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。     

中国风险投资网络结构特性及其演化

根据1999~2018年中国风险投资事件，构建了5年移动时间窗的联合风险投资网络，从复杂网络角度研究中国风险投资网络结构、特性及其动态演化规律。研究发现：在网络关系属性方面，中国风险投资网络规模在不断增大，机构之间网络能力差异性大，不利于网络的均衡发展；在网络结构层次方面，中国风险投资网络存在局部紧密性，并且，随着规模增大，网络中的最大连通成分占比也相应地增大，且机构多分布在凝聚性低的低 值核区域中，高凝聚区域少，不利于高紧密风险投资网络的构建；在网络特性方面，从两步内可达性看，机构之间进行直接联合投资活动占比小，机构之间多通过具有中介作用的风险投资机构来进行联合投资活动；从全局效率看，中国风险投资网络中机构之间传递信息的能力并没有随着网络规模的增大而减小，相反地保持在一个相对稳定的水平；在面对随机冲击时，网络规模越大，鲁棒性和有效性越强；在面对蓄意冲击时，鲁棒性在减弱，同时存在网络功能失效的危机。本文是对现有文献的补充，同时也给优化中国风险投资网络提出了一些参考意见。     

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.     

激光复混沌系统构建及其点乘函数投影同步

提出了一种新的激光复混沌系统及其点乘函数投影同步方法。首先,以四维激光实超混沌系统模型为基础,构建了一个新的激光复混沌系统,基于常规动力学分析方法和MATLAB仿真软件研究了系统的耗散性、平衡点、Lyapunov指数谱、相图、分叉图等基本动力学特性。研究结果表明,该系统动力学行为丰富,在一定参数下具有蝴蝶结型混沌、超混沌吸引子,非常适用于混沌加密领域。进一步,以向量点积运算为基础,定义了一种新的点乘函数投影同步方式,基于滑模控制方法实现了蝴蝶结型激光复混沌系统的点乘函数投影同步。数值仿真验证了理论分析的正确性和有效性。     

复杂场景散射中心模型化与雷达成像应用

在复杂场景中, 目标与环境之间的耦合散射会造成雷达图像特征的干扰, 这一问题给雷达目标自动识别与跟踪技术带来了困难, 成为雷达、电磁领域持续关注的热点研究问题。目前, 使用传统的电磁数值计算方法对复杂场景散射问题进行仿真, 所需计算资源巨大, 耗时很长, 而且多限于针对单一类型复合目标, 难以满足实际工程应用需求。针对此问题，提出了复杂场景散射中心模型化的方法, 集成散射中心模型、物理光学法、积分方程法、四路径模型、射线追踪等方法为一体, 实现了复杂场景、群目标雷达成像快速仿真。本文给出了三种有代表性的复杂场景的逆合成孔径雷达成像仿真结果, 验证了本文方法的可行性及泛用性。     

Hom-李三系上的乘积结构和复结构

本文主要从代数角度研究Hom-李三系上的两种几何结构,即积结构、复结构。分别给出了积结构和复结构存在时对应的Hom-李三系的分解。同时,也研究了一些特殊的积结构和复结构。最后,在这两种结构间增加一个兼容条件,得到了复积结构。     

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．