基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

高斯信道中功率分配问题的一种优化方法

信号检测中,检测概率一直是作为衡量检测性能的一个重要标准.众所周知,Neyman-Pearson准则下的最优检测是似然比检测.然而多传感器系统下随着信号维数增加,似然比检测门限的计算涉及高维积分,计算困难相当大,因此文中考虑的高斯信号检测模型,没有直接计算检测概率而是将两个密度函数的相对熵作为衡量检测性能的一个度量来研究高斯信号检测中功率的分配,并且建立了目标优化模型.针对文中建立的优化问题,首先由加强的Fritz John(F-J)必要条件证明了优化问题的局部最优解满足KKT(Karush-Kuhn-Tucker)条件,并且进一步证明存在惟一的拉格朗日乘子.然后利用凸函数的性质我们说明了D(P1‖P0)是tr(∑s)的非减函数,最后在此基础上得到了优化问题的最优解,即得到了功率分配矩阵.同时也给出了特殊信道下的功率分配矩阵.     

一类奇异 Volterra 积分方程在 L^p (p ≥1) 空间中的适定性

受分数阶微分方程定性理论的启发，本文利用不动点定理研究了一类奇异Volterra积分方程在L^p（p≥1）空间中的适定性，推广改进了已有结果.特别地，Riemann-Liouville分数阶微分方程适定性问题可以作为本文结果的特例.     

改进GA-BP神经网络在高校教学质量评价中的应用

为了提高高校教学质量评价的有效性和准确性,提出了一种基于混合智能优化算法的教学质量评价模型。引入熵值法客观地确定教学质量评价体系的指标权重及初始评价结果,利用自适应变异的遗传算法(Genetic algorithm)优化BP神经网络(Back propagation neural network)的参数,建立教学质量评价模型。实验结果表明,与BPNN(Back propagation neural network)、GA-BPNN(Genetic algorithm-back propagation neural network)模型相比,预测精度分别提高15.04%和5.41%,收敛速度明显提高,说明基于自适应变异的GA-BPNN教学质量评价模型能够及时有效地完成教学质量评价。     

二根树指标马氏信源关于赌博系统的极限定理

研究任意二根树图上二阶非齐次马氏信源的极限性质。通过构造相容分布和非负上鞅的方法,得到了任意无限连通二根树上二阶非齐次马氏信源关于广义赌博系统的一类广义渐近均匀分割性定理,也称广义ShannonMc Millan定理,并推广了已有的结果 。     

基于熵值修正G1法江西省智慧旅游建设水平评价研究

文章基于熵值修正G1法对智慧旅游建设水平进行研究,构建城市智慧旅游建设水平评价指标体系和模型,对江西省11个地级市进行实证研究,结果显示,11个城市的智慧旅游建设水平整体较低,其中基础设施建设水平、经济发展水平、科技创新和硬件支撑上城市间差异较大,在智慧旅游环境支撑总体差异小,保持在较高水平。并依据评价结果对江西省11个城市分为三个类别,对每一类别城市的特点进行了分析,以期能够指导江西智慧旅游的规划建设。     

相关熵及其有限性的条件

就相关熵的性质进行了讨论，证明了在pp密度逼近中使用的作为“距离”的相关熵不满足距离定义中的第三个条件，并给出了三角不等式成立的条件。     

两类插值与两个反例

本文探讨了在给定的一组实验数据下，用Rm，n(x)型有理函数插值与连分式型有理函数插值的两个基本方法以及二者互不相容的两个反例．     

用带时序子模块的系统动力学模型预测Brent原油价格

提出在系统动力学模型中加入时序自回归AR(p)子模块，并且自动确定每个AR(p)子模块的阶数p。带时序子模块的系统动力学模型既体现了因素问的横向因果关系，又体现了每个因素的纵向关系。建立欧佩克(OPEC)石油产量、世界GDP、煤炭产量与价格、天然气、需求量、供求差额、消费系数、非欧佩克石油产量、非欧佩克供求差额，石油库存和OPEC组织的期望油价共十一个因素影响下的Brent原油价格预测模型，模型的预测结果表明：在系统动力学模型中加入时序自回归AR(p)子模块的方法是可行的、有效的，并且能提高模型的预测精度。