浅析海牙《协议选择法院公约》对国际商事仲裁的影响

目前我们面临着这样一种境况：尽管是各个国家造就了国际法,各国的法院又代表着国家的主权,但这些法院的判决并未能在国际范围内得到广为承认和执行。相反,只有司法庭,即仲裁庭的裁决才能在执行地国法院的协助下在全球多数国家得到执行。海牙《协议选择法院公约》的出台是否能改变这一境况,公约起草者们设立的与国际商事仲裁体制竞争的目标能否实现,其对国际商事仲裁将产生怎样的影响,将是本文探讨的重心。     

浅谈桌面虚拟化及其应用实例

许多CIO都开始考虑虚拟桌面基础设施，如果还没有将脚放进VDI池中，那么这个CIO可能就已经Out了。VDI是一项非常年轻且充满活力的技术，我们绝对有理由相信未来几年它会呈爆炸式增长。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去 相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律 的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA) 的遥感 图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方 根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了9155% ,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很 好的应用前景。     

一种改进的基于多用户检测的独立分量分析算法

为了降低FastICA算法的计算复杂度,提出了一种基于多用户检测串行干扰抵消的新型独立分量分析算法MUD_FastICA。该算法结合了盲信号分离和多用户检测串行干扰抵消两种信号处理技术,利用减法和低维特征值分解来保证每次分离出不同独立分量和达到降低算法复杂度的目的。通过分析和仿真可以看出,所提算法在不影响分离性能的前提下,显著降低了算法的迭代次数和每次迭代的计算复杂度。在信噪比0 dB和4个源信号混合情况下,分离第二个信号的迭代次数和所需计算单元分别下降了14%和37%,分离第三个信号的迭代次数和所需计算单元分别下降了22%和58%,因此更加适合对实时性要求高的通信系统。     

结合独立分量分析和支持向量机的遥感影像土地覆盖分类

在高分辨率遥感影像中地物的光谱分布非常复杂,同质异谱、异谱同质的现象广泛存在,相互混杂的光谱使得传统的光谱解译方法面临困难。独立分量分析是由信源分离技术发展起来的智能信号处理方法,可将多通道信号按照统计独立的原则通过优化算法分解为若干独立成分,将其引入到高分辨率遥感影像处理中．可以减少地物光谱分布的混杂性,增强目标和背景的反差,从而提高分类精度。支持向量机是在统计学习理论基础上发展出的一种新的模式识别方法,本文将其与独立分量分析结合对高分辨率影像进行分类,以北京地区QuickBird多光谱影像为例,实验证明该方法能有效提高高分辨率影像的分类精度．     

基于ICA的图像去噪技术研究

ICA(Independent Component Analysis)可以仅由简单的几个假设条件,还原出原始相互独立的分量。利用ICA这一特点可对与噪声数据相互独立的图像数据进行分离,达到图像去噪的目的。文章对有噪图像进行小波处理,构建一个虚拟通道作为一个输入,对原有噪图像和构建出的虚拟通道进行分离,可得到去噪图像。传统去噪方法与文中所用方法的处理结果进行了比较。     

一种新的混合线性调频雷达信号识别方法

混合线性调频(LFM)雷达信号在实际信号环境中广泛存在,对其进行识别尤为重要.由于混合LFM信号时频分布有严重的交叉项,因此提出了一种基于独立成分分析的时频交叉项抑制法.通过盲源分离提取各独立成分,利用时频分布矩阵的联合对角化法抑制交叉项,再由各成分信号自项求和重构Wigner-Ville分布,采用Wigner-Hough识别各LFM成分.分析了Wigner-Hough变换输入信噪比和输出信噪比的关系,仿真验证了算法的有效性,得出随着样本点数的增加,在低信噪比条件下,能获得好的识别性能的结论.     

独立分量分析及其在通信信号处理中的应用

独立分量分析是一种基于高阶统计量的信号分析方法,近年来作为信号处理的强有力分析处理工具得到广泛关注和研究。文章介绍了ICA的原理,并仿真了ICA算法在语音信号盲分离中的应用。     

基于PCA和ICA的掌纹识别

基于个人的生理和行为特征的身份识别即生物认证得到了快速的发展。掌纹具有唯一性和稳定性,相对声音、虹膜等生物特征更易于被接受。基于PCA的掌纹特征提取,是将初始掌纹图像投影到由PCA生成的特征向量张成的新空间来描述。基于ICA掌纹特征的获取中采用两种体系结构,用欧几里德距离和余弦相似度作为匹配函数。     

A conditionally heteroskedastic independent factor model with an application to financial stock returns

We propose a new conditionally heteroskedastic factor model, the GICA-GARCH model, which combines independent component analysis (ICA) and multivariate GARCH (MGARCH) models. This model assumes that the data are generated by a set of underlying independent components (ICs) that capture the co-movements among the observations, which are assumed to be conditionally heteroskedastic. The GICA-GARCH model separates the estimation of the ICs from their fitting with a univariate ARMA-GARCH model. Here, we will use two ICA approaches to find the ICs: the first estimates the components, maximizing their non-Gaussianity, while the second exploits the temporal structure of the data. After estimating and identifying the common ICs, we fit a univariate GARCH model to each of them in order to estimate their univariate conditional variances. The GICA-GARCH model then provides a new framework for modelling the multivariate conditional heteroskedasticity in which we can explain and forecast the conditional covariances of the observations by modelling the univariate conditional variances of a few common ICs. We report some simulation experiments to show the ability of ICA to discover leading factors in a multivariate vector of financial data. Finally, we present an empirical application to the Madrid stock market, where we evaluate the forecasting performances of the GICA-GARCH and two additional factor GARCH models: the orthogonal GARCH and the conditionally uncorrelated components GARCH.