大规模网络中基于FFT的呼叫阻塞率的快速算法

在大规模网络条件下,Kaufman提出的一维递推快速呼叫阻塞率（CBP）算法由于其呼叫阻塞率的计算将导致系统计算溢出,改进的Kaufman方案虽然消除了计算溢出,但是其计算时间随网络规模的变大呈指数增长．有鉴于此,文中提出了一种基于快速傅立叶变换（FFT）方法和计算溢出避免预处理机制的呼叫阻塞率快速计算方法．仿真结果表明,该算法消除了计算溢出且降低了计算复杂度,具有计算简单、无误差、速度快的优点．     

基于在线神经网络的自适应控制器的设计与应用

针对线性控制系统自适应性较弱的缺点,在其基础上设计了一种基于在线神经网络的自适应控制器．该控制器根据被控对象和参考模型之间的误差调整网络权值,在线抵消被控对象的未建模动态特性和不确定因素．文中以某小卫星姿态控制系统为例,对所提出的自适应控制器进行设计和仿真．结果表明,神经网络以很高的精度跟踪和在线补偿不确定项,改善了线性控制系统的动态性能．     

英语"hand"和汉语"手"之一词多义对比

通过对英语之“hand”和汉语之“手”的一词多义结构的这一个案的分析对比,发现该词的义项分布在两种语言中基本一致,其词义拓展方式呈辐射和连锁相结合的趋势;且各义项以转喻或隐喻方式为主要纽带,组成了一张多核的相关语义网。该基本人体词的多项语义分布现状反映了人类在不同语言背景下认知和语义发展中共有的思维方式,从而为多义词的外语教学提供了新的思路。     

基于超网络的舆论演化动态模型

针对舆论演化过程中的复杂动力学问题,提出了超网络视觉下的舆论演化动态模型,该模型包括节点的添加、重新连接链路、超边的添加以及节点的老化4个过程,其中节点代表关键词,超边代表关键词所构成的话题.其次,利用非均匀网络的演化机制,分别对该动态演化模型的超度、节点自身关注度与节点间影响力两个因素的超度进行了详细的理论分析,分析...     

桥梁承载能力状态评估的模糊神经网络推理方法

在综合现有的状态评估理论方法的基础上,提出了基于层次分析的承载能力状态评估模型.结合模糊理论和神经网络技术,建立了一套基于监测信息输入的模糊神经网络推理系统框架,并利用模糊规则生成的规则库作为神经网络训练和学习的样本.利用实例验证了采用此智能评估技术进行承载能力状态评估的可行性和实用性.     

一类网络k-中心选址问题的改进算法

为解决基于城市道路交通网络的应急设施选址问题,建立了此问题的网络k-中心选址抽象模型。针对此模型在分析研究已有算法的基础上,设计了一种具有多项式时间的改进置换迭代算法,证明了算法迭代的有效性,分析了算法的计算复杂度,并利用实例进行了对比分析。实例分析表明,改进的置换迭代算法降低了受限p-中心的并行迭代算法中的网络中心置换的条件,而算法的效率有明显的提高。     

短信息在高校信息化建设中的应用

结合当前高校发展的形势和移动通讯中短信业务广泛普及的特点,讨论了在高校信息化建设中引入短信息的意义.从介绍有线校园网络和短信息的优缺点入手,重点介绍了融合短信息功能的高校信息系统的构建,讨论了短信息服务平台在高校信息化建设中的多种应用,提高了高校的信息化水平.     

Neural network structure identification in inflation forecasting

Neural networks (NNs) are appropriate to use in time series analysis under conditions of unfulfilled assumptions, i.e., non‐normality and nonlinearity. The aim of this paper is to propose means of addressing identified shortcomings with the objective of identifying the NN structure for inflation forecasting. The research is based on a theoretical model that includes the characteristics of demand‐pull and cost‐push inflation; i.e., it uses the labor market, financial and external factors, and lagged inflation variables. It is conducted at the aggregate level of euro area countries from January 1999 to January 2017. Based on the estimated 90 feedforward NNs (FNNs) and 450 Jordan NNs (JNNs), which differ in variable parameters (number of iterations, learning rate, initial weight value intervals, number of hidden neurons, and weight value of the context unit), the mean square error (MSE), and the Akaike Information Criterion (AIC) are calculated for two periods: in‐the‐sample and out‐of‐sample. Ranking NNs simultaneously on both periods according to either MSE or AIC does not lead to the selection of the ‘best’ NN because the optimal NN in‐the‐sample, based on MSE and/or AIC criteria, often has high out‐of‐sample values of both indicators. To achieve the best compromise solution, i.e., to select an optimal NN, the preference ranking organization method for enrichment of evaluations (PROMETHEE) is used. Comparing the optimal FNN and JNN, i.e., FNN(4,5,1) and JNN(4,3,1), it is concluded that under approximately equal conditions, fewer hidden layer neurons are required in JNN than in FNN, confirming that JNN is parsimonious compared to FNN. Moreover, JNN has a better forecasting performance than FNN.     

基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络,分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合,充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。