基于高阶累积量和支撑矢量机的调制识别研究

提出一种基于高阶累积量和支撑矢量机的数字信号自动调制识别新方法 ,即将接收信号的四阶、六阶累积量作为分类特征向量 ,利用支持矢量机把分类特征向量映射到一个高维空间 ,并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声和星座图由于信号初始相位而引入的旋转具有良好的稳健性 ,并避免了神经网络中的过学习和局部极小点等缺陷。计算仿真结果表明 ,这种方法具有很高的分类性能和良好的稳健性     

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sigmoid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。     

基于支持矢量机和循环累积量的调制识别算法

利用通信信号的循环平稳特性,在循环累积量域内构造信号分类特征矢量,采用支持矢量机将分类特征矢量映射到高维空间并构建最优分类超平面,实现对QAM调制信号的自动识别。该算法解决了样本在低维空间中的不可分问题,具有良好的泛化推广性能,并且可在多种调制信号环境下实现对感兴趣信号类型的识别。理论分析和仿真结果均证明了算法的正确性和有效性。     

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。     

基于KPCA和LDA的信号调制识别

对信号的特征选择与分类问题进行研究,提出了一种基于核主分量分析(kernel principle component analysis, KPCA)和线性判别(linear discriminant analysis, LDA)分类器的信号调制识别算法。针对通信信号的特点,首先利用KPCA的方法对特征参数进行主分量组合,以消除信号特征间的相关性和压缩特征向量的维数,然后利用LDA分类器进行信号调制方式的自动识别。仿真表明,在一个较大的信噪比范围内当特征非线性可分时,KPCA在特征选择方面性能更优,且基于KPCA+LDA的识别方法精度高于主分量分析(principle component analysis, PCA)+模板匹配算法。通过分析还可得出,KPCA+LDA等价于基于核的Fisher判别分析(kernel Fisher discriminant analysis, KFDA)方法。     

基于累积量的MPSK分类算法性能分析

针对累积量的调制分类经典算法要求理想的符号同步问题。通过对非最佳采样复基带信号的累积量的理论分析,讨论了过采样速率、定时偏差和基带成形脉冲函数对信号累积量的影响,认为现有的基于累积量的同步分类算法可以直接应用于异步条件,且其性能与过采样速率有关。通过MPSK分类的仿真验证了理论分析的正确性,在常用频率选择性衰落信道模型条件下的仿真则表明,衰落信道中符号速率采样的分类性能未必最优。     

核Fisher判别分析方法评估消费者信用风险

利用基于核函数和线性Fisher判别构建的核Fisher方法评估消费者信用风险。该方法首先通过核函数建立一个非线性映射,把原空间中的样本点投影到一个高维特征空间,然后在高维特征空间中应用线性Fisher函数,把具有不同属性值的样本点判别到相应的类别。通过对个人信贷数据的研究表明,核Fisher方法可以有效地评估消费者信用风险。     

Laplace核函数的衰减系数研究

核函数的衰减系数是影响核函数方法分类性能的重要因素。分析了信号分析理论中关于采样信号的不失真重建问题与Parzen窗函数方法的关系,讨论了核函数残留边带信息量与指定采样频率条件下特征变量的自信息量之间的关系。推导了Laplace核函数在均匀采样条件下的衰减系数的计算公式,分析并给出了非均匀采样情况下衰减系数计算和处理方法。实验结果表明,与传统的基于Gauss核函数的Parzen窗函数法、经典的KNN方法、BP神经网络以及SVM方法相比,提出的Laplace核函数参数设置方法具有较高的总体分类性能。     

基于导频的OFDM信道估计小波核SVM算法

针对传统多径衰落下的OFDM导频信道估计性能低下,地板效应的缺陷,提出了基于导频的小波递归最小二乘支持向量机(WRLS-SVM)时变信道频率估计算法。首先讨论了小波成为核函数的条件,构造了小波核。然后将根据结构风险递归二乘最小化准则回归估计支持向量机原理,把导频训练序列映射到高维空间,并在高维空间采用结构小波核函数,达到了将低维空间的非线性估计转化为高维空间的线性估计的目的。仿真结果表明,在快衰落信道条件下,小波递归最小二乘支持向量机导频信道估计方法可以获得较好误码性能。该方法优于传统的信道插值方法。     

