基于工具变量的丁苯酞-急性缺血性卒中的因果效应评估

因果效应分析在临床统计中是一种常见的研究方法,其通常基于观察数据进行分析。然而,在使用观察数据进行因果效应分析时,常受到未观测变量的影响,从而使因果效应评估出现偏差。当无法忽略未观测变量带来的偏差或无法找到适当的代理变量来削弱这种偏差时,传统方法无法提供可靠的因果效应估计。为了解决这一问题,本文采用工具变量法,在临床统计的药效分析领域提出一种比传统方法更加准确的计算方法,将未观测变量的影响纳入误差项,以实现准确的因果效应估计。通过将观察数据中满足特定假设的变量作为工具变量,计算了丁苯酞(一种药物)对急性缺血性卒中(Acute Ischemic Stroke,AIS)患者在存在未观测变量的情况下,其3个月预后的因果效应,并评估了该因果估计量的置信区间。研究结果揭示了丁苯酞对急性缺血性卒中患者的预后恢复具有明显的积极作用。     

一种基于ODDT的FDES复合因果链层次化解耦方法

针对复杂系统结构中模糊因果关系与不精确的信息相耦合所产生的状态爆炸问题,提出一种基于ODDT的FDES复合因果链层次化解耦方法.该方法基于时间约束下复合因果链解耦的Petri网模型(TC-PPN),并以合并状态信息和时序信息为基础,通过构造观测信息的时间约束图,以时间证据合并的方法分析离散事件在时间维度上的可观性,进而提出了FDES中复杂系统在时间维度上的模糊可观程度概念及测量方法.最后根据全局状态的时间信息计算其可观程度,构造出一种基于ODDT的FDES复合因果链层次化解耦方法.     

时序分析法在舰载直升机保障能力评估中的应用

考虑到目前我国舰载直升机保障能力评估方面存在数据不完整、评估指标权重随时间动态变化的问题,研究了基于时序分析法的舰载直升机保障能力评估方法.通过调研并参考陆基直升机的保障经验,构建舰载直升机保障能力评估指标体系;在评估过程中利用了时序分析法,解决了实际评估问题中权重动态变化的问题.通过实例分析表明该方法实用性较强,适合现阶段舰载直升机保障能力评估问题的研究,具有一定的应用价值.     

基于块效应抑制的压缩降质模糊图像盲复原

针对被压缩重构后的模糊图像复原问题,提出基于块效应抑制的图像去模糊方法.采用多尺度分解逐层进行模糊核估计,每一层利用去块效应的模糊图像作为有效显著边缘估计的参考图像,并在模糊核估计优化函数中加入模糊核梯度约束保证其连续平滑性,通过在频域交替迭代优化确定模糊核.最终复原约束项为图像全变分以及L2范数块效应抑制项,该项通过迭代使得复原图像和去块效应图像逐步逼近.实验结果表明,提出的方法能够在较高压缩率的模糊图像中估计出相对准确的模糊核,得到兼顾消除块效应与保留图像细节的复原效果.     

作战实验变量因果网络模型检验方法

作战实验数据规模大、变量多、因果关系复杂，造成不同变量间因果关系呈现网络化结构特征。在节点数量多、网络结构庞大的情况下，为避免主观经验为检验结果带来偏差，以及盲目开展验证实验产生过度消耗，如何采用量化计算的方式来检验网络化作战实验变量因果关系模型的整体合理性与正确性，是作战实验分析领域亟待解决的重要问题。针对作战实验变量因果网络模型的主要特征，结合因果推断理论方法，按照“调整变量生成—因果效应识别—因果效应异常检验”的基本步骤，提出一种基于因果效应异常检验的作战实验变量因果网络模型检验方法。最终仿真案例表明，该方法能够从已有模型中发现可能存在错误的节点变量，检验结果与问题领域的背景知识较为相符。     

OFDM系统中频域同步技术及FPGA实现

针对OFDM系统频域中的整数倍频率偏移、小数倍频率偏移、采样钟频率偏移和定时偏移等问题,本文提出了相应的解决方案,并采用FPGA对各方法进行硬件电路实现.这些硬件实现方法巧妙,估计精确,能节省大量硬件资源.通过实际的电路时序波形仿真验证,证明了这些方法的实用性.     

