深度学习技术在海关风险甄别中的应用研究

随着互联网的高速发展和人工智能时代的到来,越来越多从前必须由人脑完成的工作能够利用计算机技术来完成,而深度学习的出现更解决了传统机器学习算法在计算机视觉领域、自然语言处理领域表现不佳的问题,使机器也能够拥有准确感知图像和语音的能力。人脸识别是深度学习网络最常见的应用场景之一,具有自然、直接、方便的特点,且不需要检测对象配合,因此非常适合用于公共安全领域的风险检测。研究充分结合海关实际需求,搭建基于深度学习技术的人脸识别模型,提供对通关旅客进行实时风险甄别的解决方案,以及海关通关风险防控场景的理论参考,为后续深度学习技术在海关业务的研究提供支撑。     

基于动态因子Copula模型的我国银行系统性风险度量

本文基于2007年至2019年我国14家上市银行的股票收益率,构建偏态t-分布动态因子Copula模型,利用时变荷载因子刻画单家银行与整个系统的相关性,计算联合风险概率作为系统性风险整体水平的度量,基于关联性视角提出了新的单家机构系统脆弱性和系统重要性度量指标——系统脆弱性程度和系统重要性程度。该方法充分考虑了银行个体差异性和系统的内在关联性以及收益率的厚尾性和非对称性,从而能够捕捉到更多的信息且兼具时效性。研究表明:银行机构在风险聚集时期相关程度更大,联合风险概率能够准确识别出系统性风险事件且在我国推行宏观审慎评估体系以后有明显降低;整体而言,大型商业银行系统重要性水平最高,同时风险抗压能力也最强;本文使用的度量方法降低了数据获取成本且更具时效性,有助于为宏观审慎差异化监管工作提供借鉴和参考。     

基于Moran过程的PPP项目承包商机会主义行为演化动态

在PPP项目中，由于政府部门和承包商的目标不一致以及信息不对称等原因的存在，使得在其全寿命周期过程中，承包商的机会主义行为屡见不鲜。本文基于随机演化博弈理论，建构基于Moran过程的博弈模型，旨在探讨推动PPP项目承包商不采取机会主义行为策略的有利条件。研究表明，承包商数目不断扩大，通过降低承包商之间的举报成本，增大惩处力度，可使降低机会主义行为发生概率的效果显著。进一步，借助数值算例，对研究结果进行验证并给出相应的管理对策。     

基于深度学习的跳频信号识别

针对跳频信号分选存在人工提取参数特征具有复杂性的问题，提出了一种基于深度学习的识别方法。首先对跳频信号进行短时傅里叶变换，得到二维的时频矩阵；接着提取信号的轮廓特征，构造三维矩阵作等高线图，并对等高线图进行预处理；最后把预处理后的等高线图输入到卷积神经网络中进行训练、测试，进而实现分类识别。仿真结果表明，在不需要复杂的人工提取参数特征的基础上，在分选率为100〖WT《Times New Roman》〗%〖WTBZ〗时，所提方法经裁剪处理下的信噪比为-15 dB，比支持向量机和传统K-Means聚类算法都低10 dB。实测数据的算法验证表明，所提方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。     

一种基于孪生神经网络的深度异构网络嵌入算法

针对现有异构网络嵌入方法导致的捕获关系冗余和模糊的问题，提出了一种基于孪生神经网络的深度异构网络嵌入模型。首先，基于面向关系的深度嵌入(Relation-Oriented Deep Embedding，RODE)框架构建了异构网络嵌入模型，以区分同型节点和异型节点之间的关系；其次，将同型节点与异类节点之间的相似性近似到低维空间，通过构建多任务的孪生神经网络来实现节点之间结构和语义关系的深度嵌入；最后，选取四个数据集执行典型网络挖掘任务，并与其他六种算法进行实验对比分析。实验结果表明，保持相同类型节点之间的相似性有助于提高节点分类效率，且损失函数在提高异构网络嵌入质量方面具有良好的优越性；RODE模型能够有效提高稀疏网络的嵌入质量，且具有良好的稳定性和鲁棒性。     

一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题，以视觉几何组（Visual Geometry Group，VGG）网络为基础，提出卷积神经网络（Convolutionnal Neural Network，CNN）与长短期记忆网络（Long Short-Term Memory，LSTM）结合的识别算法。CNN提取数据集CASME II的空域特征，LSTM处理时域特征，实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题，加入批量归一化算法与丢弃法，提高网络训练速度，有效防止过拟合。针对数据集稀缺的问题，固定每次读取帧序列的长度，随机生成起始帧的位置，不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果，五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力，将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先，以雷达触发前的N帧信号为基础，对雷达的回波信号进行分析并构建数据集；然后，分析LeNet-5卷积神经网络的特点；最后提出一种改进的LeNet-5卷积神经网络。实验结果表明，与传统的支持向量机方法相比，所提方法能够智能学习大小车的雷达时频信号特征，大小车型识别准确率达到97%以上，可为交通场景下的车型识别研究提供新的技术途径。     

基于卷积神经网络自编码器结构的空时分组传输方案

为提高现有端到端通信系统的泛化能力和可靠性，提出了一种基于卷积神经网络的空时分组码（Space-Time Block Coding，STBC）多输入多输出通信系统物理层方案。该方案将通信系统物理层表述、调制和解调过程联合起来形成端到端自编码器系统，引入多层一维卷积层，分别构建发射机和接收机，并扩展为多天线模式。为进一步提高系统可靠性，合理规划网络结构和参数，联合信号的调制和编码方案，优化了系统模型。仿真实验表明，针对瑞利相关衰落下多输入多输出（Multiple-Input Multiple-Output，MIMO）信道应用场景，训练模型可以实现传统STBC系统的误码性能，两发两收系统在发送端相关系数为0和0.9时分别优于传统系统0.5 dB和1 dB。此外，经过优化后的系统可获得采用卷积编码的性能改善效果，其两发两收不同工作方式优于传统1/2码率卷积编码STBC系统1~3 dB。     

“北斗”救生终端海上自适应功率退避算法

受海况、浸水、结冰、对星等因素影响，飞行员海上遇险后报位可靠性较低，工作时长较短。为此，提出一种自适应功率退避方法，在对报位影响因素分析基础上，利用深度神经网络，通过对经纬度、高度、俯仰角、方向、加速度、速度、浸水、信号、电量等多维度数据进行学习，拟合出覆冰、浪涌、液面等信号特征与环境特征联想模型，自适应控制信号发射时机，实现功耗的有效控制。试验表明，该方法将通信成功率及工作时长分别由36.3%、6.0 h提升至73.3%、8.6 h。