Structural Change and Long Memory in the Dynamic of U.S. Inflation Process

Long range dependence and regime switching are very intimately related effects. In this paper we consider the problem of spuriously detecting breaks point in hypothesis of long memory data generating processes. For this purpose, we address the issue of estimating the number of breaks using several techniques, namely, the information criteria, Bai and Perron’s sequential selection procedure (Econometrica 66:47–78, 1998), and the automatic procedure of Lavielle (J Financ Econ 2:290–318, 2004). By means of Monte Carlo experiments, we investigate the effect of increasing the long memory parameter on selecting the number of breaks and their locations, and show that the Lavielle’s method is the best technique since its frequency of choosing the true number of changes is the highest particularly when the order of integration is close to 0.5. As it seems that inflation rates contains long memory and structural breaks, an application to the U.S. inflation process is presented to illustrate the usefulness of these procedures. The results show that the Lavielle’s method (J Financ Econ 2:290–318, 2004) selects only 2 breaks, however, the number of breaks detected by the information criteria and the sequential procedure of Bai and Perron (Econometrica 66:47–78, 1998) are superior or equal to three.      

脉搏传播时间与血压关系的长时记忆性分析

相对于柯氏音法,通过脉搏传播时间估算血压不仅更为便携,还可以实现血压的连续测量。但是因为现有研究建立的线性方程的有效时间较短,所以脉搏传播时间随血压变化的机制有待进一步的分析。文中以MIMIC数据库中的10例数据为研究对象,从长时记忆的角度,以符号化和复杂网络为主要研究手段分析了血压与脉搏传播时间的关系。对网络的度分布进行了分析,结果显示收缩压网络度分布具有幂率性,验证了收缩压脉搏波传播时间关系序列的长时记忆。对血压网络节点变化的分析显示,相对于舒张压,收缩压网络的节点数能较快达到饱和,反映了某种核心状态对血压脉搏传播时间关系的持续影响。研究结果可以为通过脉搏波传播时间更精确地无创连续测量血压提供支持。     

基于GAN-LSTM的APT攻击检测

高级持续性威胁(Advanced Persistent Threat,APT)带来的危害日趋严重。传统的APT检测方法针对的攻击模式比较单一,处理的APT攻击的时间跨度相对较短,没有完全体现出APT攻击的时间序列性,因此当攻击数据样本较少、攻击持续时间较长时准确率很低。为了解决这个问题,文中提出了基于生成式对抗网络(Generative Adversarial Netwokrs,GAN)和长短期记忆网络(Long Short-term Memory,LSTM)的APT攻击检测方法。一方面,基于GAN模拟生成攻击数据,为判别模型生成大量攻击样本,从而提升模型的准确率;另一方面,基于LSTM模型的记忆单元和门结构保证了APT攻击序列中存在相关性且时间间距较大的序列片段之间的特征记忆。利用Keras开源框架进行模型的构建与训练,以准确率、误报率、ROC曲线等技术指标,对攻击数据生成和APT攻击序列检测分别进行对比实验分析。通过生成式模型生成模拟攻击数据进而优化判别式模型,使得原有判别模型的准确率提升了2.84%,与基于循环神经网络(Recurrent Neural Network,RNN)的APT攻击序列检测方法相比,文中方法在检测准确率上提高了0.99个百分点。实验结果充分说明了基于GAN-LSTM的APT攻击检测算法可以通过引入生成式模型来提升样本容量,从而提高判别模型的准确率并减少误报率;同时,相较于其他时序结构,利用LSTM模型检测APT攻击序列有更好的准确率和更低的误报率,从而验证了所提方法的可行性和有效性。     

非线性状态空间模型遗忘性研究

动态系统的遗忘性是描述系统行为主要取决于其近期输入的概念，与系统的稳定性、鲁棒性等密切相关。对于非线性状态空间模型，遗忘性在很弱的条件下与整体一致非常吸引等价。系统在凸集或不变区集上的遗忘性可由一类特殊Ｌｙａｐｕｎｏｖ函数的存在性保证。遗忘区域的大小可利用矩阵不等式来估计。     

