基于有限域的QC-LDPC码编码协作通信及其联合迭代译码技术

为了提高系统的性能和易于工程实现,提出了基于有限域加群构造的QC-LDPC码,通过特殊的构造方法构造出满秩的QC-LDPC码并将之应用于编码中继协作通信系统的源节点和中继节点处,并由此构成了总体校验矩阵,导出了双层Tanner图,目的节点处采用基于双层Tanner图的联合迭代译码算法。仿真结果表明,误码率为10-5、迭代5次时,理想中继协作通信系统的性能好于非协作和非理想中继协作系统的性能,分别为1.3 dB和1 dB;并且S-D与R-D信道的信噪比相等时,S-R信道信噪比越高,非理想中继协作通信系统的性能越好。     

新产品开发合作伙伴的优化选择研究

研究新产品开发项目中的合作伙伴选择问题,用带有非线性目标函数的0-1整数规划模型对问题进行定量描述,在时间和成本约束下的最小化项目失败风险。模型的非线性和复杂性使其无法用常规方法进行求解,设计带有自适应惩罚函数的遗传算法对可行域和非可行域进行搜索,快速有效地获得最优解或近优解。     

基于IMM-EKF的高动态“北斗”导航信号频率估计算法

高动态环境下的“北斗”导航信号含有较大的多普勒频率及其变化率,传统锁相环（PLL）在跟踪时难以保证较高的跟踪精度。在分析高动态环境下“北斗”信号模型的基础上,提出了一种基于交互式多模型-扩展卡尔曼滤波（IMM-EKF）的自适应滤波算法,对载波相位及其高阶分量进行估计。IMM-EKF采用多个跟踪模型来解决滤波过程中单个模型不准确的问题,并结合改进的Sage-Husa自适应算法,在线估计和修正过程噪声及测量噪声的统计特性,增强了滤波的稳定性。仿真结果表明,IMM-EKF相比于PLL和EKF,估计精度更高,算法稳定性更强。     

基于数据挖掘的重大错报风险识别和评估研究

基于现代风险导向审计理论,运用数据挖掘方法,选取2001-2020年因财务报表重大错报被出具保留和否定意见的上市公司为样本,构建基于CHAID算法的重大错报分类预测模型,从中识别重大错报的基本特征,挖掘重大错报与否的决策规则。结果表明：流动性差、盈利能力不足、长期偿债能力弱的上市公司,在较高的置信水平上存在高重大错报风险;模型总体正确率为97.17%,分类效果较为理想。鉴于此,能够为识别、评估和预测财务报表重大错报风险提供线索。     

碎纸片的拼接复原数学模型的构建

本文讨论在碎纸机以不同方式破碎纸片的情况下建立碎纸片的拼接复原模型,以解决碎片数量巨大时人工拼接的难题,本文建立了三个具有针对性的模型。模型一:方差分析法下的碎纸片拼接模型。在以纵切方式破碎纸片的情况下,提取碎纸片左右边缘的灰度列向量,利用碎纸片边缘处为单边同宽空白区域的特殊性对碎纸片进行定位,再利用方差分析法和欧式距离解决了纵切碎纸片的拼接复原问题。模型二:文字行间距一致性的碎纸片拼接模型。以纵横方式破碎纸片,利用同行文字行间距一致性的主要特性可解决横向碎纸片的拼接复原问题,简化了模型,将离散的像素灰度矩阵平均化处理,进而利用欧氏距离对碎纸片进行匹配,得到了碎纸片复原后的完整图片。模型三:二值化Otsu算法的碎纸片拼接复原模型。本文从双面纵横破碎纸片的问题出发,建立了纸片二值化Otsu法拼接模型,先对碎纸片分组预处理,为将复杂模型简单化,再利用全局阈值方法中典型的Otsu法求取碎纸片的最佳阈值,以该阈值对碎纸片中所含灰度值信息进行划分实现二值化处理,将边缘区域明显化,利用统计学方法求取拼接后的纸片间成功匹配的像素点占纸片边缘的概率,最终双面纵横破碎纸片的拼接复原问题得以解决。     

内部收益率的MathCAD软件算法探究

内部收益率是评价项目很重要的方法。把MathCAD软件算法与财务指标的计算相结合,很好地解决了内部收益率的“三大难题”——精确性、存在性、正实根求解。这种算法的思想完全可以推广到实际工作中,而且将对财务软件的设计起着重要的作用。     

单汇最短路径问题的一种算法

提出单源最短路径的逆问题－－单汇最短路径问题,并给出相应的算法。     

基于Stacking模型融合的用户购买行为预测研究

在大数据时代背景下,如何利用大量的销售数据精准预测顾客未来需求,成为企业制定客户管理和库存管理决策的一个重要问题。目前关于用户购买行为预测的研究中很少能够预测用户具体的购买时间。基于已有的销售数据,提出了基于机器学习和Stacking集成的综合预测模型预测用户的购买行为,即未来是否购买及其购买时间。将模型应用在一家大型连锁零售企业的需求预测中,并对方法的有效性进行评估。结果表明,基于Stacking集成的融合模型对预测用户未来是否购买具有最佳性能,准确率达85%,AUC值达到0.928;LightGBM集成算法在预测用户购买时间时具有最优性能,相比于融合模型提升了5.5%的预测性能;融合模型+LightGBM算法的组合相比于均使用融合模型提升了9.4%的预测性能。     

Boosting算法及其在动态视频图像中的应用

Boosting是一种有效的分类器组合方法,它用某个分类算法生成一系列的基分类器,每个基分类器的训练依赖于在其之前产生的分类器的分类结果,基分类器在训练集上的错误率用于调整训练样本的概率分布,最终分类器通过单个基分类器的加权投票建立起来。将Boosting算法应用在动态车型图像检测中,大大提高了对运动过程中车辆的识别能力,对智能交通系统的发展起着推动作用。     

混合遗传算法求解一类多资源生产调度问题

研究了机器设备、工人人数和机器人三种资源受限制的多资源生产调度的问题,建立了数学模拟。采用遗传算法和模拟退火算法相结合的混合遗传算法对问题进行求解。通过仿真试验验证了该混合遗传算法求解此类多资源生产调度问题是可行的、有效的。