改进型OVSF码随机动态分配算法

针对WCDMA(Wideband Code-Division Multiple Access)系统下行链路随机动态码分配算法存在码阻塞概率大、进行最小代价分支搜索信令开销大的问题,提出了一种改进型动态码分配算法.该算法采用搜索最小代价函数值、以邻近原则进行码树蕈排、释放同级码字中具有最大代价函数值的码字策略.仿真结果表明,改进型动态码分配算法码阻塞概率低于随机动态码分配算法的码阻塞概率.在业务量为16 Erl时,改进型动态码分配算法使系统码阻塞概率降低18.37%,同时该算法能有效降低系统的复杂度.     

基于改进胶囊神经网络的乐音主频识别研究

为了提高乐音主频识别性能，采用胶囊神经网络用于主频识别，并对胶囊神经网络特征相似计算方法进行改进优化，以增强胶囊神经网络的主频识别适应度。对乐音音符的端点检测与有效分割后采用线性预测倒谱参数法获得乐音主频特征向量。建立基于胶囊神经网络的乐音主频识别模型，并采用动态路由获得稳定的胶囊神经网络结构核心参数。采用余弦相似度对传统的内积计算进行有效改进，优化特征差异判断策略。采用改进的胶囊神经网络算法用于乐音主频识别。试验结果证明，合理设置胶囊神经网络的耦合系数、平衡系数和类别阈值单音集和曲谱连续集均能获得较高的乐音主频识别性能。相比于常用乐音识别算法，该文所提算法能够获得更高的识别准确率和稳定性。     

一种改进的AdaBoost算法——M-AsyAdaBoost

提出一种Asymmetric AdaBoost改进算法——M-Asy AdaBoost.M-Asy AdaBoost算法通过新的样本权重分配方式可以确保训练过程不失败;分类器权重采用对正样本的分类错误率形成优化权重,突出对正样本的识别能力,提高检测概率;并且通过对加入分类器集的分类器的限制,使检测概率单调增加.该算法在较低虚警概率下,达到高检测概率.计算机仿真结果验证了算法的正确性.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

基于改进蒙特卡洛树搜索的无人机目标分配与突防决策方法

针对多无人机任务规划问题,在多种约束与机动动作下,进行目标分配和突防决策统一建模与优化求解方法研究。首先,基于无人机自身优势、目标威胁以及突防概率分别建立目标分配优化函数和突防决策优化函数;然后,利用线性加权法将两者融合,形成多无人机协同任务规划统一目标函数;其次,在强化学习框架下,分阶段构建协同任务规划的状态空间和动作空间,并根据统一目标函数设计奖励函数;提出一种改进的蒙特卡洛树搜索强化学习算法,在统一目标函数最大收益下实现对无人机目标分配和突防决策问题的求解;最后,通过对比仿真实验验证所提出的方法的时效性和最优性。研究结果表明：相较于传统方法,所提出的方法在提升收敛程度的同时,将训练时间减少了15%。     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

基于人工智能优化理论的无线电频谱分配

为了提高无线电频谱的利用率,提出一种改进蚁群算法的无线电频谱分配方法.以系统带宽收益最大化为目标优化函数,引入自适应搜索窗口限制蚁群算法的活动范围,并对局部信息素和全局信息素进行改进,加快了最优解的搜索速度,降低了陷入局部最优解的概率.仿真测试结果表明,改进后的算法能够快速找到无线电系统频谱分配的最优方案,系统效益优于对比算法.     

基于叠加调制和自适应功率分配的干扰抵消

为消除协作通信系统中各用户的相互干扰并自适应分配各用户的发送功率,提出基于叠加调制和自适应功率分配的多用户干扰抵消算法。各用户在发送自己信息的同时协助其他用户进行信息转发,采用联合设计的叠加调制函数形成重构信号,接收端利用该函数完成干扰消除。针对无线信道的多样性,以最大化系统容量为准则对各用户的重构信号进行自适应功率分配。多种网络模型中的仿真结果表明,本文算法能有效消除干扰,降低系统错误概率。相比结合固定功率分配的干扰抵消算法,该算法可获得1.5 dB的比特错误概率性能改善和5 dB的帧错误概率性能改善。     