混沌序列优化预测模型研究

混沌是一种普遍的非线性动力学行为,大多数情况下是有害的。针对混沌时间序列的难以预测和控制的问题,提出了基于趋势的混沌预测模型,用改进的最优化方法来估计模型的参数,在其相空间中对时序的未来值进行预测。算例表明,选取最佳的模型阶数能增加预测的准确程度,预测效果比统计方法好。     

应用于超宽带正交频分复用系统的联合估计接收机

针对超宽带正交频分复用（UWBOFDM）系统存在的子载波间干扰（ICI）问题,提出了联合估计（JE）接收机方法. 该方法通过估计ICI矩阵,并进行相应处理以消除ICI. 仿真结果表明,此方法可以有效消除ICI带来的“地板效应”,使系统性能得到改善.     

基于差分概率的信道衰落估计方法

现有的信道估计方法通常存在计算量大、复杂度高等问题。基于差分概率对信道衰落幅值进行概率统计,并将信道增益的时序关系及其时序差分量的概率统计特性相结合进行仿真实验,发现信道估计的计算量和复杂度得到了降低,并在此基础上提出基于差分概率的信道估计方法。     

ICA Based Identification of Time-Varying Linear Causal Model

基于ICA的时变因果模型辨识

陈红霞,冶继民

（西安电子科技大学 数学与统计学院,西安 710126）

创新点说明：

1）将已有模型推广为具有时变的因果系数和非高斯噪声的新模型,具有非高斯噪声的时变因果模型具有更加广泛的应用。

2）针对新模型,提出基于ICA的两步估计方法,且与基本ICA模型不同的是,本文中时变因果模型蕴含的是混合矩阵随时间变化的ICA问题,这增加了一定的估计难度,也开拓了新的应用及研究方向。

研究目的：

将已有具有时不变的因果影响系数或者高斯噪声的模型推广为更一般的具有时变因果影响系数和非高斯噪声的因果模型。针对新模型,提出基于ICA的两步估计方法来估计新模型,第一步利用解卷积算法求解卷积混合系数,第二步利用求解时变ICA模型的方法求解系数。最后将新模型与新方法应用于实际问题的估计与求解中。

研究方法：

1）将提出的TVLC模型变形为带噪声的卷积模型;

2）利用解卷积算法估计转化卷积模型的卷积混合系数,将原数据和卷积混合模型的估计结果数据作差得到噪声数据;

3） 对噪声数据利用时变ICA模型的估计方法估计瞬时影响系数,两步综合,得到本文所提模型中的所有影响系数。

4）通过MATLAB软件、R软件、Eviews7软件编程实现,利用人工产生数据验证提出方法的正确性。

结果：

在提出新模型后,提出基于ICA的两步估计方法估计模型中瞬时影响系数和时延影响系数,然后给出仿真验证,仿真实验的人工数据估计过程证明了所提方法的有效性。最后,将模型和方法运用于经济学中的实际股票数据分析研究,得到了三支股票数据间的因果影响强度并给出解释。

结论：

本文所提模型具有时变因果影响系数和服从非高斯分布的噪声变量,在实际中的运用更为广泛。根据模型特点,提出基于混合系数时变的ICA的两步估计方法是本文亮点。从人工数据的模拟实验看出,ICA模型中存在的符号不确定性在时变ICA模型中也存在,但该不确定性不会影响估计效果。

本文所提模型和基于ICA的两步估计方法应用于经济中,得到正确、合理、易于解释的股票间因果影响关系,除经济学之外,所提模型及其估计方法可广泛应用于天气分析、神经系统科学等领域。