基于小波包与长短时记忆融合的铁路旅客流量预测模型

短期铁路客运需求量的实时精准预测可以为实时调整客运服务结构提供依据.铁路旅客流量数据具有时变性、非线性和随机波动性等特点,传统的预测模型无法精准的预测短期内的客流量.本文提出一种基于小波包分解与长短时记忆融合的深度学习预测模型（WPA-LSTM）,首先用小波包分解将原始客运量时间序列分解重构成多个不同尺度的低频和高频序列,然后分别针对各个子序列进行LSTM模型训练和预测,最后将各子序列的预测值叠加作为WPA-LSTM模型的输出.采用某高铁367天的日旅客流量数据对模型进行实验验证,并与季节性模型和基于经验模态的长短时记忆融合模型进行对比,实验结果表明,WPA-LSTM模型可有效提高铁路旅客流量预测的精度.     

基于随机非平稳和长短时记忆网络的泊位混合预测

为了缓解大城市中日益突出的停车困难,现如今中国各大城市级停车诱导系统的研究开发势在必行.在停车诱导系统中,作为帮助用户找到最合适的停车场的重要因素,对未来停车位的预测是一个非常重要的智能技术手段.目前主流预测方法如果没有了实时数据,大部分会出现误差累积现象,从而影响预测准确性.然而,在停车诱导系统平台的建设早期,我们很难做到将城市所有停车场实时的数据流搜集起来.因此,文中以具有周期特性的非平稳停车位历史数据为研究对象,首先根据中心极限定理和大数定理对停车位进行统计分析,然后结合LSTM （Long Short-Term Memory）,提出混合预测模型SAL （non-stationary Stochastic And Long short-term memory）来对未来某个时间段的停车位作有效预测.实验数据证明,相比于单独使用LSTM和Lyapunov指数法作长期预测,SAL的计算复杂度更低,预测效果相对更加精确,并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题.     

用于文本分类的局部化双向长短时记忆

近年来,深度学习越来越广泛地应用于自然语言处理领域,人们提出了诸如循环神经网络(RNN)等模型来构建文本表达并解决文本分类等任务。长短时记忆(long short term memory,LSTM)是一种具有特别神经元结构的RNN。LSTM的输入是句子的单词序列,模型对单词序列进行扫描并最终得到整个句子的表达。然而,常用的做法是只把LSTM在扫描完整个句子时得到的表达输入到分类器中,而忽略了扫描过程中生成的中间表达。这种做法不能高效地提取一些局部的文本特征,而这些特征往往对决定文档的类别非常重要。为了解决这个问题,该文提出局部化双向LSTM模型,包括MaxBiLSTM和ConvBiLSTM。MaxBiLSTM直接对双向LSTM的中间表达进行max pooling。ConvBiLSTM对双向LSTM的中间表达先卷积再进行max pooling。在两个公开的文本分类数据集上进行了实验。结果表明,局部化双向LSTM尤其是ConvBiLSTM相对于LSTM有明显的效果提升,并取得了目前的最优结果。     

一种面向堆操作程序内存安全性的域敏感内存模型

堆操作程序具有通过共享易变数据结构动态操纵堆内存单元的特性,使得内存安全性难以保证。针对这个问题,提出了一种域敏感的k-limit内存抽象模型,以支持动态调整抽象的粒度,取得静态分析在精度和效率上的平衡。分别从框架、性质、操作方面介绍了该内存模型,然后结合内存安全性的定义,在基于该模型的操作语义框架内定义了4种与内存安全性相关的错误类型,最后设计了基于该模型内存安全性检测的数据流迭代算法。     

融合卷积网络与残差长短时记忆网络的轻量级骨导语音盲增强

基于深度学习的骨导语音盲增强已经取得了较好的效果,但仍存在模型体积大、计算复杂度高等问题。为此提出一种融合卷积网络和残差长短时记忆网络的轻量级骨导语音增强深度学习模型,该模型在保持语音增强质量的前提下,能有效提升骨导语音盲增强的效率。该模型借助卷积网络参数量小、特征提取能力强等优点,在语谱图频率维度引入卷积结构,从而深入挖掘时频结构的细节和高低频信息间的关联关系以提取新型特征,并将此新型特征输入改进后的长短时记忆网络中,用于恢复高频成分信息并重构语音信号。通过在骨导语音数据库上实验,表明所提模型可以有效改善高频成分的时频结构,在提升增强效果的同时,降低了模型体积和推理的计算复杂度。     

