改进的进化规划算法及其在采购方案优化中的应用

采用高斯变异算子的进化规划算法存在早熟现象,根本原因是高斯变异产生的变异量较小,导致个体分量乃至整个个体不发生变异.文中从变异算子、个体分量值的计算和搜索空间三个方面改进了进化规划算法.设计了能产生较大变异量的离散余弦变换算子,并且采用动态比例变异法动态调整个体中的每个分量,多个体竞争策略扩大了算法的搜索空间. 针对复杂采购业务模型,运用改进的进化规划算法求解. 实验证明,改进的算法在求解精度上优于采用高斯变异和随机变异的进化规划算法,解决了进化规划算法的早熟问题.     

一种改进的SAR原始数据压缩算法

针对SAR原始数据的特点,采用二级小波变换进行数据压缩。对低频分量作DCT再作Huffman编码;对高频分量采用一种改进的嵌入式小波零树编码方法。结合一组实测SAR原始数据,用两种算法分别进行了压缩和解压缩,并计算了数据域及图像域信噪比,给出了两种压缩算法所成的图像。实验表明,改进算法数据域及图像域信噪比均比原算法高,改进算法在性能上优于原算法。     

基于方向向量Fourier级数近似的近场波束形成快速算法

研究了一种近场距离/方位聚焦波束形成快速算法,离线计算每个搜索距离处的阵列方向向量,利用方向向量关于方位角的周期性,将方向向量的每个分量用有限项Fourier级数近似,从而搜索距离处的角度谱可以用FFT快速实现,无需在每个距离/方位栅格上计算时延和相位补偿,有效减小了计算量和存储量.数值分析结果表明,该算法性能接近理想的近场波束形成.     

一种快速的测频算法

由于ESPRIT算法结构封闭,不需要搜索过程;而且输入数据阵经过简单的矩阵变换,可以由复数域变换到实数域,利用变换后的实数数据阵的特殊结构,引入基于实数运算的特征值求解过程,其运算复杂度明显减小;再者,ESPRIT算法结构本身便于并行处理等.依据这些特点,基于ESPRIT算法,给出了一种适用于雷达的快速测频算法.仿真结果显示算法测频精度高,运算复杂度小,适用于雷达快速测频.     

基于支持向量值轮廓波变换的遥感图像去噪

提出了一种基于支持向量值轮廓波变换的遥感图像去噪算法。首先利用支持向量机构造支持向量值滤波器,并结合方向滤波器组,构建支持向量值轮廓波变换,再利用该变换将含噪声遥感图像分解成低频部分和高频方向子带部分,最后利用支持向量回归方法对子带系数进行去噪。实验结果表明,支持向量值轮廓波变换具有平移不变、泛化能力好、捕捉奇异性能强等特性,本文提出的去噪算法能在去除噪声的情况下有效保留源图像的边缘信息。     

基于分数阶傅里叶变换的chirp信号时频分析

提出了一种新的基于分数阶傅里叶变换的伪维格纳分布(PWD),用于单分量或多分量chirp信号的分析。首先通过搜索二阶分数阶傅里叶变换矩的极值点,寻找最佳变换域,然后利用旋转的短时傅里叶变换,在分数阶傅里叶变换域中实现各分量chirp信号间的分离,以抑制交叉项及噪声项的干扰。在已知信号模型的前提下,还给出了分数阶傅里叶变换最佳旋转角度的经验计算公式,以辅助信号分析。仿真实验表明,通过对时频平面的旋转,所提出的方法能够在分数阶傅里叶变换域中,很好地抑制多分量信号间的交叉项干扰,更好地提取信号的时频信息。     

高精度LFM信号参数估计的谱校正方法

为精确估计噪声背景下线性调频（linear frequency modulation, LFM）信号的调频率和中心频率等参数,提出了一种基于Radon模糊变换（Radon-ambiguity transform, RAT）和分数阶傅里叶变换（fractional Fourier transform, FRFT）的离散谱校正估计方法。该方法将LFM信号的调频率和中心频率估计问题转化为模糊域和分数阶Fourier域上的两次一维谱峰搜索过程,并且通过对矩形窗截断的LFM信号的RAT和FRFT谱线结构分析,将能量重心谱校正法引入两次谱峰搜索过程,在不增加运算量的基础上实现了谱峰位置的超分辨率估计,较大幅度地提高了信号的参数估计精度。仿真结果显示,对于单分量LFM信号情况,该方法对信号的RAT和FRFT谱峰位置的校正误差分别降到了扫描步长的1.55%和4.94%,证明了该方法的有效性。     

