基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次,利用张量填充技术对无噪协方差矩阵进行恢复。然后,利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

极值分析下基于位置矩阵的质心定位方法

为以使星敏感器在复杂工况下依旧能获得高精度的星点质心位置,提出一种极值分析下基于位置矩阵的质心定位方法。首先, 提出极值分析下的星点弥散区域粗提取算法, 对去噪后的星图进行星点局部区域限定。接着, 提出基于位置矩阵的线段编码标记法对星点弥散区域进行精提取。最后, 利用星点区域像素信息估计出高斯曲面参数以得到星点精确的质心坐标。仿真结果表明, 星图噪声标准差处于2的水平时, 所提方法可以使星点质心定位精度达到0.070 4 pixel, 且在星图噪声标准差处于12的水平时, 仍具有90.03%的高星点提取成功率。     

结合逆非线性主成分分析和极值理论的桥梁损伤检测

为提高环境和运营变化（Environmental and Operational Variations, EOV）影响下的桥梁损伤检测可靠性,结合逆非线性主成分分析（Inverse Nonlinear Principal Component Analysis, INLPCA）和极值理论提出一种新的桥梁损伤检方法。该方法采用INLPCA对桥梁损伤特征进行建模,利用不完备健康监测数据的估计误差和添加神经网络训练惩罚项控制INLPCA的非线性程度。采用INLPCA对损伤特征的重构误差和马氏平方距离（Mahalanobis Squared Distance, MSD）建立损伤指标（Damage Indicator, DI）,最后基于DI的广义极值（Generalized Extreme Value, GEV）分布建立损伤检测阈值。以比利时KW51铁路桥和天津永和斜拉桥为例,验证所提方法的有效性。结果表明,所提方法能准确检测EOV影响下的桥梁损伤且对不同桥型和不同损伤特征均有良好的适用性。     

抗战时期刘伯承对我军思想政治工作的贡献

在抗日战争时期,刘伯承非常重视我军的思想政治工作.他关心政治工作建设,他反对单纯的军事观点,总是从政治角度去思考军事问题.他善于做思想政治工作,在部队中进行党的思想路线、方针和政策的教育.他提出了打胜仗的战术要靠不断的政治工作的观点,并从政治的角度提出了战胜敌人的三个条件.     

解析函数极值点的Frechet导算子问题

证明了n维空间上的解析函数,在极值点的某去心邻域上,其Frechet导算子不为零算子的结论.     

基于增强高阶非凸全变分模型的图像去噪算法

为了在缓解阶梯效应的同时更好地保留去噪后图像的细节信息,提出一种基于增强高阶非凸全变分(higher order non-convex total variation, HONTV)模型的图像去噪算法。该算法将每一次去噪后的图像和原始图像取平均作为增强HONTV模型下一次循环的输入并更新参数,然后采用增广拉格朗日乘子法和交替方向乘子法进行循环求解,经过多次迭代,最终得到的去噪图像包含较多的细节信息。在基于全变分的图像去噪方法中,对添加不同标准差大小的高斯白噪声的测试图像和视频进行实验。实验结果表明,所提算法在视觉性能和客观评价指标方面均优于对比算法。     

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。     

Forecasting stock volatility in the presence of extreme shocks: Short-term and long-term effects

This paper introduces a novel generalized autoregressive conditional heteroskedasticity–mixed data sampling–extreme shocks (GARCH-MIDAS-ES) model for stock volatility to examine whether the importance of extreme shocks changes in different time ranges. Based on different combinations of the short- and long-term effects caused by extreme events, we extend the standard GARCH-MIDAS model to characterize the different responses of the stock market for short- and long-term horizons, separately or in combination. The unique timespan of nearly 100 years of the Dow Jones Industrial Average (DJIA) daily returns allows us to understand the stock market volatility under extreme shocks from a historical perspective. The in-sample empirical results clearly show that the DJIA stock volatility is best fitted to the GARCH-MIDAS-SLES model by including the short- and long-term impacts of extreme shocks for all forecasting horizons. The out-of-sample results and robustness tests emphasize the significance of decomposing the effect of extreme shocks into short- and long-term effects to improve the accuracy of the DJIA volatility forecasts.     

一种不确定区域间的方向关系模型

基于区间值及其运算性质给出了不确定区域间方向关系的表示及推理方法. 该方法不同于基于经典模糊集及其截集的方向关系模型, 利用区间值方向关系矩阵分析不确定区域间方向关系的隶属程度, 将不确定区域间的方向关系划分为不确定区域与不确定区域间的方向关系、 不确定区域与分明区域间的方向关系、 分明区域与不确定区域间的方向关系、 分明区域与分明区域的方向关系4种类型. 将分明区域作为不确定区域的特例统一处理.