结合密集神经网络与长短时记忆模型的中文识别

文本图像识别是计算机视觉领域一项重要任务,而其中的中文识别因种类繁多、结构复杂以及类间相近等特点很具挑战性.为改善这一问题,使用文本行端到端的识别模型.首次提出利用密集卷积神经网络（DenseNet）提取文本图像底层特征,同时避免手工设计、统计图像特征的繁琐;将整行图像特征直接送入双向长短时记忆模型（BLSTM）进行局部相关性分析,减少字符定位分割这一步骤;最后采用时域连接模型（CTC）解码获得识别的文本信息.实验表明所提出的模型可以高效的进行图像文本行的识别,并对图像的多种形变具有较好的鲁棒性.     

一种多核处理器存储层次性能评估模型

一种用于评估多核处理器存储层次性能的模型,使用排队论建模,求解速度快,可以在设计早期给出不同配置参数对处理器整体性能的影响,从而调整存储层次结构,优化设计.     

一种用于类C语言环境的安全的类型化内存模型

使用形式化方法对程序进行验证是保证软件可信的重要手段.对于像C语言这样的较低级的命令式语言可以直接对内存进行操作,对其操作语义或公理语义的形式化需要基于合适的内存模型.传统的字节内存模型可以很好地描述各种内存操作,但是无法保证安全性,同时使程序验证变得异常复杂.面向对象语言的内存模型则具有较高的抽象性,便于程序验证,但不适合描述低级的内存操作.结合字节内存模型和面向对象语言内存模型,提出一种安全的类型化的内存模型,既可用于对语义的形式化,也可用于基于霍尔逻辑的程序验证.此内存模型既允许指针算术、结构赋值、类型转换等内存操作,同时也可以有效减少因指针别名给程序验证带来的复杂度.基于Coq辅助定理证明工具,对内存模型进行了形式化实现和验证.     

MOTEC: 一个存储一致性模型验证工具

由于缺乏可利用的额外观察条件,在芯片流片后阶段进行存储一致性模型验证较困难。为此,利用多核处理器系统中通用的性能计数器,通过定期扫描性能计数器以获得关键活动访存指令集合的信息,实现MOTEC工具。该工具由MOTEC随机指令发生模块、多核处理器性能计数器记录模块和MOTEC分析模块3个部分组成。对其核心算法的分析结果表明,MOTEC的时间复杂度仅为 ,在目前流片后阶段进行验证的工具中时间复杂度最低。     

Hammerstein模型的记忆效应盲辨识方法

针对未知记忆深度的Hammerstein模型,提出一种基于高阶累积量的Hammerstein模型记忆效应盲辨识方法。将Hammerstein模型中对记忆深度的确定转换为对模型输出信号高阶累积量扩展矩阵的求秩问题,给出对角元素乘积(NPODE)方法以确定记忆深度,分别比较该方法与GM直接定阶法、拐点法的鲁棒性。结合提出的记忆深度估计算法,给出线性记忆模块系数的提取方法。理论推导与仿真结果表明,线性记忆模块系数的提取过程不受无记忆非线性效应的影响。     

Bilateral Bootstrap Tests for Long Memory: An Application to the Silver Market

Many time series in diverse fields of application may exhibit long-memory.The class of fractionally integrated (FI) processes can be used to try to model this strong data dependence. Asymptotic tests for FI include the re-scaled range statistic test and its modified form, the frequency-domain regression-based procedure, the modified Higuchi's test and Jensen's test. De Peretti and Marimoutou (2002) finds that proper finite-sample inferences are not possible using these techniques without correcting for size distortions. Some attempt this correction through `bootstrapping', but this method is not perfect and needs more study and improvements. In this paper, I examine and compare the finite-sample properties of parametric andnonparametric bootstrap tests by using graphical techniques of Davidson and MacKinnon (1998a) for showing whether they properly correct the distortions while retaining their power relative to the corresponding asymptotic tests.One of the tests uses a double bootstrap that provide better true power and size properties. I use a bilateral P value that permits the true power of the tests to grow when the size distortions are asymmetric. We then apply these procedures to a realtime series to investigate its long memory properties.     

