改进的函数滤波器及其在航空重力测量中的应用

本文构造了一种函数滤波器,该滤波器由一个参数化的高斯函数与一个尺度化的香农函数构成,可实现对时间序列的低通、带通和高通滤波处理。该滤波器的频率响应函数在滤波波段平坦且过渡带光滑。滤波器的截断频率与过渡带长度分别由香农函数的尺度参数和高斯函数的窗宽参数独立调节,这使得滤波器具有较好的设计灵活性,这也是本文的创新之处。由于滤波器是连续可导的,因此它可以适应于任意采样率序列的滤波,并且能够对原始时间序列进行求导滤波。模拟算例显示该滤波器具有很好的滤波准确度。应用该滤波器到航空重力测量数据滤波处理中,得到了分辨率7 km的航空重力测量结果。该滤波器使得滤波(低通、带通和高通)工作变得简明且高效。     

地震事件自动识别的标准时频变换方法

提出将标准时频变换(normal time-frequency transform,NTFT)与卷积神经网络(convolutional neural networks,CNN)结合,尝试实现地震信号的自动准确识别。单纯利用神经网络方法识别地震通常需要人工方式判别收集地震信号样本,对受到噪声污染的信号进行相关预处理操作。采用NTFT+CNN模型无需预处理去噪,更具有实用性。从中国云南省盈江地区3个台站连续两周的地震记录中截取19 884个地震事件和17 ?640 ?个噪声数据作为样本,分别利用CNN模型与NTFT+CNN模型进行3台站与单台站地震信号识别实验。在3台站实验中,CNN模型的地震信号识别准确率为93.10%,NTFT+CNN模型的地震信号识别准确率提升至97.80%,引入NTFT使得识别错误率降低了3倍,表明NTFT+CNN模型可更为有效地识别信噪比低的地震信号。与此同时,CNN模型的训练次数为29,而NTFT+CNN模型训练18次即可达到上述识别准确率,说明NTFT+CNN模型收敛快速且稳定。在单台站实验中,对比考察3种典型噪声情况下的模型表现,进一步验证了NTFT对噪声-地震信号的识别作用与模型结果的正确性。并将NTFT+CNN模型应用于识别美国南加州地震台网公开的地震-脉冲噪声数据,相对于CNN模型,NTFT+CNN模型在识别准确率、收敛速度与所需训练样本数量方面均表现出明显的优势。NTFT为基于神经网络结构的地震信号自动识别提供了新的有效途径。     

混合所有制经济若干问题辨析

十八届三中全会以来,混合所有制经济概念备受关注,各种解读引发了热烈的讨论,各种声音又不同程度地对呼之欲出的新一轮企业产权改革施以影响。对于混合所有制,笔者认为有六个核心和焦点问题值得关注。