DTMB嵌入式多业务系统的峰均比降低方法

针对中国地面数字电视传输标准的嵌入式多业务系统中的存在着较高峰的均比,提出了随机扩展映射的方法,使该系统峰均比大大降低,能够更好地应用于实际环境.该方法通过对映射扩展模块进行随机化改造达到了在不增加额外复杂度的前提下对系统实现改进的目标.通过对峰均比产生原因的深入分析,找到了该方法的理论依据并对其性能进行了深入讨论.系...     

基于圈积的新型Cayley图互联网络模型

为了构建适合大规模网络结构的模型,文中提出了一种新型Cayley图互联网络模型WG2mn,当n≥3时,其节点度为m+3,当n=2时,其节点度为m+2.文中还给出了该网络模型的路由算法,得到了其直径上界为「 5n/2」,并对该网络模型的嵌入性进行了分析.将WG2mn与其它网络模型进行分析比较,发现WG2mn模型能够以更小...     

悉尼工地有个“窥视窗”

澳大利亚悉尼著名的情人港西侧一个工地的围墙上有两个直径大约一米的圆形玻璃窗,透过玻璃窗可以清楚地看到施工现场。窗户独特的造型和窗旁精心的装饰引来游客纷纷驻足观望。     

PMF-FFT扇贝损失补偿方法的仿真与分析

针对PMF-FFT捕获方法在捕获过程中存在的扇贝损失,分别用补零法和汉宁窗加权法对其进行补偿,并对这两种方法进行仿真分析,结果表明补零法和汉宁窗加权法都可实现扇贝损失的补偿,且汉宁窗加权法用于补偿扇贝损失时计算量远小于补零法,缩短了系统的捕获时间,提高了系统的捕获性能。     

一种改进的基于支持向量机的概率密度估计方法

统计学习理论是针对小样本数据而提出的一套理论,支持向量机方法可用于解决有限样本情况下的概率密度估计问题,该种方法与Parzen窗的精度等级类似,同时又具有Parzen窗方法所不具备的稀疏解,但应用过程中耗时较多。本文提出了一种基于支持向量机的改进密度估计方法,分析了其原理,通过仿真实验的对比,改进后的密度估计方法与改进前相比,估计精度的水平保持不变,训练后的支持向量数目不变,对训练样本的训练时间大幅缩短。由仿真结果可知,本文提出的对支持向量机法估计概率密度的改进是可行的。     

融合经验模态分解与深度时序模型的股价预测

对股票价格的建模和预测是金融研究领域中一项重要而富有挑战性的工作,它对于投资者降低决策风险,提高投资收益具有重要意义.股票价格序列的非线性、高噪声、强时变性等复杂特性,使得现有的方法无法有效提高预测准确性.为了解决这个问题,本文提出一种基于技术因子经验模态分解与嵌入时间注意力网络(EAN)的股票价格涨跌预测模型TE-EAN.该模型利用经验模态分解对传统技术因子进行分解去噪,得到高频和低频的特征序列.然后将这些具有明显趋势特征的序列映射到新的表示空间中,同时利用深层门控循环单元学习依赖于时间的隐藏嵌入.最后通过时间注意力自适应地聚合时间维度信息以降低信息冗余,实现对股票价格涨跌的预测.同时,针对股票价格序列强时变性的特点采用顺序参数迭代更新的训练方法,进一步提高了预测的准确性.在随机抽取的25只沪深300指数成分股上的实验结果表明,该模型可以有效预测股票价格的涨跌,模型AUC最高达0.732.     

时间依赖型多时间窗车辆路径问题研究

针对一类考虑城市交通拥堵情况的时间依赖型多时间窗车辆路径问题(time-dependent vehicle routing problem with multiple time windows,TD_VRPMTW),提出一种混合离散灰狼算法(hybrid discrete grey wolf optimizer,HDGWO)进行求解。在HDGWO中,设计了新的灰狼个体更新公式,采用基于客户排列的整数编码方式,使算法可直接在离散问题解空间中执行基于标准灰狼算法个体更新机理的全局搜索;设计了基于问题性质的种群初始化策略,用于生成具有高质量和多样性的初始种群;引入头狼信息交流公式,用于探索头狼形成的优质解空间;构造具有多种局部搜索操作的自适应变邻域局部搜索策略,用于增强算法的局部搜索能力。结果表明：HDGWO可有效求解TD_VRPMTW。     

基于词嵌入的云存储可搜索加密方案

【目的】提出基于词嵌入的云存储可搜索加密方案,视图解决云储存的加密数据的管理,并高效地检索加密数据这一难题。该方案的优势在于克服了加密方案不能进行语义搜索的难题。【方法】通过建立高维关键词的词嵌入,增加语义距离扩展关键词集的方式建立安全索引,并用伪随机函数对私钥和关键词进行安全保护。【结果】此设计方案既保证了数据存储的安全性,又提供了数据检索的灵活性,安全检索模型避免了用户检索过程中关键信息的泄露。【结论】采用全同态加密验证了方案的有效性。在维基百科数据集上进行测试表明维度越高的词嵌入搜索精确率越高,同时开销也随之增大。
     

基于图神经网络的社交网络影响力预测算法

近十年来,通过社交网络（如微博、推特）分享信息已经成为人们日常生活中不可缺少的一个环节,如何有效地预测信息传播的影响力成为社交网络研究中的重要课题,不论是识别病毒式营销和虚假新闻还是精确推荐和在线广告都有许多应用.目前,一些应用深度学习进行社交网络影响力预测的方法已经取得了一定进展,但在进行深度学习时仍会面临以下难点：用户通常具有不同的行为和兴趣并且他们同时通过不同的渠道进行互动;用户之间的关系难以检测和形式化表达.传统的社交网络影响力预测方法通过设计复杂的规则来手动提取用户及其所处网络的特征信息,这一方法的有效性严重依赖于设置规则的专业性,所以很难将某一领域的规则推广到其他领域的应用中去.基于深度神经网络模型,设计一种端到端的神经网络来学习用户的隐藏特征信息以预测其社交网络影响力.首先通过图嵌入的方式对用户的局部网络进行特征提取,然后将特征向量作为输入对图神经网络进行训练,从而对用户的社会表征进行预测.该方法的创新之处：运用图卷积和图关注方法,将社交网络中用户的特征属性和其所处局域网络特征相结合,大大提高了模型预测的精度.通过在推特、微博、开放知识图谱等数据集上的大量实验,证明该方法...     

基于多重分形的混凝土重力坝水平位移波动分析

为了更好地掌握大坝变形的长期行为和演变规律,在考虑位移与环境量相关性的前提下,将多重分形理论应用到大坝变形实测数据分析中。以某混凝土重力坝的变形分析为例,利用多尺度滑动时间窗消除由传统多重分形子区间划分产生的伪波动,通过多重分形去趋势相关性分析法(MF-DCCA)刻画位移与环境量相关性的多重分形特征,进一步利用多重分形非对称去趋势相关性分析法(MF-A-DCCA)分别对位移原序列、正趋势、负趋势进行波动性、非对称性和长程相关性分析,从位移整体波动和局部趋势两个层面描述了位移在环境量影响下的多重分形特征。分析结果表明,坝体变形性态较好,且位移多重分形特征受环境量影响明显,其中库水位的变化是导致该混凝土重力坝水平位移多重分形特征的主要原因。