基于矢量消息传递的迭代均衡

在迭代均衡中，通过计算后验概率密度求解输入信息可以被视为一个广义线性回归问题。为解决此问题，采用了一种名为广义矢量消息传递的新算法。该算法与之前的广义消息传递算法相比，可以适用于包含任意分布的输出。使用该算法的检测器中，包含一个内部软均衡器和软分块交织器，原理与软均衡器和软译码器的消息传递类似，其按照迭代算法逐块交换外信息，从而改善均衡器的性能。通过对该算法的性能分析，提出增加半自适应的阻尼系数来保证内部软均衡器和交织器的独立性。对改进后的算法进行性能分析，结果表明其计算复杂度和低信噪比条件下性能均优于逐符号的迭代均衡以及广义消息传递算法的迭代均衡。     

C-RAN网络中基于稀疏性的预测矩阵求解算法

在C-RAN（Centralized,Cooperative,Cloud Radio Access Network）无线网络基于转移矩阵的负载预测方法中，虽然该预测矩阵具有稀疏特性，但是现有的技术缺乏对稀疏特性加以利用，从而造成计算复杂。针对此问题，提出了一种基于稀疏性的预测矩阵求解算法。该算法对网络状态转移矩阵进行分块迭代，每次等分4块，并分别定义4块矩阵的偏移量。当属于同一行的块矩阵的偏移量有一个是零矩阵时，直接得出所求矩阵对应块的元素全部为零，然后进行下一次迭代；当属于同一行的块矩阵偏移量都不为零矩阵时，通过对矩阵方程组变形处理，转换成迭代格式，然后分块处理。最后，结合仿真定量分析稀疏矩阵稀疏度的临界值问题，给出了稀疏度与计算量之间的关系，并证明了其合理性。仿真结果表明，所提算法能够在不影响预测准确度前提下，降低复杂度。     

基于多线程的后退式二进制RFID防冲突算法研究

本文主要解决RFID标签的冲突问题，在分析原有二进制防冲突的算法基础上，提出了新的算法提高RFID标签的识别速度，优化了系统的性能。算法主要采用后退技术、堆栈数据结构和多线程处理的思想。RFID读写器发送一个三元组命令，减少了数据传输量；利用多线程处理思想，对标签进行分类处理，缩短了冲突处理的时间。测试结果表明，此算法与原有算法相比，减少了识别冲突的次数和数据传输的数量，提高了系统的性能。     

中国银行间国债市场利率期限结构实证分析——基于Nelson-Siegel模型

利用粒子群算法,以2007年1月—2009年12月中国银行间国债市场的日交易数据模拟Nelson-Siegel模型,通过构建参数β1和β2的AR(2)模型对利率期限结构进行预测,样本内的预测结果比较理想,但样本外的预测绩效不佳。     

LDPC码的一种高效加权比特翻转译码算法

针对低密度奇偶校验(LDPC)码中加权比特翻转(WBF)译码算法在迭代过程中绝大多数情况都是进行单比特翻转，导致译码效率低并且可能会发生比特翻转“死循环”的现象，提出一种更为高效的加权比特翻转(EWBF)算法。该算法对翻转阈值进行了改进，使得每次迭代能够翻转多个比特，提高译码效率，并且能够避免译码过程出现的翻转“死循环”现象。仿真结果表明，所提译码算法与WBF算法、改进的WBF（MWBF）算法和IMWBF（Improved MWBF）算法相比，平均迭代次数分别降低51.6%~56.2%、49.6%~54.2%和48.1%~51.3%；而在译码性能方面，算法性能接近甚至优于IMWBF算法，当最大迭代次数设定为30次时，相比于IMWBF算法，在误码率为10－4时可获得0.92 dB 的增益。     

平方根变步长lp范数LMS算法的稀疏系统辨识

针对稀疏未知系统的辨识问题，提出了一种基于p(0相似文献   

中国银行间国债市场利率期限结构实证分析——基于Nelson Siegel模型

利用粒子群算法,以2007年1月—2009年12月中国银行间国债市场的日交易数据模拟Nelson Siegel模型,通过构建参数β1和β2的AR(2)模型对利率期限结构进行预测,样本内的预测结果比较理想,但样本外的预测绩效不佳。     

基于RADIX-4的Turbo码全并行译码算法

针对Turbo码全并行译码算法译码迭代次数多、硬件消耗大的问题，提出了一种基于RADIX-4的改进译码算法。将译码算法中状态转移图的相邻两步状态合并为一步计算，译码时以“比特对”的形式操作进行迭代。在保留译码最大并行度同时，译码计算单元使用量减少一半，显著降低了Turbo码全并行译码算法的运算复杂度和存储开销。仿真结果表明，在相同迭代次数条件下，该方法的译码性能较全并行译码算法平均提高约0.5 dB。     

TD-SCDMA系统中智能天线的重复迭代自适应算法

提出一种用于TD-SCDMA系统的重复迭代自适应智能天线算法。通过在自适应算法中把阵列输入信号和作为参考信号的训练序列重复使用,可以在短训练序列情况下实现较好的收敛,提高通信系统的传输效率。对LMS算法中全训练序列重复迭代和滑动窗口重复迭代算法进行了仿真,结果表明,在有限训练序列时本算法比传统LMS算法更好地逼近最佳解。     

国际石油市场风险的测度研究——基于中海油贸易业务实践的思考

本文以中海油贸易业务中面临的市场风险为研究对象,采用GED-GARCH模型,对欧洲Dated BRENT原油现货市场、中东DUBAI原油现货市场和远东MINAS原油现货市场的油价波动进行实证研究,计算了99%置信度下5天持有期的Va R水平。结果表明,GED-GARCH模型在99%的置信度下有较好的预测水平,并且在99%的置信度下,三个市场中MINAS市场表现出最大的价格波动风险。     

