基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

LSVDD: 基于局部支持向量数据描述的稀有类分析算法

在单类支持向量数据描述算法的基础上, 提出了一种基于局部支持向量数据描述的稀有类分析算法: LSVDD, 能够处理存在类重叠的类不平衡问题. 该算法利用支持向量数据描述算法对各类样本分别进行单类学习, 从而获得单类模型; 然后对单类模型的概念重叠区域使用属性选择进一步进行局部单类学习, 最后得到综合分类模型. 在仿真数据集和UCI数据集上的实验结果表明, LSVDD能够有效和稳定地提高稀有类分析精度.     

基于线性回归分析的快速搜索聚类中心算法

针对一种可快速搜索和寻找到聚类密度峰值点聚类算法的缺陷,利用线性回归与残差分析的方法进行改进,可自动、快速地确定聚类中心且优化样本点密度值。算法利用样本点的近邻信息重新度量点的密度值,提高聚类中心点位置稳定性;利用一元线性回归与残差分析,快速、自动地选出聚类中心点,去除了人为选择的主观性。通过理论分析以及在人工数据集和真实数据集的对比实验表明,提出的基于线性回归分析的快速搜索聚类中心算法能够克服原有算法的缺陷,并且在聚类效果和计算时间上优于原有算法、基于密度的带有噪声的空间聚类算法(density based spatial clustering of applications with noise, DBSCAN)以及K-means算法。     

基于减法聚类的动态航迹聚类算法

针对天波超视距雷达"多路径"引起的航迹聚类问题,提出了一种基于减法聚类的自适应动态航迹聚类算法(ADC),定义了评价航迹聚类算法的两类指标.ADC算法在聚类的过程中,动态调整样本集的大小,在获得聚类中心后,根据最近邻法确定每个样本点的归属.仿真结果表明,ADC算法大大提高了航迹聚类的准确性.     

基于仿生模式识别的说话人辨认方法研究

仿生模式识别方法模仿了人类进行事物分辨过程中的行为特征,强调了类内事物的相关性,利用"熟识"程度代替"分类".与传统模式识别方法注重发掘类间特征差异性相比,给出了一种新的思路.仿生模式识别方法的难点在于针对同一类事物的有限个样本在特征空间中建立有效的连续覆盖.提出了一种利用改进的最近邻方法产生类覆盖区的新算法,该算法认为同一类中任意两个样本间的特征是渐变的,从而生成更多虚拟的样本点,并根据两个样本特征点之间的距离确定虚拟样本点的覆盖范围.利用该算法实现了说话人识别系统,实验表明该方法能够有效地排除冒充者话音的干扰,在有大量冒充说话人的实验环境下,能够大大提高系统的识别率.     

基于邻域优化的局部线性嵌入

利用图代数计算数据之间的相关性，进而优化数据的局部邻域，并应用于改进局部线性嵌入.LLE算法。优化后的LLE算法考虑了数据集的聚类结构，但不需要分类信息或聚类算法做预处理，因而算法是无监督的，有通用性，简单易于实现。邻域优化后的局部线性嵌入算法克服了经典LLE不能很好地处理稀疏或含有噪音数据的缺陷。同时继承了经典LLE时间复杂度低的优点，可用于解决大规模数据问题。标准数据集上的实验结果证明了所提方法的有效性。     

2v-SSPC-一种不平衡数据分类方法

针对现有分类算法通常对不平衡数据挖掘表现出有偏性,即正类样本(通常是更重要的一类)的分类和预测性能差于负类样本的分类和预测性能,提出一种不平衡数据分类方法。该方法通过一个超球面将两类数据以最大分离比率分离,并且引入两个参数来分别控制两类错分率的上界,不仅提高了不平衡数据集的分类和预测的性能,而且大大缩小了参数的选择范围。在UCI真实数据上进行了实验,并采用ROC曲线下面积作为评估指标进行比较,结果验证了该方法的有效性。     

基于MapReduce的大规模数据集流形学习降维研究

信息技术的快速发展导致了数据规模的爆炸式增长，传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足，成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高，对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题，提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中，利用流形具有局部欧氏同胚的性质，在每个桶内采用欧氏距离度量点之间的测地距离，桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明，该算法能有效地估计数据点间的测地距离，适用于处理大规模数据集的降维问题.     

