳酸酯(PC)、熔融石英、紫铜和镁合金AZ31进行微米划痕测试,研究滑动速度对试样划痕响应的影响.压入深度小于压头的球锥转变深度,确保仅有压头顶端的圆球部分与试样接触.结果表明:随着滑动速度的增加,压入深度、残余深度和划痕沟槽的宽度均非线性减小,划痕硬度和弹性恢复率均非线性增大;PC和紫铜的划痕摩擦系数先增大后减小,PC的黏弹性行为对其摩擦响应有显著影响;熔融石英的划痕摩擦系数先增大后减小,最后趋于稳定;镁合金AZ31的划痕摩擦系数先减小后增大.熔融石英、紫铜和镁合金AZ31的划痕摩擦系数的变化趋势可通过几何接触模型进行解释.     

数控机床故障分析与可靠性评价技术的研究

针对传统数控机床可靠性建模时只考虑故障间隔时间而忽略故障性质的现象，提出兼顾机械故障和电气故障的混合威布尔分布模型，进而提高模型准确度.利用最大似然法来确定混合威布尔分布模型参数，用皮尔逊相关系数来确定数控机床各故障时间之间的关系.并通过K-S方法对模型进行检验， 最后确定其符合混合威布尔分布，并运用可靠性评定方法得出数控机床的平均无故障时间.     

排水性聚氨酯稳定再生集料最佳胶石比与组份比

为了解决废旧路面材料再生利用问题,满足排水路面结构需要,制备了一种新型的排水性聚氨酯稳定再生碎石材料(简称PPSRA)。通过肯塔堡飞散试验、析漏试验、马歇尔试验与透水性试验,对PPSRA的胶石比范围,PPSRA的稳定度随胶石比、胶水组份比和孔隙率的变化规律以及透水性随孔隙率的变化规律进行研究。试验结果表明：PPSRA的胶石比范围为3%-5%,最佳胶石比为4%,最佳组份比为1:2.5,PPSRA的稳定度随着混合料孔隙率的增加而降低,渗透系数与孔隙率成线性正相关。     

The futility of decision making research

We have each spent more than 50 years doing research that has had little impact. Even more lamentable is that our field, judgment and decision making (JDM), has on the whole had little impact during that span. We attribute that failure to the use of methodologies that emphasize testing models rather than looking for differences in behavior. The “cognitive revolution” led the field astray, toward the goal of studying model fit rather than comparing observable results. With modeling as the goal, experimentation was stultified. Simple tasks became dominant. Although a poor metaphor for real decision making, the gambling paradigm has lasted forever because the inputs to the decision are known to the researcher and thus easily modeled.     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题，提出一种基于经验模态分解(empirical mode decomposition, EMD)能量占比的海面漂浮小目标特征检测方法。首先，采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function, IMF)分量，实现对接收回波的频率从高频到低频的分解。然后，分别建立IMF分量与接收回波数据的相关系数，并利用平均均值-标准差之比作为筛选IMF分量的准则，自动筛选出能量较大且波动平稳的低阶IMF分量。最后，提取IMF分量在原始信号中的平均能量占比作为特征，利用蒙特卡罗方法设置门限，进行海面目标异常检测。实测数据的结果显示，所提算法的性能优于对比算法。     

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.