BP和D-S结合的多传感器协同目标识别推理机制

针对多传感器协同目标识别的基本概率赋值在实际应用中存在容易导致决策可信度低等难以解决的问题,提出一种基于BP神经网络和D-S证据理论的多传感器协同目标识别的推理机制。简述了BP神经网络理论和D-S证据理论,构建了目标识别推理框架,推理了算法可行性,进行了实例仿真,通过信息融合,不确定性的基本概率赋值下降到0.000 8,表明该推理机制的有效性。     

基于矩阵分析的一种不确定性推理的数据融合方法

采用不确定性推理的矩阵分析方法，建立了用于目标识别的多传感器数据融合的数学模型。该模型综合了来自多种不同传感器的基于正态分布的检测数据，通过定义相关系数矩了来获取基本可信度分配值矩阵。提出了一种多传感器信息融合的新算法，该算法依靠可信度的积累，通过多级递推融合可获得目标状态基于全局信息的融合估计值。实例分析表明：基于融合后的识别结果较各传感器单独决策的结果性能优化，具有较强的容错性和有效性，并且不确定值较融合前平均下降了74%，从而可精确快速地控制工业生产。     

受证据理论启发的传感器数据融合算法

受证据理论的启发,提出了一种新的传感器数据融合算法.借鉴证据理论中的基本信任分配思想和证据组合思想,将所有测量值构成的集合视为辨识框架,并对各个测量值的精度进行判断,在此基础上将各个测量值分别转换为相应的证据;再利用基于冲突分配法的证据组合规则对所有证据进行组合,所得合成证据的Mass函数即为各个测量值的权值分配函数;...     

基于D-S证据推理的车辆导航系统地图匹配算法

研究地图匹配算法中的匹配道路的选择问题,提出基于D-S证据推理理论的地图匹配算法.根据D-S证据推理的基本原理,结合车辆行驶情况,给出当前时刻车辆位置信息和方向信息的基本概率分布函数的设计方法.按照D-S合成公式,对位置和方向信息进行融合,并根据融合结果选择匹配道路.在设计方法中,引入位置信息和方向信息的可靠性参数.仿真结果表明,该方法是行之有效的,通过适当地调整可靠性参数的值,就能识别出车辆所在的道路.     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

相关部分已知时的相关证据合成

通过用集函数取代基本概率分配函数,给出了当相关部分已知时2个相关证据的合成方法,从而弥补了Dempster-Shafer证据理论中的一个缺陷.此外,当2个相关证据之一的焦元具有嵌套结构时,给出了一种简捷的算法.     

基于证据理论与多源信息融合的银行信贷客户评价

银行信贷过程中将不可避免地涉及到信贷客户的各种不确定信息，采用证据理论方法，在建立识别框架和基本概率分配函数基础上，从特征级和决策级2个层面，通过计算和统计分析，得到客户的信任度和似然度2个结论，用这2个结论构成的信任区间，指导银行信贷的经办、决策人员的工作，促进工作的有效开展。     

基于S-D分配的多传感器联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器联合概率数据互联算法。算法首先应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合,然后对每个组合中各量测点进行概率加权以获得一个等效量测点,最后根据每个等效量测点的联合似然函数计算其联合互联概率并获得融合中心的状态估计。该文最后给出了该算法与已有集中式多传感器联合概率数据互联算法的仿真比较,仿真结果表明该文算法的跟踪性能更优越。     

基于D-S证据理论的说话人识别方法

提出一种新的说话人识别方法,即将D-S证据理论应用于说话人识别中。该方法通过抽取说话人特征,用D-S证据理论对语音特征矢量的各个分量进行数据融合,重新分配基本概率赋值,并依此得出证据可信度,从而达到识别说话人身份的目的。仿真实验证明使用D-S证据理论对说话人的识别比使用矢量量化有更好的识别效果。     

基于径向基神经网络的目标识别研究

本文讨论了传统的径向基(RBF)神经网络聚类算法的基本原理,针对其选取初始中心矢量的不足,提出了一种新的选择初始中心矢量的方法,给出了新的学习算法,并将其应用于目标识别.仿真结果表明,新算法比传统的RBF算法具有更强的聚类能力,使目标识别更加准确.