基于二维FRFT压缩的上升段弹道目标成像

上升段弹道目标相对于雷达不仅具有很高的径向速度,而且转动速度也近似为匀加速转动,使得去斜后的差频信号和多普勒回波均为多分量线性调频（linear frequency modulation, LFM）信号,若仍采用基于离散傅里叶变换的距离-多普勒(range-Doppler, RD)方法成像,将造成图像在径向和横向的散焦。本文借助分数阶傅里叶变换完成距离压缩和方位压缩,分别在能量聚集性最佳的分数阶谱域提取散射点的距离像和横向像,获得良好的聚焦效果。最后,通过对GRECO软件模拟数据的处理,验证了本文方法的有效性。     

基于平衡多小波与神经网络的图像水印算法研究

利用图像经过CARDBAL多小波变换后,能量汇聚且平均分摊在最低分辨率子图像4个分量上的特点,提出一种改进的多小波域盲水印方法.采用比较法嵌入一幅水印图案,建立含水印图像与水印之间的关系模型,通过神经网络训练来提高水印检测的正确率.实验表明,该方法具有良好的鲁棒性,在JPEG压缩和一些图像处理下可检测到水印.     

基于小波变换和SVM的图像压缩仿真研究

为了在较高的压缩比上获得很好的压缩性能,提出了一种基于小波变换和支持向量机(SVM)的图像压缩方法。压缩过程分三个步骤:首先对图像进行四级提升小波变换,这里采用提升格式是因为它比采用传统的Mallat算法的计算速度快;其次对变换后的小波系数用SPIHT的继承树进行重新排序;然后用回归支持向量机提取支持向量;最后对压缩后的数据进行算术编码。图像的解压缩过程是上面4个步骤的逆过程。实验结果表明,所提出的方法与常用的JPEG2000相比,当压缩比较高时有很好的性能。     

基于多分辨率技术及奇异值理论的故障检测方法

提出了以小波多分辨率技术与矩阵奇异值理论相结合的故障检测方法。根据小波变换的多分辨率分解特性 ,提出了系统状态观测信号的二初始特征向量矩阵———粗分辨逼近矩阵和边缘细节信息矩阵。利用矩阵奇异值分解理论得到初始特征向量矩阵的奇异值 ,将其作为状态信号的特征向量。针对提取出的系统状态信号奇异值特征 ,设计出相应的故障检测算法 ,并将该方法用于某武器平台上精密弹簧阻尼器的故障检测。仿真结果证实了该方法的正确性和有效性。     

广义支持向量机优化问题的极大熵方法

依据最优化理论中的KKT互补条件建立了广义支持向量机的无约束优化模型,并给出了一种有效的光滑化近似解法极大熵方法,为求解支持向量机优化问题提供了一种新途径.该方法特别易于计算机实现,理论分析和数值实验结果表明了模型和算法的可行性和有效性.     

基于遗传禁忌算法的案例检索策略

将遗传算法和禁忌算法引入案例推理系统,首先使用遗传算法对案例检索中案例属性的权重进行优化,提出了基于遗传禁忌混合算法的检索策略,并应用于基于案例推理的企业财务危机智能预警支持系统,提高了系统的效率和质量。     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

一种改进的TRIAD飞行器姿态确定方法

为了提高飞行器姿态测量精度和简化姿态确定的复杂性,提出了一种基于加权矢量和的TRIAD飞行器姿态确定算法。该算法基于TRIAD姿态确定原理,通过对观测矢量加权求和的方式以获得一个较传感器观测矢量更精确的矢量,并以此矢量作为TRIAD算法的基准矢量,然后运用TRIAD算法进行姿态计算。仿真结果表明,这种算法获得的飞行器姿态精度优于传统的TRIAD算法,与优化的TRIAD算法精度近似,但简化了姿态确定的过程,提高了姿态确定的速度。     

结合局部理想点搜索的多目标粒子群算法

提出了一种结合约束二次逼近优化(bound optimization by quadratic approximation,BOBYQA)搜索算法的理想点法对非支配解进行局部优化的混合多目标粒子群方法(local search with multiobjective particle swarm optimization, LSMOPSO),以提高多目标粒子群算法的收敛性能和非支配解集的精度与多样性。LSMOPSO算法使用拥挤距离选择领导粒子组成领导粒子集,并对其进行理想点局部搜索;分析比较了全局理想点和局部理想点对算法性能的影响,提出基于局部理想点的局部搜索策略;在粒子的设计空间的多个维度上引入均匀变异操作,降低算法陷入局部最优的可能。基本测试函数的求解结果表明,算法的收敛速度很快,而且搜索到的非支配解集的精度高、多样性好。     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

SVM和HMM相结合的合成孔径雷达图像目标识别

提出了一种支持向量机和隐马尔可夫模型相结合的合成孔径雷达图像目标识别方法。该方法用小波分解和主成分分析提取图像特征,生成特征向量。利用图像在方位角上的关系由特征向量生成图像的特征序列以及隐马尔可夫模型的训练序列。用支持向量机进行目标预识别,确定目标最有可能所属的两个类别,用隐马尔可夫模型在这两个类别中确定目标最终所属类别,完成目标识别。使用MSTAR数据库中的图像数据对该方法进行验证和分析,结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。