基于纳什均衡改进PWF的舰船检测方法

提出了一种利用极化白化滤波器（polarimetric whitening filter, PWF）作为舰船检测器的新方法。首先,介绍了基于Wishart分布的马尔可夫随机场（Markov random field, MRF）分类问题,利用相似性参数和距离函数构造平滑项,有效地利用极化信息。在利用纳什均衡对分类进行优化时,对参数的选取使用了Fisher准则,优化分类结果。对于最终的检测器,利用PWF构造表征差异的核函数,求解一个优化问题,得到了对应能量函〖JP+3〗数数据项检测函数,同时利用分类结果,使用模糊集构造平滑项检测函数,从而得到改进的极化检测器。最后,使用实际的极化合成孔径雷达（polarimetric synthetic aperture radar, PolSAR）数据对提出的方法有效性做验证并和已有方法进行比较,实验结果表明本方法检测率高,检测目标连续性好。     

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。     

基于极限学习机和boosting多核学习的目标跟踪算法

如何构造鲁棒的分类器一直是基于判别式的目标跟踪算法研究的热点,近些年多核学习通过线性组合多个核分类器达到了更好的分类性能,受到了广泛的关注。传统的多核学习需要解复杂的最优化问题,很难直接应用到目标跟踪中,因此提出一种基于boosting学习框架的多核学习算法,使目标跟踪在复杂场景下可以保持跟踪的实时性和准确性。为了进一步减少计算量和提升分类性能,采用极限学习机(extreme learning machine,ELM)作为基分类器,ELM结构简单,训练速度非常快,并且比支持向量机有更好的泛化能力。最后,将本文算法与其他先进的跟踪算法在多个公开视频序列中进行比较,验证了本文算法性能的有效性。     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

基于核Fisher判别的群结构更新模型及群目标跟踪算法

传统的群结构模型(如群演化网络模型)通过比较两个目标间的马氏距离与根据先验知识所设阈值的大小来对群的分裂合并进行判断, 跟踪效果依赖于设定的阈值, 难以应对群目标跟踪中的各种复杂情况。本文将分群的问题看作一个二分类问题, 提出了一种基于核Fisher判别分析的群结构更新模型, 通过离线训练得到符合群分裂和群合并特性的群结构更新模型, 将其直接用于群结构更新。结合箱粒子概率假设密度滤波算法的群目标跟踪仿真实验表明, 对比群演化网络模型, 本文提出的群结构更新模型对群结构的估计更加准确, 其在数目估计方面更稳定, 对群目标的跟踪效果更好。     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能，需对其进行有效分类，以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题，提出了基于改进的局部保持投影的备件分类方法。首先，根据战时备件分类储备的影响因素，作为备件分类的特征指标，其次，利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维，得到低维特征向量。再利用支持向量机（support vector machine，SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优，提升备件分类精度，得到满足备件分类准确率最优时的降维维数和分类器参数。最后，通过对演习装备备件分类的实例分析，验证了模型的可行性和合理性，并对比分析了其他分类方法，表明该方法能够较好地解决战时备件分类的问题。     

基于自适应高斯核函数时频分布的水声信号处理研究

时频分析被广泛应用于水下目标宽带回波信号以及短时瞬态信号的处理。在水声信号的特征检测和分类方面,时频分析的时变谱提供了区分不同类别目标信号的特征信息。提出一种基于自适应核函数时频分布的水声信号处理方法。与固定核函数时频分布相比,自适应高斯核函数时频分布由于它的核函数随信号而自适应改变,因此对交叉项有很好的抑制效果。计算结果表明,对于多分量线性调频水声信号,采用高斯核函数自适应时频分析不仅对交叉项具有很好的抑制作用,而且对信号的自分量具有较好的聚集作用。