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。     

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。     

一种利用机器学习优化MIMO窃听信道天线选择的方法

为保障多输入多输出窃听信道系统中信息传输的保密性，提出了一种基于机器学习的天线选择方案。首先利用机器学习解决分类问题准确率高、处理大数据高效这一优势，设计了基于奇异值分解的特征值提取、基于信干噪比的标签赋值方案，建立了k最近邻分类器和逻辑回归分类器选择最优天线最大化保密性能（可达保密速率和保密中断概率）。与传统天线选择方案相比，所提方案获得了几乎一致的保密性能，并且大幅降低了系统的选择复杂度和误比特率。     

蜂窝网络自组织研究及展望

自组织网络技术是提高蜂窝网络运行效率、降低运营成本的重要工具，已作为基本功能在4G标准化初始版本获得引入并得到不断发展。在复杂度更高的5G网络中实现网络自动化管理的需求将进一步增强。回顾了蜂窝网络自组织技术的基本概念、分类和主要用例，分析了主要研究方法；总结了学术界、标准化组织及研究机构的研究进展，重点介绍了基于机器学习的最新研究成果；调查了工程应用现状，分析了自组织网络面临的主要挑战，同时指出了新的研究方向。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

Optimizing a portfolio of mean-reverting assets with transaction costs via a feedforward neural network

Optimizing a portfolio of mean-reverting assets under transaction costs and a finite horizon is severely constrained by the curse of high dimensionality. To overcome the exponential barrier, we develop an efficient, scalable algorithm by employing a feedforward neural network. A novel concept is to apply HJB equations as an advanced start for the neural network. Empirical tests with several practical examples, including a portfolio of 48 correlated pair trades over 50 time steps, show the advantages of the approach in a high-dimensional setting. We conjecture that other financial optimization problems are amenable to similar approaches.     

How to move away from the silos of business management education?

Business management education is criticized for being too theoretical and fractional. Despite the numerous efforts to build integrated and experiential business curricula, learning is still organized in disciplinary silos. The curriculum integration efforts are carried out in separate sections of the curriculum rather than the core. There are theoretical, holistic models, but a lack of concrete examples of holistic business curriculum implementations. The authors bring the separate sections together by developing a holistic core curriculum model with three perspectives: a structure to bring intellectual coherence, people organized in learning communities, and an enterprise resource planning–supported learning environment to bring the practical training ground. The authors present a concrete implementation in a case study with first-year undergraduate business students and present their lessons learned.     

Antecedents of the propensity to learn management practices and their impacts on firm outcomes in emerging markets: A Bayesian Model Averaging approach

This article explores the factors that motivate firms to learn new management practices. The hypotheses are empirically tested using a representative sample of 3676 small, medium and large firms from four South Asian countries and across all main sectors of economic activity. Given that we know little about the antecedents of the propensity to learn management practices in emerging markets, the study employs Bayesian Model Averaging approach to overcome the potential issue of model uncertainty. The results reveal that market competition, resource allocation towards internal and external R&D, good quality mobile network coverage and the use of external certified financial auditors have all positive and significant effects on the propensity to learn management practices. The results also suggest that private intellectual property rights protection in the context of inefficient legal systems can deter firms from learning, perhaps in fear of legal ramifications. Finally, the study shows that firms with a higher propensity of learning management practices are more likely to become profitable while exhibiting higher levels of both potential and actual innovation.     

大数据、人工智能与厂商竞争路径

经济学对市场竞争路径的学理性分析，主要集中在价格确定、产量确定、规模经济、产业组织等方面，而对科技进步引发市场竞争路径的变化并没有足够的关注。其实，市场竞争路径变化的底蕴是科技进步，只是经济学家在分析市场竞争路径时偏好于将科技因素作为外生变量处理。大数据和人工智能等的发展可谓是一场史无前例的科技革命，它对人类经济活动产生广泛而深刻的影响主要表现为：大数据及其运用怎样影响厂商投资经营，大数据与机器学习等人工智能手段相融合会在哪些方面改变厂商竞争路径，厂商如何提高数据智能化和实现网络协同化，在什么样的条件下会出现行业垄断，等等。文章的基本分析观点是：厂商竞争路径变化是贯穿于大数据、互联网和人工智能等相互融合过程的一种现象，这种现象对应于新科技进步和运用的不同层级；微观经济分析需要将新科技因素作为内生变量，通过分析大数据、机器学习与厂商竞争路径之间的关联，揭示厂商竞争路径变化机理以及由此引致的产业组织等问题。