论文写作技巧——计量单位和符号

1．文中涉及的量和单位应按《中华人民共和国法定计量单位》规定执行，并用规定缩写符号表示。 2．每一个组合单位符号中，斜线不得多于1条，如每天每千克体重用药剂量应写成mg／（kg．d）。     

用于多标签文本分类的深度模块化标签注意网络

针对现有文本多标签语义信息挖掘方法仅注重从文本到标签的映射方向，而忽略了从标签到文本的映射方向的问题，本文认为从标签到文本的映射方向可以过滤文本中与标签无关的噪声信息，进而生成只关注于标签信息的文本表示。基于此假设，本文基于注意力机制提出了一种深度模块化标签注意网络，主要由标签注意网络进行多层级联而成。在标签注意网络中构建了双向标签注意单元和自我注意单元，从而得到标签和文本的双向依赖表示。模型在公开数据集RCV1、AAPD、EUR-Lex上与SGM、LSAN、EXAM等算法进行比较，对于现有的最佳性能平均提升0.54%。     

基于GM(1,1)模型的时间序列分段表示方法

时间序列分段表示的目的是对序列进行降维,并使得处理后的数据尽可能保留原始数据特征。以较小的误差,对数据进行较高比率的压缩,是分段表示方法的目标。以往的分段方法主要用线段进行分段,在数据拟合时,存在较大的误差。本文利用GM(1,1)模型的单调变化性质,在拟合误差阀值的限制下,提出了一种基于GM(1,1)模型的分段表示方法(GMPR)。经实验验证,得出相比以往的线性分段方法,GMPR可以取得更好的结果。     

小学,再见

<正>六年的步履踏实而匆忙,六年的汗水沉淀着辛劳和回忆,六年的生活充实且快乐,一转眼,2014届小学生走进了毕业季。浙江嘉兴市实验小学为毕业生精心策划了丰富多彩的"致童年"主题活动。毕业生怀着激动的心情,穿着校服,聚在嘉兴南北湖金拓教育培训基地,踊跃参加活动,手脑并用,团结协作,为小学生活画上精彩的句号,不,是感叹号!     

业务迁移场景下利用信誉值的拓扑构造激励算法

针对无线泛在环境下的面向最佳业务迁移的节点快速激励问题,提出一种利用信誉值的新型拓扑构造激励(TCI)算法。首先,建立分层选择模型,为需求节点选择最佳业务迁移小区及中继;然后,提出改进的信誉值计算方法,以准确地反映各协作节点的信誉度;最后,借助拓扑构造算法,实现网络拓扑的自适应调整,从而有效地激励节点参与中继协作。仿真结果表明:TCI算法在业务迁移和节点激励2个方面均表现优异,具有显著的综合优势;与基于随机概率选择的协作激励算法和基于最短距离选择的协作激励算法相比,其业务迁移成功率分别提高了43%和106%;与基于直接信誉值的协作激励算法和基于综合信誉值的协作激励算法相比,其能够促使非合作节点更早(即前3个周期)采用协作态度。     

完全模糊线性规划及其近似计算

在扩充LR-模糊数定义的基础上,讨论了完全模糊约束条件的近似表示和转化定理;在新的模糊数序关系下,将完全模糊线性规划问题直接转化为分明的线性规划进行求解;与已有的结果进行了比较,并给出了算例.     

高能效认知自适应两阶段协作频谱感知算法

针对协作频谱感知技术存在产生多余的传输开销和次用户能量消耗的不足,提出了结合双阈值能量检测模型和两步检测模型的自适应协作频谱感知(CATS)算法,在保证检测性能的前提下降低能量消耗.首先给出了CATS的数学模型,然后对CATS的检测概率和能量消耗进行了理论分析.CATS在第一阶段的检测结果不准确的情况下,才执行第二阶段的感知,并根据第一阶段的检测结果以及网络状况自适应调整两个阶段参与协作的次用户数目.仿真结果表明:与现有的两步检测协作模型相比,CATS算法在保证系统检测精度的同时能够有效减少系统的能量消耗.     

多边矩阵框架的基阵表示和数据挖掘 ——处理复杂系统的新思维系列之二十七

作为系列论文的第27篇,介绍了多边矩阵框架的基阵表示概念,给出了多边矩阵框架的基阵表示的基本性质.作为应用,研究了多边矩阵框架的基阵表示和数据挖掘之间的关系.     

Underdetermined DOA estimation and blind separation of non-disjoint sources in time-frequency domain based on sparse representation method

This paper deals with the blind separation of nonstation-ary sources and direction-of-arrival （DOA） estimation in the under-determined case, when there are more sources than sensors. We assume the sources to be time-frequency （TF） disjoint to a certain extent. In particular, the number of sources presented at any TF neighborhood is strictly less than that of sensors. We can identify the real number of active sources and achieve separation in any TF neighborhood by the sparse representation method. Compared with the subspace-based algorithm under the same sparseness assumption, which suffers from the extra noise effect since it can-not estimate the true number of active sources, the proposed algorithm can estimate the number of active sources and their cor-responding TF values in any TF neighborhood simultaneously. An-other contribution of this paper is a new estimation procedure for the DOA of sources in the underdetermined case, which combines the TF sparseness of sources and the clustering technique. Sim-ulation results demonstrate the validity and high performance of the proposed algorithm in both blind source separation （BSS） and DOA estimation.     

点群的复表示环之增广商群

设G是有限群,R(G)为G的复表示环,I(G)为其增广理想.对第一类点群(特殊正交群SO3(R)的有限子群)和任意的自然数n,给出了增广理想的n次幂In(G)作为自由交换群的基底,并确定了其增广商群In(G)/In+1(G)的结构.