基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于遗传算法的频谱池ICI 优化算法

为优化基于小波的频谱池系统中的载波间干扰( ICI: Inter-Carrier Interference) ，提出了一种基于遗传算法的载波间干扰优化方案。采用遗传算法获得最佳权重向量，抑制认知用户子载波干扰能量。该算法可在不牺牲认知用户带宽的条件下，优化认知用户载波干扰能量。仿真结果表明，在满足认知用户目标误码率条件下，明显抑制影响授权用户的载波间干扰，使授权用户获得更好的误码率性能。     

基于Haar小波运算矩阵的分数阶系统辨识方法

分数阶微积分因为其阶数可以是任意数，因此能够更加准确的描述动态系统。虽然分数阶系统受到了越来越多的重视，可是，如何建立分数阶系统目前仍处于积极探究阶段。考虑到分数阶微分的非局部性，利用小波运算矩阵为工具，给出了一种分数阶系统的辨识方法。其好处在于能够利用小波的多分辨特性对激励信号和响应信号进行数据压缩，从而降低运算矩阵的维数，可解决因矩阵维数过大导致内存溢出的问题。     

Short-run wavelet-based covariance regimes for applied portfolio management

Decisions on ass et allocations are often determined by covariance estimates from historical market data. In this paper, we introduce a wavelet-based portfolio algorithm, distinguishing between newly embedded news and long-run information that has already been fully absorbed by the market. Exploiting the wavelet decomposition into short- and long-run covariance regimes, we introduce an approach to focus on particular covariance components. Using generated data, we demonstrate that short-run covariance regimes comprise the relevant information for periodical portfolio management. In an empirical application to US stocks and other international markets for weekly, monthly, quarterly, and yearly holding periods (and rebalancing), we present evidence that the application of wavelet-based covariance estimates from short-run information outperforms portfolio allocations that are based on covariance estimates from historical data.     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

人工智能在拾取地震P波初至中的应用 ——以汶川地震余震序列为例

为了准确而迅速地拾取大量地震事件的P波初至, 将深度学习方法引入微地震P波初至到时拾取研究中, 对卷积神经网络的结构进行改造, 以便适应地震波形数据的特点 P波初至拾取的要求。该算法只需要输入10 s窗口的三分量地震波形数据, 就可以自动地判定P波初至时刻, 无需扫描连续波形, 运算时间远远小于长短窗、模板匹配等传统方法。使用该算法训练汶川地震主震后2008年7—8月7467条人工拾取的余震P波初至到时, 将得到的模型对测试集中 1867条数据的计算结果与人工拾取结果对比, 误差小于0.5 s者占比达到98.9%。在低信噪比条件下, 该方法仍能保持较好的拾取能力。     

高铁地震信号时频特征对比分析

利用同步挤压小波变换方法, 对河北保定和广东深圳地区实测的高铁地震信号进行时频谱分析。结果表明, 高铁在经过高架桥时, 在其附近产生的地震信号中低频信息比通过隧道和接触地表运行产生的地震信号丰富。利用高铁地震信号的时频谱特性, 可以确定高铁运行速度的变化。     

基于分数阶变换的彩色图像自适应重构水印算法

首先, 采用分数阶Fourier变换算法, 对彩色图像进行分数阶频域变换, 分析图像的频域信息, 筛选出适合嵌入水印的系数, 作为水印的嵌入位置; 其次, 定义频域系数的隐蔽特性, 并对隐蔽特性进行分级, 使水印嵌入系数达到最优; 最后, 对二值化水印图像分块做提升小波变换和压缩感知测量, 将测量结果作为水印信息嵌入到载体图像中, 解决了当前多数水印算法嵌入信息冗余度高, 含水印图像抗攻击能力不足的问题. 实验结果表明, 该算法在抵抗几何攻击、 噪声干扰等方面性能良好, 显著降低了水印信息冗余度, 提高了嵌入的效率和水印信息安全性, 增加了水印算法的可靠性.     

基于二维离散小波的生成图像鉴别方法

针对传统基于神经网络的计算机生成图像鉴别方法中存在鉴别难度大和准确率低的问题, 提出一种采用基于小波变换的计算机生成图像鉴别方法. 首先在进行图像多维小波特征提取时, 通过一次分解二维离散小波变换提取图像小波特征, 根据图像小波特征进行n级小波分解提取图像多维小波特征向量; 然后通过三维变换域波去噪算法（BM3D）提取计算机生成图像噪声特征; 最后采用支持向量机(SVM)分类器对计算机生成图像进行鉴别, 通过SVM分类器对图像多维小波特征和噪声特征进行分类, 以解决两种特征融合形成线性不可分的高维特征问题, 从而实现计算机生成图像的准确鉴别. 实验结果表明, 该方法在鉴别计算机生成图像时具有更高的准确性和稳定性.     

基于小波分析与Boll改进谱减法的普米语语音增强算法

小波分析和Boll改进谱减法具有很好的减噪效果,但同时也存在"音乐噪声"和语音失真.为了解决这2个问题,基于这2种算法,研究了一种它们的联合算法并对加噪后的普米语进行语音减噪实验.通过对减噪后语音的试听和波形图的观察以及信噪比的对比,对实验的结果进行分析.实验结果表明,针对叠加了随机高斯白噪声的普米语,算法能有效地减少这2种方法单独使用时所产生的"音乐噪声"和语音失真.