Semi-Supervised Response Modeling

Response modeling is concerned with identifying potential customers who are likely to purchase a promoted product, based on customers' demographic and behavioral data. Constructing a response model requires a preliminary campaign result database. Customers who responded to the campaign are labeled as respondents while those who did not are labeled as non-respondents. Those customers who were not chosen for the preliminary campaign do not have labels, and thus are called unlabeled. Then, using only those labeled customer data, a classification model is built in the supervised learning framework to predict all existing customers. However, often in response modeling, only a small part of customers are labeled, and thus available for model building, while a large number of unlabeled data may give valuable information. As a method to exploit the unlabeled data, we introduce semi-supervised learning to the interactive marketing community. A case study on the CoIL Challenge 2000 and the Direct Marketing Educational Foundation data sets shows that the transductive support vector machine, one of widely used semi-supervised models, can identify more respondents than conventional supervised models, especially when a small number of data are labeled. Semi-supervised learning is a viable alternative and merits further investigation.     

采用混合核支持向量机的DOA估计

人工神经网络（ANN）进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机（SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角（DOA）的估计性能,并结合二进制粒子群算法（PSO）来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数（RBF）神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题,提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性,提取信号双谱对角切片特征作为深度学习模型的输入数据,采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试,结果表明该算法能识别个体辐射源,在低信噪比条件下也能获得高的辐射源识别率;相比于其他识别算法,双谱对角切片特征有更鲁棒的分辨性。     

认知无线Mesh网络自适应多路径算法

认知无线Mesh网络随着频谱空穴的变化,路径随之改变,给数据传输带来负面影响 。提出了一种自适应多路径算法,该算法采用多agent强化学习模型,结合多路径调度策略 , 通过Q-学习算法更新Q值路由表。在路由变动的情形下,节点能够始终有较优路径传输 数据。仿真结果表明,该算法能够减少网络时延,提高网络性能。     

基于稀疏编码的鲁棒型人脸超分辨率重建

为了减少人脸超分图像的边缘伪影和图像噪点，利用基于稀疏编码的单幅图像超分辨率重建算法，在字典学习阶段，结合L1范数引入在线字典学习方法，使字典根据当前输入图像块和上次迭代生成的字典逐列更新，得到更加精确的超完备字典对，用于图像重建。实验中进行的仿真结果表明，改进算法超分结果的峰值信噪比（PSNR）和结构相似性（SSIM）比同类型的稀疏编码超分法（SCSR）和应用在线字典学习算法的超分方法（ODLSR）均有较大幅度提升，比后者平均提升0.72 dB和0.018 7。同时，视觉上有效地消除了边缘伪影，且在处理含噪人脸图像时，具备更强的去噪能力和更好的鲁棒性。     

一种最大分类间隔SVDD的多类文本分类算法

文本分类是信息检索和文本挖掘的关键技术之一。提出了一种基于支持向量数据描述(SVDD)的多类文本分类算法,用支持向量描述训练求得包围各类样本的最小超球体,并使得分类间隔最大化,在测试阶段,引入基于核空间k-近邻平均距离的判别准则,判断样本所属类别。实验结果表明,该方法具有很好的泛化能力和很好的时间性能。     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上，针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题，提出了一种新型的粒子群优化(PSO)算法与后向传播（BP）神经网络相结合的算法。BP网络算法权值的修正依赖于非线性梯度值，易形成局部极值，同时学习次数较多，需先通过粒子群算法进行优化。为了提高定位精度，首先采用速度常量法滤波处理，然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化，并分析算法的性能。试验中隐层节点个数采用试错法，从12到19变化，以确定合适数目。实验结果表明，与一般加权算法和传统BP算法相比，改进的混合优化算法可大幅改善测距误差对定位误差的影响，同时可使25 m内最小定位误差小于0.27m     

Learning equilibrium mean-variance strategy

We study a dynamic mean-variance portfolio optimization problem under the reinforcement learning framework, where an entropy regularizer is introduced to induce exploration. Due to the time–inconsistency involved in a mean-variance criterion, we aim to learn an equilibrium policy. Under an incomplete market setting, we obtain a semi-analytical, exploratory, equilibrium mean-variance policy that turns out to follow a Gaussian distribution. We then focus on a Gaussian mean return model and propose a reinforcement learning algorithm to find the equilibrium policy. Thanks to a thoroughly designed policy iteration procedure in our algorithm, we prove the convergence of our algorithm under mild conditions, despite that dynamic programming principle and the usual policy improvement theorem failing to hold for an equilibrium policy. Numerical experiments are given to demonstrate our algorithm. The design and implementation of our reinforcement learning algorithm apply to a general market setup.     

一种利用优先经验回放深度Q-Learning的频谱接入算法

针对认知无线传感器网络中频谱接入算法的频谱利用率不高、重要经验利用率不足、收敛速度慢等问题，提出了一种采用优先经验回放双深度Q-Learning的动态频谱接入算法。该算法的次用户对经验库进行抽样时，采用基于优先级抽样的方式，以打破样本相关性并充分利用重要的经验样本，并采用一种非排序批量删除方式删除经验库的无用经验样本，以降低能量开销。仿真结果表明，该算法与采用双深度Q-Learning的频谱接入算法相比提高了收敛速度；与传统随机频谱接入算法相比，其阻塞概率降低了6%~10%，吞吐量提高了18%~20%，提高了系统的性能。