一类适用于多小区CDMA系统的互补码集

针对多小区码分多址（code division multiple access, CDMA）系统,构造了一类具有大容量和优异相关性能的多子集互补码集。该码集基于循环移位的完美码集和相互正交的传统互补码集,可以获得多个互补码子集,每个子集中码的数目都达到了互补码集的理论界。这些子集内的码具有理想的相关性能,同时子集之间的码具有近似理想的相关性能。将不同的子集分配给多小区CDMA系统中不同的小区,既可以满足大容量用户的需要,也可以有效抑制小区内部和小区之间的干扰。     

基于LASSO的复杂产品关键质量特性识别

针对复杂产品多属性、高维度的特点,引入LASSO方法对其关键质量特性进行识别。首先利用LASSO方法的特征选择能力降低原始数据集的维度,并获得原始数据集中质量属性同质量类别相关性的排序;根据要求数量选取属性组成关键质量特性属性子集,利用SVM测试所选取属性子集的分类精度,并同已有文献结果进行对比。以UCI数据库中SECOM数据集为例,采用SMOTE过抽样和随机欠抽样相结合的方法使数据均衡后进行测试。结果表明,该方法不仅能够消除高维原数据集中不相关和冗余属性,还能保持良好的分类质量。同IG和ReliefF等方法相比,文中方法所获得的关键质量特性的分类精度有显著提高,并且第二类错误率也明显低于前两种方法。     

基于H/A/α分解的全极化HRRP目标识别方法

针对现有基于H/A/α分解提取全极化高分辨率距离像（high range resolution profile, HRRP）特征的方法都没有考虑度量尺度对所提取特征性能影响的问题,提取了平均度量尺度下的特征子集,给出联合动态互信息概念用于选择最优平均度量尺度,并剔除特征子集中的冗余特征;在此基础上,结合Bagging和Boosting算法,提出一种宽带全极化雷达目标识别方法;最后在多类飞机目标HRRP样本集上验证了该方法的有效性。     

一种新的基于NGA/PCA和SVM的特征提取方法

提出了一种使用小生境遗传算法(NGA)和主成分分析(PCA)对支持向量机(SVM)进行封装的方法来选择特征子集。该方法首先使用PCA得到特征向量,然后产生若干随机特征向量子集,从而得到新的特征空间,将所有训练样本映射到这个特征空间来训练支持向量机,再使用支持向量机的半径间隔方法对每个特征向量子集的性能进行评价,最后使用小生境遗传算法来共享适应度,以及进行选择、交叉和变异操作得到新的特征向量子集,重复这个过程直至得到最优的特征向量子集。使用UCI数据集进行了相关的实验,实验结果表明了该方法可以减少特征的数量以及提高分类正确率。     

基于NSGA-Ⅱ的非平衡制造数据关键质量特性识别

针对非平衡产品制造数据关键质量特性(critical to quality characteristics,CTQs)识别,提出基于NSGA-Ⅱ的特征选择算法.首先,在分类错误率和特征子集大小基础上,针对数据非平衡性,引入第Ⅱ类错误率度量质量特性子集的重要性.接着,应用多目标进化算法NSGA-Ⅱ最小化以上三个度量标准,得到非支配解集.最后,引入理想点法从非支配解集中选择最佳调和解,得到CTQ集.算例结果表明,所提算法能够得到较高分类精度,同时有效降低第Ⅱ类错误率与CTQ集大小,说明了算法的有效性.     

基于多源遥感图像多级协同融合的舰船识别算法

针对极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像存在斑点噪声严重、可视性差、直接影响目标识别精度的问题,提出一种基于多源遥感图像多级协同融合的舰船识别算法。通过采用多级协同融合方式,丰富图像的特征量,提高舰船识别精度。所提方法首先进行多源遥感数据的像素级融合,然后在上一步基础上进行特征级融合,最终得到新的目标特征。所提方法充分发挥了不同频段的PolSAR与多光谱图像的信息互补优势,不仅保留了多频段PolSAR对目标的极化散射特征,也保留了多光谱数据的空-谱信息。所提方法在可视性与检测精度上表现都较为出色,与传统的单一遥感数据相比,识别精度至少提高了5.12%。     

