一种基于GSC框架波束域快速稳健自适应波束形成算法

GSC框架是自适应波束形成降秩算法的统一模型,一般通过构造降秩矩阵来降低算法的运算量,但是降秩矩阵大多通过特征分解来获得,给算法带来了大量额外的运算量。针对此问题,提出了一种波束域的快速稳健自适应波束形成算法,通过转换矩阵将输入信号从高维度的阵元域转换到低维度的波束域,然后在波束域运用子空间类算法,用信号子空间来构造阻塞矩阵、降秩矩阵和映射矩阵,既降低了计算量,又解决了基于GSC框架的自适应算法在信噪比较高时由于期望信号相消导致性能严重下降的问题。仿真结果证明了提出的算法有很好的波束形成性能,验证了算法的有效性。     

基于PCA的概率神经网络结构优化

为了改善概率神经网络(PNN)在训练样本数量较大冗余度较高时存在的结构复杂的问题,提出一种基于主成分分析(PCA)的结构优化方法.以概率乘法公式为理论依据,根据训练样本的PCA结果对PNN进行结构优化,并引入学习算法减小PNN的参数不确定性.实验结果表明: 在训练样本数量较大冗余度较高的情况下,优化后的PNN能够使用比传统PNN更简单的网络结构达到相近的结果.     

基于隐马尔可夫模型的流数据分类算法

为优化周期性概念漂移分类精度,提出了一种基于隐马尔可夫模型的周期性流式数据分类(HMMSDC)算法,算法结合实际可观测序列的输出建立漂移概念状态序列的转移矩阵概率模型,由观测值概率分布密度来预测状态的转移序列.当预测误差超过用户定义阈值时,算法能够更新优化转移矩阵参数,无须重复学习历史概念即可实现对数据概念漂移的有效预测.此外,算法采用半监督K-Mean学习方法训练样本集,降低了人工标记样例的代价,能够避免隐形马尔可夫模型因标记样例不足而产生的欠学习问题.实验结果表明:相对传统集成分类算法,新算法对周期性数据漂移具有更好的分类精确度及分类时效性.     

认知无线电中一种新的基于MED的频谱感知算法

提出了一种新的基于最大特征值检测的频谱感知算法,并利用最新的大维随机矩阵理论的结果来获取新的理论判决门限.该门限能够使检测器产生更加可靠的感知性能,获得更高的检测概率.仿真结果验证了新算法的有效性.     

回归系数混合估计与最小二乘估计的相对效率

研究了线性回归模型中,当设计矩阵列降秩时可估函数的混合估计与最小二乘估计的相对效率,利用矩阵的相关性质及运算,导出了相对效率的界.     

一种新的降秩广义旁瓣相消器

了减少广义旁瓣相消器的计算量,提出了一种新的降秩广义旁瓣相消器,利用特征子空间构建阻塞矩阵,设计广义旁瓣相消器,比以往的降秩广义旁瓣相消器能够减少更多的计算量,仿真实验结果验证了该方法的有效性。     

一种改进的单速率三色标记器

提出了一种改进的单速率三色标记算法.该算法用两个上三角矩阵表示标记器之间的令牌借用关系,在某一个标记器对应的数据流(或者聚合流)空闲时,能够把多余的令牌按照一定的概率借用给需要令牌的数据流;在某个数据流繁忙时,若发现自己目前的令牌不足,就向原来借用自己令牌的数据流索还一定的令牌.该算法能在区分服务环境下对确保传输的分组丢弃优先级进行标记.仿真结果表明,相对于原来的单速率三色标记算法,该算法能够提供较高的吞吐量.     