关键词：时变因果模型;独立成分分析(ICA);格兰杰因果检验;因果推断

     

基于因果模型的社交网络用户购物行为研究

社交网络用户的购物行为体现用户在社交影响下自身物质需求和社交需求的意愿,是社交网络营销的重要研究内容。传统的网络购物行为分析仅关注用户行为间的相似度,忽略了用户的社交需求及同伴行为的影响。对此,结合反从众理论和社交需求特性,对用户购物行为进行特征构建;其次,针对社交网络用户数据不完全观察特性,提出了基于快速因果推断（Fast Causal Inference,FCI）的用户行为因果机制发现算法;最后,基于模型的实验分析和实证分析验证了模型因果机制的合理性。     

群智感知中用户细粒度可靠性与真值预估模型

为了提高群智感知中感知数据的质量问题,提出了一种基于用户细粒度可靠性预估任务真值的方法,通过用户建模筛选出高质量数据。首先根据影响用户执行任务的瞬时因素评估用户的实时可靠性;其次,在刻画历史信誉度方面,引入信息熵衡量用户的信誉分布,包括用户总体信誉分布和在不同类别任务下的信誉分布;基于用户可靠性设计了有效的真值预估方法预估任务真值。实验结果表明,所提模型能够有效地评估用户在多类别任务下的可靠性,提高任务真值预估的准确率。     

耦合社会信任信息的矩阵分解协同过滤模型

在过去的十年中,协同过滤（CF）推荐系统已经取得了巨大的成功。然而,用户-物品矩阵的稀疏性和冷启动问题仍然是一个挑战。在线社交网络的出现,为推荐系统提供了大量社交网络信任信息,从而为解决这一问题提供了契机。该文基于矩阵分解协同过滤方法,提出了一种集成用户信任信息的模型。该方法利用用户信任信息对用户隐因子进行修正,采用自编码器来提取用户和物品隐特征向量的初始化特征,并针对社交网络中的信任关系提出了信任群组的检测算法。大规模的真实数据集上进行的广泛的实验表明,该模型与相关算法对比,不但能有效缓解冷启动,而且取得了更好的推荐性能。     

奇异值分解与中心度量的细粒度车型识别算法

针对细粒度车型识别图像分类因存在冗余特征而导致识别率低的问题,提出一种基于奇异值分解与中心度量的细粒度车型识别算法。首先,提出一种基于奇异值分解卷积神经网络,对全连接层的权重矩阵进行奇异值分解后重新赋值并微调,可以去除具有相关性的冗余特征,学习到细粒度级别的区分性特征;其次,提出一种学习不同特征的融合损失方法,将中心距离损失和分类损失进行加权融合,使得学习的特征类内之间的距离更小。实验表明,该方法使用 Residual Network(ResNet)框架在Cars-196细粒度车型数据集上测试,准确率能够达到93.02%,优于目前表现较好的双线性和注意力模型。扩展实验证明该方法同样适用于其他网络框架。     

融合用户信任和影响力的top-N推荐算法

针对现有基于信任的推荐方法通常直接利用社交网络的二值信任关系来提高推荐质量,较少考虑用户间信任强度的差异和潜在影响的问题,提出结合用户信任和影响力的混合推荐算法进行top-N项目推荐. 采用自动编码器对用户行为进行无监督的初始特征优化,将高维、稀疏的用户行为压缩成低维、稠密的用户及项目特征向量;提出融合用户交互信息、偏好度和信任的新型信任度量模型,发掘社交网络中用户间的隐含信任关系,重构社会信任网络;将社会信任网络的拓扑结构和用户的交互信息融入结构洞算法,通过改进的结构洞算法来识别网络中的影响力用户,提高top-N项目推荐性能. 实验在FilmTrust、Epinions、Ciao这3个标准数据集上进行对比验证,实验结果证明了所提算法的有效性.     