基于k-近邻互信息的前向式变量选择方法及在水质参数软测量中的应用

软测量技术通过构造易测量的辅助变量与难测量的主导变量间的数学模型,实现对难测变量的实时预测.为有效分析辅助变量间的相关性和冗余性并实现变量精选,本文提出了一种基于k-近邻互信息的前向式变量选择方法.该方法以变量前向累加互信息值最大化为准则选择相关变量,同时计算每次累加变量与已选择变量子集间的互信息值来判断所累加变量是否为冗余变量,通过设定冗余互信息阈值,实现冗余变量的剔除,得到最优辅助输入变量子集.基于数值案例仿真结果验证了本文所提变量选择方法的可行性与有效性,在准确选取辅助变量的同时降低了算法复杂度.最后,该方法成功应用于污水处理过程中出水生化需氧量(biochemical oxygen demand,BOD)预测模型的输入变量选择上,利用精选出的辅助变量有效提高了模型预测精度.     

基于k-近邻互信息的前向式变量选择方法及在水质参数软测量中的应用

软测量技术通过构造易测量的辅助变量与难测量的主导变量间的数学模型,实现对难测变量的实时预测.为有效分析辅助变量间的相关性和冗余性并实现变量精选,本文提出了一种基于k-近邻互信息的前向式变量选择方法.该方法以变量前向累加互信息值最大化为准则选择相关变量,同时计算每次累加变量与已选择变量子集间的互信息值来判断所累加变量是否为冗余变量,通过设定冗余互信息阈值,实现冗余变量的剔除,得到最优辅助输入变量子集.基于数值案例仿真结果验证了本文所提变量选择方法的可行性与有效性,在准确选取辅助变量的同时降低了算法复杂度.最后,该方法成功应用于污水处理过程中出水生化需氧量(biochemical oxygen demand,BOD)预测模型的输入变量选择上,利用精选出的辅助变量有效提高了模型预测精度.     

二维四元零相关区周期互补阵列集构造法

基于二维二元周期互补阵列集和移位序列,利用逆Gray映射,提出了一类二维四元零相关区周期互补阵列集的构造方法。获得的阵列集由多个四元零相关区周期互补阵列子集组成,不同子集之间具有完全正交互补特性。本文的构造方法可分别对阵列的行列进行移位,能够获得具有不同参数形式的二维四元零相关区周期互补阵列集。同时行(列)方向上的零相关区长度可以灵活设置,从而能获得不同的移位序列集,构造出多个二维四元零相关区周期互补阵列集。构造结果表明,本文方法可有效地增加工程应用所需的阵列信号。     

基于迁移学习的室内波束选择优化方法

使用基于深度学习的室内波束选择方法可以显著提高波束匹配概率和搜索效率,但该方法需要大型数据集来调整其大量可训练参数,导致了额外的系统开销。针对这一不足,结合一种迁移学习技术,使得目标场景神经网络以小数据集方式获得与大数据集相近的匹配精度,从而减小基于深度学习的波束选择方法中数据集大小对匹配结果产生的影响。首先使用大型数据集在一个源场景中对源神经网络进行充分训练,使得网络参数能够充分包含信道状态信息以及环境信息;而后利用源神经网络参数对目标场景中的神经网络进行不同程度初始化,使该神经网络在经过小数据集训练后依然可以获得较好的波束匹配性能。仿真结果表明,针对室内波束选择场景,在数据集有限的情况下,使用迁移学习方法进行波束选择,同样可以获得较高的匹配精度。     

A rough set approach to feature selection based on scatter search metaheuristic

Rough set theory is an effective method to feature selection, which has recently fascinated many researchers. The essence of rough set approach to feature selection is to find a subset of the original features. It is, however, an NP-hard problem finding a minimal subset of the features, and it is necessary to investigate effective and efficient heuristic algorithms. This paper presents a novel rough set approach to feature selection based on scatter search metaheuristic. The proposed method, called scatter search rough set attribute reduction （SSAR）, is illustrated by 13 well known datasets from UCI machine learning repository. The proposed heuristic strategy is compared with typical attribute reduction methods including genetic algorithm, ant colony, simulated annealing, and Tabu search. Computational results demonstrate that our algorithm can provide efficient solution to find a minimal subset of the features and show promising and competitive performance on the considered datasets.     