Lorenz混沌系统的数据同化方法研究

利用数据同化方法研究了Lorenz混沌系统中的非线性问题.提出了一种基于Cholesky分解的降秩平方根滤波算法,可以改善数据同化中的滤波发散现象.通过对卡尔曼滤波误差协方差矩阵进行Cholesky分解,降低协方差矩阵的计算量和存储量,提高滤波的收敛速度.在Lorenz混沌系统上研究了降秩平方根滤波的性能,通过敏感性分析试验,讨论了降秩平方根滤波的稳定性,验证了算法的有效性,比较了降秩平方根滤波与集合卡尔曼滤波的同化性能.结果表明,在Lorenz混沌系统的短期预报实验中,降秩平方根滤波的同化性能优于集合卡尔曼滤波.     

应用于GPS接收机的序贯检测器性能分析

为了对使用Tong搜索检测器的全球定位系统(GPS)接收机的信号捕获性能进行理论评估,以及在设计中确定该检测器的参数值,推导了该检测器的总虚警概率、总检测概率以及平均驻留时间的计算公式,修正了在此之前研究领域普遍使用的该检测器捕获性能分析公式中的错误,并通过数值验证讨论了该检测器各参数的作用。仿真结果表明:增加Tong搜索检测器内置的计数器初值可以改善捕获性能。在总虚警概率高于0.1%的情况下,降低计数器最大值,同时增加计数器初值可使同等检测概率条件下,平均滞留时间变短。     

应用于GPS接收机的序贯检测器性能分析

为了对使用Tong搜索检测器的全球定位系统(GPS)接收机的信号捕获性能进行理论评估,以及在设计中确定该检测器的参数值,推导了该检测器的总虚警概率、总检测概率以及平均驻留时间的计算公式,修正了在此之前研究领域普遍使用的该检测器捕获性能分析公式中的错误,并通过数值验证讨论了该检测器各参数的作用。仿真结果表明:增加Tong搜索检测器内置的计数器初值可以改善捕获性能。在总虚警概率高于0.1%的情况下,降低计数器最大值,同时增加计数器初值可使同等检测概率条件下,平均滞留时间变短。     

基于生成对抗网络的入侵检测类别不平衡问题数据增强方法

数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素。当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果。针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡。通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

低RCS目标检测的制导雷达波形优化方法

提出了一种基于局部最大势-相对熵(LMP-KLD)的制导雷达波形设计方法.该方法基于低雷达散射截面积(RCS)目标特性和压制干扰等条件,构建了局部最大势(LMP)检测器,推导了影响检测器性能的偏移系数,从相对熵(KLD)的角度分析了偏移系数,建立偏移系数与KLD间的关系模型,然后利用极值点法在频域分配信号能量并确定发射信号频域表达式.仿真实验结果表明:当虚警概率为1×10-3时,通过波形优化算法设计的波形获得的检测概率比传统方法设计的波形提高了0.38.     

基于肤色模型与Adaboost算法的多视角人脸检测

提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.     

基于矩阵风扇的车辆前端换热优化

为提升实车散热器的换热性能,在传统乘用车单风扇系统的基础上设计出5种风扇矩阵型式,利用数值仿真分析不同矩阵型式对散热器换热性能的影响,并提出差速控制策略,进一步优化车辆冷却前端换热。结果表明:不同矩阵风扇型式对散热器换热性能的影响不同,其中矩阵风扇(风扇数N=6)所实现的换热量最大,为最优的布置型式;对于矩阵风扇(N=6),当低温区风扇以较高转速运行时,能够减少怠速工况下车辆前端的热回流,降低发动机舱内部的平均温度,有效改善发动机舱的热环境;同时在怠速工况下当转速比为3时,散热器换热量达到6.61kW,相比匀速工况提高1.71%,而当车辆低速行驶且转速比为1.8时,散热器换热量为10.73kW,相比匀速工况增加1.2%;此外,低温区风扇以较高转速运行还能够抑制发动机舱内部及护板下方的流动分离,并降低车辆低速行驶时发动机舱内部流道的沿程阻力。     

基于DBSCAN聚类的改进KNN文本分类算法

K最近邻算法(KNN)在分类时,需要计算待分类样本与训练样本集中每个样本之间的相似度.当训练样本过多时,计算代价大,分类效率降低.因此,提出一种基于DBSCAN聚类的改进算法.利用DBSCAN聚类消除训练样本的噪声数据.同时,对于核心样本集中的样本,根据其样本相似度阈值和密度进行样本裁剪,以缩减与待分类样本计算相似度的训练样本个数.实验表明此算法能够在保持基本分类能力不变的情况下,有效地降低分类计算量.     

