波束域Root-MUSIC算法的进一步降阶处理

研究了波束域降阶Root-MUSIC算法，在子阵分解降阶的基础上，进一步将多项式的求根阶次降到与源数目相同，提出了求解降阶多项式的方法。该方法最大程度地减少了求根多项式的阶次和求解多项式的次数，并保持了Root—MUSIC算法的优良性能。显著降低运算量是其最大优点，仿真结果验证了降阶算法的有效性，并比较了不同阶次波束域Root—MUSIC算法的估计性能。     

PARALLE DOMAIN DECOMPOSITION ALGORITHMS FOR A GENERALIZED STOKES PROBLEM

ＰＡＲＡＬＬＥＤＯＭＡＩＮＤＥＣＯＭＰＯＳＩＴＩＯＮＡＬＧＯＲＩＴＨＭＳＦＯＲＡＧＥＮＥＲＡＬＩＺＥＤＳＴＯＫＥＳＰＲＯＢＬＥＭ￥ＣＨＵＤｅｌｉｎ；ＺＨＯＵＦａｎｇｊｕｎ（ＤｅｐａｒｔｍｅｎｔｏｆＡｐｐｌｉｅｄＭａｔｈｅｍａｔｉｃｓ，Ｔｓｉｎｇｈｕａ...     

具有两阶段生产模式的一类短生命周期产品的供应链协调

研究了由单一制造商、单一分销商和单一产品组成的供应链契约中的订货和生产行为.该产品生命周期短,且市场需求不确定.分销商除了在销售季节开始之前订货,还会根据实际需求量的大小在销售季节的尾声再订一次货.因两次订货有着不同的要求,制造商相应会提供两种不同的生产模式来进行生产,第一阶段的生产相对较便宜但需要一段较长的提前期,而第二阶段的生产尽管会更加昂贵但可以很快就生产完毕.如果制造商和分销商共享产品的需求信息,制造商可通过适当提高第一阶段的生产量在使得自己利润达到最优的同时,也使得供应链整体利润达到最优.并与整个过程中只采用其中一种生产模式的情形相比较,说明将两种不同的生产模式结合起来,供应链及其成员都有望获得更高的期望利润.     

基于集中式模型的我国各地区及三大产业的DEA效率评价

基于集中式模型, 首先在考虑地区内部三大产业的情况下, 对2010年我国31个地区展开DEA效率评价, 然后在保持各地区整体效率不变的前提下进行效率分解, 确定各产业的效率值和相对重要程度. 此外, 对各地区三大产业的规模收益问行了研究. 实证分析结果表明, 各地区的整体效率值偏低, 第一产业的效率重要程度偏低, 第二产业和第三产业的效率均值相差不大, 但大部分地区的产业比第二产业的相对重要程度高. 此外, 从规模收益角度来看, 大部分地区整体处于规模收益递减阶段, 大多数地区的第一和第三产业均处于规模收益递增阶段, 绝大多数地区的第二产业已处于规模收益递减阶段.     

共享投入型关联两阶段生产系统的网络DEA效率测度与分解

\"黑箱\"视角下的标准数据包络分析(DEA)因忽略中间产品转化信息及投入要素在各子过程中的配置信息,无法体现决策单元的实际生产技术,自然不能提供有效的效率绩效测度.分别在固定规模报酬和可变规模报酬假设框架下,充分利用中间产品的转化信息与投入要素的配置信息,构建了存在共享投入的关联两阶段生产系统效率的网络DEA效率测度与分解模型.建模方法遵循客观评价的原则,无需事先主观设定子效率和系统效率之间的组合关系,且可通过事后分解确立二者之间的凸线性组合关系.此外,建模方法具有很好的扩展性,可被直接用来构建含有更加复杂转化结构的生产系统的效率测度与分解模型,为多阶段投资以及多阶段供应链运作等复杂生产系统的整体效率测度与分解提供了有效的分析途径.一个关于银行投资过程的实例被用来验证建模思想的合理性和优越性.     

非带限冲激信号的一种低通采样和重建方法

提出了非带限冲激信号的一种低通采样和重建方法,将冲激信号通过低通滤波器后,按照信号新息率进行采样,然后对采样得到的离散时间信号进行傅里叶变换,采用最小二乘零化滤波算法可以准确地重建原始冲激信号。在冲激信号个数较大及受到噪声影响时,最小二乘零化滤波算法性能恶化,通过适当提高采样率,使用奇异值分解重建算法,可以获得理想的重建结果。分析和仿真结果证明,所提出的非带限冲激信号低通采样和重建方法,能够以较低的速率进行采样和恢复原始冲激信号,并具有良好的抗噪声性能。     

巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

基于二次分解与LSTM的金融时间序列预测算法研究

现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory, LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine, FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。     

GL2(C)的一些不可约表示

设G=GL₂(C), 并且B是G的标准Borel子群, 并且CG, CB分别是群G和群B的在复数域C上的群代数.对于任意B的特征标θ, 定义G的离散诱导模M(θ) = CG×_CBθ. 证明了当θ是反支配权时,M(θ)是个不可约表示.由此给出了一类GL₂(C)全新的、无限维的不可约表示.