基于遗传算法和支持向量机的肺结节检测

针对圆点滤波器不能区分粘连血管型结节、血管端点和血管交叉结构,造成假阳率高的问题,提出基于改进遗传算法封装模型的特征选择算法,并把最优特征组合输入到支持向量机分类器,该分离器能做到检测肺结节时漏检率低同时降低假阳率。选出七个特征(其中包含两种新提出的特征)作为最优特征组合。用含有肺结节的CT影像数据库(50个结节和961个假阳)测试分类器的性能,得到敏感性100%和特异性95.5%的效果。实验结果表明,该框架和算法能应用到临床中来提高影像科医生的阅片效率。改进的遗传算法比传统的遗传算法能搜索到更优的特征组合。     

多源多目标网络下基于包聚合的选择协作方法

针对实际应用中广泛存在的源-目节点不等的无线传感网,提出一种基于包聚合的选择协作方法,以提升传输可靠性。首先,通过建立源-目节点间的关联矩阵将多源多目标传感网分解为多个多源单目标传感网;其次,将包聚合策略引入协作传输中,对多源单目标网络实施基于包聚合的选择协作通信;再次,考虑传输顺序对各源节点的影响,将3种调度方法引入选择协作方法中;最后,在保证系统传输可靠性的前提下,为方便系统的多目标优化,提出了3种中继选择策略。仿真结果表明,所提选择协作方法不仅能提高系统传输可靠性且能满足不同的网络需求。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

空天高速目标探测跟踪传感器资源调度模型与算法

针对空天高速目标跟踪中,传感器资源调度任务无时间等待、传感器资源匹配形式多样、观测时间碎片化等问题,提出了多源异构传感器调度多目标优化模型和求解该模型的多目标柔性果蝇算法。针对传感器调度时间碎片化问题,采用柔性分割调度时间,设计了目标-时间-传感器三维编码方式;为了避免相似个体交叉进化造成搜索陷入局部最优,提出基于个体特征的交叉操作和变异操作;针对进化过程中个体产生碎片时间、重复观测等问题,提出柔性调整操作。最后通过两个案例测试,对提出的模型和算法进行仿真验证,实验证明算法能够合理地求解多源异构传感器资源调度问题,在收敛性和分布性方面优于对比算法。     

与特征选取和离散化集成的决策规则挖掘方法

利用粗糙集理论可以从已知数据中挖掘决策规则 .对于连续取值的特征属性必须先对其离散化 .从给定的特征属性集合中去除冗余的特征属性 ,选取有用的属性子集有助于简化决策规则 .我们利用基于信息熵的规则不确定性量度函数构造了一个决策规则挖掘的遗传算法 ,将规则挖掘与特征选取和连续属性的离散化集成在一起 .实验结果说明了这种方法的有效性.     

视频语义分类特征选择算法

提出一种将连续特征数字量化后进行特征选择的算法(ABFSA)。利用样本集中的先验信息选择出特征值域中最具类间区分意义的区域,将其作为完整量化区间。采用向后式的启发搜索策略,搜索合并后能使贝叶斯分类错误率降低的相邻量化区间。合并搜索得到的两相邻量化区间,量化的级数降低一阶。重复搜索和合并过程,直至贝叶斯分类错误率不再降低为止。所有特征搜索、合并完成后,总的特征量化阶数得到大幅降低。用UCI仿真数据集及真实视频数据进行实验,对比结果表明该算法能有效选取视频语义概念分类的重要特征,其综合性能较优。     

柑桔溃疡病自动识别方法及其仿真研究

研究基于Boosting的柑桔溃疡病自动识别算法.提出了一种基于特征选择准则的Boosting 学习算法,采用对称交叉熵作为弱分类器的相似度评价.将弱分类器相似度与Boosting学习过程相结合学习出更优化的弱分类器,对溃疡病斑图象进行特征选取和学习,建立了自适应的病斑特征模型,最后利用该模型完成溃疡病自动识别.实验结果表明,这种算法避免了Boosting算法进行特征提取时的缺点,减少了选取结果中的冗余,尤其在进行高维特征选取时,能够提高特征选取速度,使选取的特征更具代表性.