广义生成函数张量分解的欠定混合盲辨识

针对欠定混合盲辨识的问题,提出了一种广义生成函数张量分解的欠定混合盲辨识算法.该算法不再约束源信号具有稀疏特性.首先将观测信号的广义生成函数的导数叠加成三阶张量的形式,并由此可盲估计源信号的数目;然后对三阶张量进行奇异值分解;最后由联合对角化的方法估计出混合矩阵.仿真结果验证了算法的有效性,且在相同噪声环境下与传统方法进行对比,表明该算法在适定和欠定条件下均可获得更优良的混合矩阵估计精度,扩展了适定情况下基于广义生成函数盲辨识算法的应用范围.

结合Tucker张量分解与交替最小二乘的ULA盲识别

为提高均匀线性阵列(ULA)系统盲识别过程的计算效率,提出一种改进的ULA盲识别算法。建立ULA信号传播模型,针对该传播模型给出广义生成函数的代数结构以及参数估计方式,利用交替最小二乘法对ULA广义生成函数进行求解,并在此基础上引入Tucker张量分解改进交替最小二乘法,实现广义生成函数的降维处理。实验结果表明,与经典DUET算法、欠定混叠盲辨识分解算法等相比,该算法具有更高的计算效率以及更好的ULA盲识别效果。

加权表决系统在上市公司控制权度量中的应用

文章从离散输入的加权表决系统的可靠性理论入手,研究中国上市公司的控制权度量问题.公司的控制权与公司的股权结构有密切的关系.控制权的度量方法有Shapley-Shubik指数和Banzhaf指数模型,和近年提出来的适合中国上市公司的概率股票模型,Shapley-Shubik指数和Banzhaf指数模型没有考虑到股东出席会议的情况,概率投票模型是基于正态分布函数来近似计算的,毕竟这种近似有误差.而文章是基于离散的加权投票系统计算可靠性的方法,建立了中国上市公司控制权的度量模型,并用广义矩生成函数(z变换)的方法计算控制权.