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。     

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.     

连续刚构铁路桥收缩徐变效应监测与分析

对连续刚构铁路桥箱梁温度场及桥梁线形进行长期、连续监测,通过主梁跨中下挠的理论与实测对比揭示了连续刚构铁路桥收缩徐变效应。对比了国内外常用收缩徐变估算模型,选择CEB-FIP徐变模型对黄河特大连续刚构桥进行了有限元分析。采用实测温度数据,以箱梁内测温度、外侧温度、顶底板温度梯度、左右侧温度梯度作为箱梁温度场的评判指标,对箱梁1年内的四季温度场分布进行分析。在基于相同温度场的条件下,通过理论值与实测值对比,发现分析成果与实测结果较吻合,说明混凝土的收缩徐变是引起连续刚构铁路桥跨中下挠的主要原因,对比结果还说明通过改善箱梁顶底板应力差能够改善收缩徐变长期效应。     

热连轧精轧宽度控制技术的研究及应用

在热轧带钢其他尺寸精度普遍较高的情况下,宽度控制精度的提升变得越来越重要。提出了一种新的精轧带钢宽度控制综合解决方案:针对带钢头部宽度控制,开发精轧机架冲击速降自学习模型,以减少带钢头部拉窄现象;通过合理配置精轧活套张力稳定因子,减少带钢中部宽度波动现象;通过精轧宽度反馈控制和宽展预测模型修正功能,提高带钢全长宽度精度。相关研究成果已成功应用于宝钢集团某热轧产线三电自主集成改造项目中,改造后带钢宽度控制精度得到显著提高。     

基于正交试验和回归分析的羽绒服装样板缩率研究

为揭示影响羽绒服装缩率各影响因素的重要程度及其和缩率之间的定量关系,采用正交试验方法,选择羽绒填充量、绗线间距、含绒量为因素,结合极差分析法探讨各因素对缩率的重要程度,并建立缩率与各影响因素的多元线性回归方程.结果表明,影响羽绒服装样板缩率各因素的主次顺序为:羽绒填充量绗线间距含绒量;对回归方程的显著性和系数显著性探讨表明,回归方程对垂直绗线方向缩率具有显著性影响;回归方程的建立能够有效提高羽绒服装样板制作的准确性,为其他填充类服装制板提供理论参考.     

基于迭代收缩算法的稀疏人脸识别

为了获得更加理想的人脸识别效果,提出一种基于迭代收缩算法的稀疏人脸识别方法.首先在研究现有的迭代软阈值算法的基础上,将迭代广义迭代收缩算法用于解决lp-数非凸稀疏模型求解问题,然后将该算法用于人脸识别,最后采用仿真实验测试算法的性能.实验结果表明,该算法的精确度明显优于其他算法.     

纯棉机织黏合衬的防缩整理

研究了纯棉机织衬布的超低甲醛树脂防缩整理．探讨了树脂用量、催化剂用量、甲醛捕捉剂用量、焙烘时间及温度等因素对整理效果的影响．结果表明超低甲醛树脂整理的最优工艺为：树脂70g／L,催化剂氯化镁7g/L,乙烯脲1g／L。80℃预烘4rain,160℃焙烘120s．整理后衬布的甲醛含量为18．9mg／kg,白度为88．31,撕破强力保留率为88.3％．经向水洗尺寸变化率为-0．40％,纬向水洗尺寸变化率为-0．40％．     

部分线性回归模型中改进的差分估计及SCAD

考虑了部分线性回归模型中回归参数向量估计的问题,提出了具有更好性质的压缩差分估计,并且将SCAD惩罚函数运用到模型中得到SCAD估计,然后通过Monte Carlo模拟了压缩差分估计和SCAD估计的相关结果,并对它们之间的优劣进行了比较.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

基于曲波变换的地震数据压缩感知重构算法

为提高地震数据压缩感知重构的信噪比和保真度, 提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型, 分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性, 结合分块压缩感知技术降低随机观测的计算复杂度, 利用曲波变换稀疏表示高频区域各尺度之间的相关性, 设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明, 在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1. 5 dB 以上, 并且具有良好的细节信息保持能力。