一种采用LLE降维和贝叶斯分类的多类标学习算法

多类标数据中的样本可能属于一个或多个类标,因此其分类问题较单类标分类更为复杂。提出一种新的多类标学习算法,首先针对多类标数据的特征属性维数高的特点,采用LLE算法对多类标数据的特征属性进行降维,提取能较完整描述数据的一组低维特征属性集;然后将多类标样本集按所属的类标进行划分,并采用贝叶斯分类模型来学习各组样本集的分类特性;根据各个分类模型的判定类标,综合得到多类标样本的最终类标集。将该算法分别应用到自然场景图像和基因数据的多类标分类学习中,实验结果表明,该算法针对不同的多类标数据集均能取得很好的分类效果,且相比于其他多类标算法有更高的性能。     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

基于频谱细化的线性调频信号参数估计

针对现有的线性调频(linear frequency modulation,LFM)信号参数估计算法运算量大、实时性差的问题,提出了基于频谱细化的参数快速估计算法。首先对中频采样信号与其延迟逐点相乘,并对产生的新序列做FFT运算,初步粗略估计出LFM信号的调频斜率,然后运用频谱细化方法,即chirp-Z变换,估计出精确的调频斜率。在此基础上,对原信号直接解线调,分析解线调后的信号频谱,估计出信号的起始频率,同样采用频谱细化方法提高估计精度。仿真结果表明算法的有效性。     

宽带LFM信号的压缩感知测向算法

在采用均匀圆阵对宽带线性调频(linear frequency modulation, LFM)信号进行测向时,由于满足奈奎斯特采样所需采样数据量很大,加重了实时处理系统负担。针对这一问题,在小孔径圆阵环境下提出并构建了基于压缩感知理论的时差测向模型,以较少的观测点实现了信号的波达方向估计。研究结果表明,应用所提的基于压缩感知的分数时延估计法对宽带LFM信号测向时,能够获得与分数时延估计测向算法相似的测向精度,并且大量减少了数据的运算量,提高了算法的时间效率。     

基于强点信息的SAR多普勒中心估计算法

提出了一种利用强散射点回波信息的合成孔径雷达多普勒中心快速估计算法,算法直接对距离压缩之后的回波信号进行处理,利用图像处理中的相关技术进行强散射点的选择和时域徙动曲线的跟踪,在提取出强点目标的距离时域徙动曲线后,由距离走动和多普勒中心之间的关系,直接计算得到多普勒中心估计值。算法的计算步骤简单,在对含有强散射点的回波数据进行处理时可以获得很高的计算效率。对Radarsat I卫星原始数据的处理,验证了算法的有效性。     

矿井通风网络最小独立路集不交化可靠度的计算

运用可靠性工程理论及不交型积之和定律 ,在大型网络系统可靠度计算的基础上 ,提出了矿井通风网络系统最大线性无关最小独立路集予以真子集涤除的不交化可靠度计算的实现方法 .根据不交化可靠度计算法 ,当最小独立路集按所含网络分支的多少进行升序排列时 ,还可进一步减少中间过程的计算量 ,从而达到最佳不交化简化计算的效果 .实例分析表明 :采用升序排列的最小独立路集并按不交型积之和定理予以真子集涤除的不交化处理后 ,不仅计算值等同于一般网络分析中用全概率公式计算的矿井通风网络系统可靠度 ,而且 ,计算工作量大为简化 .     

基于自适应SSUKF的组合导航信息融合方法

针对车载组合导航系统噪声统计特性无法事先实时获取的问题,提出了一种神经网络辅助的自适应SSUKF信息融合算法.该算法利用神经网络在线估计系统噪声,采用SSUKF同时估计系统状态和在线训练神经网络的权值,从而能在系统噪声统计特性未知的情况下获得组合导航系统的实时最优估计,给出了算法的详细实现过程.最后,针对车载INS/GPS组合导航系统的信息融合问题进行了仿真研究.仿真结果表明,该算法在系统噪声统计特性未知的情况下仍能获得高精度的估计效果,同时与自适应UKF算法相比,有效降低了算法的计算量,提高了算法运行的实时性,证明了该算法是一种有效而实用的方法.     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

基于DEKF联合估计的CD3S信号解调算法

针对实值混沌直接序列扩频(chaotic direct sequence spread spectrum,CD3S)信号同步难、解调难的问题,利用混沌码同步与信息码解调间的关联性,提出了一种基于双扩展卡尔曼滤波联合估计的CD3S信号解调算法。算法采用双扩展卡尔曼滤波结构,交替进行混沌码估计与信息码估计,通过联合估计完成混沌扩频码同步,并实现信息码的解调。考虑到信息码状态相互独立造成的卡尔曼增益退化问题,算法改进了信息码估计时的卡尔曼增益计算方法。仿真结果表明,该算法可以实现CD3S信号的正确解调,改进卡尔曼增益解调可以有效改善CD3S系统的误码性能。     

基于迭代连续匹配追踪的高频地波雷达单次快拍DOA估计方法

高频地波超视距雷达在一个相参积累时间内只能获得空域的单次快拍,在单次快拍条件下进行波达方向估计常常性能很差。针对该问题,本文以压缩感知理论为基础,并根据目标信号在探测方位分布的稀疏性,提出单次快拍下目标方位估计方法。该方法首先利用稀疏变换字典将位于连续方位空间的目标信号变换到满足稀疏条件的离散网格点上;然后采用正交匹配追踪方法获得粗略的方位信息;最后根据迭代最小二乘连续匹配追踪算法得到目标的精确方位。理论分析与仿真证明,该方法可以提高在单次快拍下对低信噪比相干信号的方位估计精度,并且完全适用于阵元数较少的小规模高频地波雷达系统。