基于深度神经网络的高环境 适应性水声通信系统研究

深度神经网络中的自动编码器(Autoencoder,AE)通过收发端两个神经网络模块进行全局优化,利用端到端的训练方式以提高通信系统的可靠性.然而,现有对AE的研究未针对信道进行特殊设计,尤其对于时变的水声信道的多径效应,难以进行灵活调整,降低了该方法的实用性.本文提出一种提高水声通信系统信道环境适应性的Attention-Autoencoder网络模型,基于Attention网络可以高效地从大量信息中筛选出关键信息的特点,设计了一种针对水声信道的Attention机制,该机制能够增加网络提取水声信道特征的能力,使系统的适应性大大提高.仿真验证和湖试实验结果表明,基于Attention-Autoencoder网络模型的通信系统与基于文献中AE模型和没有引入神经网络的水声通信系统相比,具有更高的信道环境适应性.     

一种基于区间值 Pythagorean 三角模糊语言集的多准则决策方法

为提升不确定环境下信息描述的准确性, 提出了区间值勾股三角模糊语言集(interval-valued pythagorean triangular fuzzy linguistic set, IVPTrFLS), 并研究了区间值勾股三角模糊语言变量(IVPTrFL variable, IVPTrFLV)相关的基本理论. 同时, 针对区间值勾股三角模糊语言环境的多准则决策问题, 提出了一种改进的基于区间的组合评价(combinative distance-based assessment, CODAS)方法, 即 IVPTrFL-CODAS 法. 首先, 定义了 IVPTrFLV 的概念、运算法则、Score 函数、Accuracy 函数及距离公式, 提出了区间值勾股三角模糊语言优先加权(IVPTrFL prioritized weighted arithmetic averaging, IVPTrFLPWAA)算子, 并对计算规则及算子性质给予证明; 然后, 通过求解属性权重的相对重要性系数, 建立了基于 IVPTrFLV 的改进 CODAS 方法; 最后, 通过实例对所提出方法的有效性及稳定性进行了验证.     

基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。     

目标电磁散射的面中心立方体网格FDTD方法

基于面中心立方体(face-centered cube, FCC)网格的空间结构, 由麦克斯韦方程出发, 推导了基于FCC网格的单轴各向异性介质完全匹配层(uniaxial anisotropic media perfectly matched layer, UPML)吸收边界条件以及近-远场外推边界条件的三维迭代式。通过典型算例, 先后验证了基于面中心立方体网格的时域有限差分(FCC-finite difference time domain, FCC-FDTD)方法的UPML吸收边界条件和近远场外推边界条件的正确性。最后通过计算金属球的后向雷达散射截面(radar cross section, RCS)比较了FCC-FDTD方法与传统FDTD方法的计算精度, 结果显示FCC-FDTD方法具有更高的计算精度。     

系统重要性股权质押上市公司的识别——股权质押违约的系统性风险贡献度视角

股权质押风险一旦爆发呈联动效应，影响范围将迅速波及多个市场，极有可能衍生出系统性风险，对整个金融市场和实体经济带来极大危害。本文围绕股权质押违约风险在股票市场和基金市场传染的核心问题，借鉴网络科学研究工具，从关联市场视角下探索股权质押风险跨市场传染的路径和规律。首先描述了股权质押二部图网络的构建方法，利用关联网络的阈值传染模型描述证券市场和基金市场之间股权质押违约风险传染动力学；进一步收集整理2017年底沪深两市A股市场未解压股权质押数据和基金产品持股数据构建了真实的网络；最后，采用蒙特卡洛模拟技术仿真股权质押风险的传染过程，验证清盘抛售概率、平仓价等参数对风险传染范围的影响，计算每一家股权质押上市公司作为风险传染源的系统性风险贡献度，辨识出系统重要性股权质押公司。     

创新型科技人才分类评价方法

 在创新型科技人才内涵和分类评价指标体系研究的基础上，利用模糊层次分析法和逼近理想解排序法（TOPSIS法），提出创新型科技人才分类评价方法，并以2019年北京市科技新星计划的生物医药领域申报者为研究对象进行实证分析，结果表明该方法的评价准确率达到80.95%，验证了该方法的可行性与有效性。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。