采用Gabor变换和双方向LDA进行人脸识别

将Gabor变换和双方向LDA(BDLDA)算法相结合,提出了一种可以解决小样本问题的人脸识别新算法.该算法把人脸图像经过 Gabor 小波变换后得到的每个输出图像都看成是独立的样本,使得每类人脸样本的样本数成倍增加.然后采用BDLDA算法来提取人脸特征,并专门设计了针对人脸特征矩阵的最近邻分类器和最小距离分类器来进行分类判决.在 ORL 人脸库和 FERET人脸库中的实验结果表明,当每类的训练样本数较少时,该算法能大幅度提高人脸识别率,甚至当每类训练样本数仅为1时,也能得到较高的性能.     

状态加权合成的CGHMM训练算法

为了克服训练数据不足的问题,提出了一种新的方法——基于状态加权合成的连续高斯混合密度隐马尔可夫模型(continuous Gaussian mixture hidden Markov model,CGHMM)训练算法.首先对每一个待合并模型中的每个状态都选定一个权值,当对多个训练样本进行CGHMM参数重估时,每一次迭代过程都分别对每一个训练样本获取CGHMM参数,再使用仅仅取决于状态数的权值加以合并.最后,将此新算法应用于轴承故障诊断,并与经典CGHMM算法进行了比较.实验结果表明,新算法的诊断精度更高,输出概率更好,获得了更优的训练模板.     

基于盖氏圆方法的宽带信源数目估计

针对低信噪比和小快拍数情况下宽带信号源数目较难精确估计的问题,提出了一种基于盖氏圆方法的宽带信号源数目估计算法(GDECSM)。盖氏圆方法通过利用盖氏半径对矩阵特征值范围的限定关系,能有效区分信号子空间与噪声子空间,在宽带信号源数目估计中能够产生良好的检测效果。仿真实验表明,与基于AIC准则的宽带信源数目估计算法(AICCSM)相比,GDECSM算法在低信噪比和小快拍数时都具有更高的检测概率,运算复杂度也有所降低。     

基于主动学习SVM分类器的视频分类

提出一种基于主动学习SVM分类器的视频分类算法.该算法分为两个步骤:首先分析并提取与视频类型有关的十维底层视觉特征;然后用SVM分类器建立这些底层特征与视频类型之间的联系.在获取SVM分类器所需的训练样本时,采用主动学习的方法选择对SVM分类器最"有用"的样本提供给用户进行标注,用更少的训练样本获得与大量训练样本近似的分类效果,从而减轻用户标注负担.针对多类SVM分类的主动学习问题,提出用后验概率计算分类器对未标注样本的置信度进行样本选择.实验结果表明,主动学习算法与随机采样标注的被动学习算法相比,在相同的训练样本情况下能够获得更高的分类精度;而基于后验概率选择样本的主动学习要略好于传统的基于变型空间(version space)选择样本的主动学习.     

基于密度裁剪的SVM分类算法

针对SVM中当训练样本数非常多时,分类算法训练阶段的计算量庞大;当训练样本集中存在噪声时,影响训练阶段超平面划分的准确度,导致分类准确率降低等问题,提出了一种基于密度的训练样本裁剪的SVM算法。首先应用密度裁剪算法裁剪掉原始训练样本集中存在的噪声和冗余样本,作为新训练样本集,使用网格搜索算法在新的训练样本集中对SVM参数(C,g)寻优,进行SVM训练并建模,达到分类的目的。实验结果表明,该算法同无样本裁剪的SVM算法相比分类准确率有所提高、训练阶段的时间耗费大大降低。