GRAPES有限区域伴随模式内存优化

GRAPES有限区域伴随模式是基于自动微分工具TAPENADE转换与手工代码编写相结合的方式开发而成,主要由模式程序和内存支撑函数库(PLP库)构成。由于TAPENADE采用全存储策略来保存中间变量,造成了伴随模式运行过程中内存开销过大,并且出现随着时间步的增加内存不断增长的情况。对伴随模式内存支撑函数库中POP类函数算法进行修改,解决了内存增长的问题;从整型变量、实型变量和正模式子程序调用三个方面对模式程序进行优化,使得伴随模式运行时的内存开销显著减少。     

基于Unix共享内存的实时信息发送模型

本文提出了一种在不同平台下利用通信的方式将数据快速传递到实时信息发布系统中的设计模型，详细阐述了这种模型的设计思想及实现方法，并与传统的读取数据库的方式进行比较。在实际应用中验证了这种模型的可行性与发送数据快的突出优点。     

一种CMP结构上的事务存储编程模型设计

多核结构上采用由用户显式制导的并行程序设计模型,使用锁和同步变量来实现同步.事务存储模型能够解决由锁机制带来的一系列问题,提高程序的并发性.介绍了在文中提出的一种基于事务存储模型的多核结构(Transactional-Memory based Chip Multiple-Superscaler,TMCMS)上的并行编程模型,以及针对循环程序的执行模型;以FFT程序为例具体介绍了循环结构的并行化方法和编译转换过程.在初步的实验中,将处理单元从1增加到16个时,在所设计的编程模型的支持下,IPC(Instruction Per Cycle)有接近线性的增长,说明该并行编程模型能够充分发掘程序中潜在的细粒度线程级并行性,同时保持并行程序设计的简单性.     

一种支持多级存储架构的嵌入式多核操作系统模型

多核处理器已经成为主流,并且被广泛应用于嵌入式设备中.在操作系统如何有效支持多核处理器方面的研究中,目前国内外大多基于常见的紧耦合共享存储架构的多核处理器,而对一些特殊存储架构的多核处理器研究并不多.本文针对内存受限的多级存储架构的多核处理器,提出一种单代码多数据的嵌入式多核操作系统模型.实验表明,该模型应用在具有多级存储架构的八核DSP上,比AMP模型减少约80%的代码空间开销;与SMP模型相比,与实时性紧密相关的时间开销减少约10倍.     

Nonlinear Dynamic System Identification of ARX Model for Speech Signal Identification

System Identification becomes very crucial in the field of nonlinear and dynamic systems or practical systems. As most practical systems don’t have prior information about the system behaviour thus, mathematical modelling is required. The authors have proposed a stacked Bidirectional Long-Short Term Memory (Bi-LSTM) model to handle the problem of nonlinear dynamic system identification in this paper. The proposed model has the ability of faster learning and accurate modelling as it can be trained in both forward and backward directions. The main advantage of Bi-LSTM over other algorithms is that it processes inputs in two ways: one from the past to the future, and the other from the future to the past. In this proposed model a backward-running Long-Short Term Memory (LSTM) can store information from the future along with application of two hidden states together allows for storing information from the past and future at any moment in time. The proposed model is tested with a recorded speech signal to prove its superiority with the performance being evaluated through Mean Square Error (MSE) and Root Means Square Error (RMSE). The RMSE and MSE performances obtained by the proposed model are found to be 0.0218 and 0.0162 respectively for 500 Epochs. The comparison of results and further analysis illustrates that the proposed model achieves better performance over other models and can obtain higher prediction accuracy along with faster convergence speed.