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。     

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.     

一类离散时间复杂网络系统的输出同步

利用线性稳定性理论和Lyapunov函数方法,研究了一类离散时间复杂网络系统的输出同步问题,得到了系统输出指数同步的充分性条件,数值算例表明了方法的有效性.     

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．     

A neural network versus Black–Scholes: a comparison of pricing and hedging performances

An Erratum has been published for this article in Journal of Forecasting 22(6‐7) 2003, 551 The Black–Scholes formula is a well‐known model for pricing and hedging derivative securities. It relies, however, on several highly questionable assumptions. This paper examines whether a neural network (MLP) can be used to find a call option pricing formula better corresponding to market prices and the properties of the underlying asset than the Black–Scholes formula. The neural network method is applied to the out‐of‐sample pricing and delta‐hedging of daily Swedish stock index call options from 1997 to 1999. The relevance of a hedge‐analysis is stressed further in this paper. As benchmarks, the Black–Scholes model with historical and implied volatility estimates are used. Comparisons reveal that the neural network models outperform the benchmarks both in pricing and hedging performances. A moving block bootstrap is used to test the statistical significance of the results. Although the neural networks are superior, the results are sometimes insignificant at the 5% level. Copyright © 2003 John Wiley & Sons, Ltd.     

梯度网络平稳点集合的Hopfield稳定性与吸引域

给出梯度神经网络模型的电路实现 ,证明了网络平稳点集合的全局 Hopfield稳定性。对各个平稳点吸引域的几何估计得到了相关结果 ,这为网络初始输入的数量与方向判定提供了基本的量度参数准则。     

保密通信新介质--人工神经网络

根据人工神经网络的结构特点和信息传输与处理特征，提出了利用物理神经网络作为通信信道的观点．在分析了现有通信信道物理模型之后，具体讨论了作为通信信道的神经网络的可能拓朴结构、神经网络学习要点、允许传输信号的模式特征，研究了神经网络信道的传输延时、通信带宽及信噪比，分析了神经网络信道处理多媒体信号的计算潜力，并着重剖析了神经网络信道固有的保密通信特征．最后给出了一个具体的神经网络信道设计实例．     

基于神经网络智能天线的一种波达方向估计方法

该文提出利用径向基函数神经网络来估计无线通信中智能天线的信号到达方向．为了减少输入，利用信号相关阵的对称性质，仅考虑相关阵中的上三角或下三角的部分元素作为网络的输入量，计算量较小．计算机模拟结果表明，该方案是有效的．