Method for estimation of vehicular network traffic for smart transportations

With the rapid deployment of 5G networks,the Internet of Vehicles (IoV),Internet of Things (IoT),and edge computing have made a great progress,which leads to vehicular network traffic measurements facing many challenges.To this end,the present paper studies the vehicular network traffic estimation problem for smart cities.A software-defined network (SDN)-based vehicular network traffic estimation method is proposed.A coarse-grained measurement value via an SDN architecture is designed.A fine-grained measurement model based on the autoregressive moving average (ARMA) model is constructed.Finally,a heuristic algorithm is presented to obtain accurate estimation results for vehicular network traffic.Simulation results indicate that the method proposed in this paper is feasible and effective.     

超密集网络中基于判别函数的聚类算法

超密集网络可以通过虚拟小区间的协作来提升用户体验,但由于小区的重叠覆盖使得用户间存在较复杂的干扰问题。因此,提出了一种基于判别函数的聚类算法来缓解强干扰带来吞吐量下降的问题。首先,利用用户间干扰信道的余弦相似度定义用户间的干扰网络;然后,基于干扰网络选出簇头并划分用户,同时为了解决虚拟小区下的模糊用户归属簇问题,以簇间干扰权重之和最大,簇内干扰权重之和最小为原则设计判别函数,对用户进行模糊归类。仿真结果表明,在不增加复杂度的同时,所提算法比其他方法的系统吞吐量提升了10%~30%,对于边缘用户具有一定优势。     

可再生能源供电异构蜂窝网络中基于拓扑势的用户接入算法

可再生能源供电的蜂窝网络相关研究已经成为绿色无线网络热点研究内容之一. 针对可再生能源供电异构蜂窝网络场景,提出了一种基于拓扑势的用户接入算法,实现基站间能量均衡与负载均衡的折中. 定义用户与基站间拓扑势,综合考虑用户业务量、用户与基站间信道容量、基站可用能量,衡量基站对用户的吸引程度;将基站所接入用户拓扑势总和定义为基站效用值,并给出了基站间效用公平的用户接入最优化问题;提出了一种迭代方法求解最优化问题,通过用户与基站间信息交互与迭代更新完成用户接入基站选择,均衡基站间能量与负载. 仿真结果表明,所提算法在保证基站间负载均衡的同时充分利用了基站收集的可再生能源,实现了基站间能量均衡.     

TrigSigs:一种有效的非结构化记录关联合并算法

为了解决从网络数据源提取的非结构化数据的处理问题,提出一种基于触发对的聚类算法TrigSigs,利用触发对挖掘非结构化数据中隐含属性间的关联关系作为辨别实体的标志.该算法能够聚集对辨别实体起到关键作用的特征组合,过滤噪音词汇,并且根据辨别实体的分辨力,为每个特征词汇赋予合理的权重,使记录的特征向量对辨别实体更具代表性,最终提高聚类结果的细粒度,很好地解决了非结构化数据的记录关联合并问题.实验结果表明:该算法可以过滤绝大部分噪音词汇,并且根据词汇的分辨力合理分配权重,使最终聚类结果的准确率有很大的提升.     

异构蜂窝网络中一种基于匈牙利算法的用户关联方法

在异构蜂窝网络中使用传统的小区选择方法会导致宏基站和小基站的负载失衡,而与小基站关联的用户面临服务质量 (QoS) 的降低的问题。针对该问题,提出了一种基于效用函数最大化的用户与基站关联方法。该方法将用户与基站的关联过程建模为双目标优化问题并且线性化为系数可调的效用函数最大化问题,以实现基站负载均衡和用户QoS之间的折中。通过设计权值系数,将该效用函数最大化问题转化为基于二部图的最大匹配,并用匈牙利算法求得最优解。仿真结果表明,该方法实现了异构蜂窝网络中宏基站与小基站之间的负载均衡,并且通过系数调节,达到了基站负载均衡和用户QoS之间的折中。