基于属性约简的加权朴素贝叶斯分类算法

朴素贝叶斯在处理分类问题上简单高效,通常它假设属性间是条件独立的,且各属性变量对类变量的影响程度是相同的,但在实际应用中这些都难以被满足,从而使得其分类性能降低.因此,提出基于属性约简的加权朴素贝叶斯分类算法,该算法首先根据各属性不同取值的分类能力及属性间的对称不确定性大小,去除了无关属性和冗余属性,使得筛选后的属性之间具有较低的关联度和较强的分类能力;然后再结合属性与类变量及属性间的相关性对各属性进行加权;最后对待判样本进行分类.经实验结果表明,该算法有效地提升了朴素贝叶斯的分类性能.     

低轨卫星互联网多属性切换控制方法

针对低轨(low earth orbit, LEO)卫星通信系统中星间单属性切换容易造成当前属性最优而其他属性较差的问题，提出一种LEO卫星星间多属性切换路径筛选算法。该算法根据终端的运动情况以及卫星星历信息预测未来一段时间内可供终端切换的所有服务卫星。同时考虑服务时长、仰角以及空闲信道3个属性对星间切换的影响，找到一条在3种属性上都较优的切换路径。仿真结果表明，所提算法不仅可以降低切换失败率，还可以降低星上的平均负载以及新呼叫的阻塞率。     

关系亲密程度的LTE异构网络切换算法

处于宏蜂窝和毫微微蜂窝覆盖范围内的用户设备为满足用户体验质量,需进行大量的切换操作,随着总切换次数的增加,用户设备将持续占用部分物理资源,导致系统吞吐量降低.提出一种关系亲密程度的长期演进(LTE)异构网络切换算法,通过统计用户设备接入毫微微蜂窝的历史信息来估计用户设备与毫微微蜂窝的关系亲密程度,利用该属性对等待切换的用户设备进行优先级排序,结合用户设备的接收信号强度、移动速度、毫微微蜂窝可用带宽进行综合切换判决.数值结果表明提出的切换算法大幅降低总切换次数,显著减少不必要切换次数,有效提高系统吞吐量.     

基于的贝叶斯理论的多系统定位融合算法

针对传统多系统融合定位中协作性较差,自适应性不足的问题。为了多系统定位达到更好的效果,提高多系统协同定位算法中信息融合的高效性、场景间切换的适应性,本文对传统的多系统定位融合算法进行了改进。该算法采用贝叶斯理论,多系统观测数据融合输入,建立贝叶斯概率观测模型,对多系统间定位信息直接交互,通过扩展卡尔曼滤波理论估计定位信息。在此基础上,利用各系统滤波新息和方差对场景间切换时系统概率进行实时更新,将估计结果以系统概率加权方式融合输出;仿真结果表明,在相同观测条件下,本算法与传统定位算法相比,具有更好的稳定性及自适应性。     

基于模糊层次分析法的多属性垂直切换算法

为实现移动节点在不同网络间的无缝切换,保证业务的连续性,提出了一种基于模糊层次分析法的多属性垂直切换算法.根据人类思维具有模糊性的特点,对各属性间的相对重要程度进行比较时用模糊数来表示比较结果,并建立模糊判决矩阵,以解决传统算法中判决矩阵的一致性与人类思维一致性之间存在的差异问题.为了提高切换的有效性,结合对用户运动状态、目标基站负载状态的判断,设计了一种自适应可变时长的定时器.仿真结果表明,文中算法能够提高切换性能和系统的吞吐量,降低系统的丢话率.     

基于模糊控制的垂直切换决定算法

蜂窝网络(cellular network)与无线局域网(WLAN)的融合是下一代移动通信的发展趋势,在通信过程中,节点将在两种网络间进行垂直切换.文中提出了一种垂直切换决定算法,该算法采用学习机制建立模糊集合的隶属度函数,并从用户对WLAN选择度、WLAN的信号强度以及带宽3个方面进行考虑,通过模糊推理,最终作出切换决定.分析及仿真表明本算法能够在综合多种影响切换的因素基础上作出准确的切换决定,与传统算法相比较,本算法的切换次数降低到传统算法的50%以下.     

基于贪婪选择的半朴素贝叶斯分类器研究

针对朴素贝叶斯分类器忽略属性间依赖关系造成分类准确性降低的问题,提出了基于贪婪选择算法的半朴素贝叶斯分类器分组改进算法.改进过程中依据不同参数的调整和属性选择技术衍生出3种分组方法,获得不同的改进方式,建立了贪婪选择半朴素贝叶斯分类器,实验采用UCI数据库中选取的数据进行分类.结果表明,改进的分类器具有良好的分类准确率.     

基于粗集的贝叶斯分类器算法

C^3I系统在解决威胁度估计等问题时，应根据环境恰当确定影响威胁度等指标的诸属性，提出了基于粗集的贝叶斯分类器算法，该算法在基于粗集的属性约简方法的基础上，综合考虑条件属性和决策属性间的依赖性以及条件属性间的依赖性对约简的影响，通过基于依赖性的属性约简，改善属性变量间独立性限制，发挥贝叶斯分类器的鲁棒性潜能，优化贝叶斯分类器性能，实验证明该方法解决威胁度估计等C^3I系统中的问题，效果良好。     

基于贝叶斯理论的多系统定位融合算法

针对传统多系统融合定位中协作性较差,自适应性不足的问题,为多系统定位达到更好的效果,提高多系统协同定位算法中信息融合的高效性、场景间切换的适应性,对传统的多系统定位融合算法进行了改进。采用贝叶斯理论,多系统观测数据融合输入,建立贝叶斯概率观测模型,对多系统间定位信息直接交互,通过扩展卡尔曼滤波理论估计定位信息。在此基础上,利用各系统滤波新息和方差对场景间切换时系统概率进行实时更新,将估计结果以系统概率加权方式融合输出。仿真结果表明,在相同观测条件下,改进算法与传统定位算法相比,具有更好的稳定性及自适应性。     

基于组合权重和多属性决策的异构网络接入算法

为提高异构网络的接入性能,提升用户体验,文章提出了一种基于组合权重和多属性决策的异构网络接入算法,该算法可以根据用户业务特性的不同,使用熵权法和模糊层次分析法（FAHP）分别计算网络属性的主观权重和客观权重,然后根据组合权重,使用VIKOR计算网络的最后分值,将网络排序,进行了异构无线网络的接入。最后进行了所提算法与其他3种算法（Entropy-FAHP-SAW、Entropy-FAHP-MEW、Entropy-FAHP-TOPSIS）的对比仿真实验,结果表明,算法在保障业务用户Qos的基础上,降低了网络的切换次数、切换失败,减少了乒乓效应,提高了接入判决的服务质量。     

改进Q-Learning 算法在路径规划中的应用

针对Q-Learning 算法在离散状态下存在运行效率低、学习速度慢等问题,提出一种改进的Q-Learning 算法。改进后的算法在原有算法基础上增加了一层学习过程,对环境进行了深度学习。在栅格环境下进行仿真实验,并成功地应用在多障碍物环境下移动机器人路径规划,结果证明了算法的可行性。改进Q-Learning 算法以更快的速度收敛,学习次数明显减少,效率最大可提高20%。同时,该算法框架对解决同类问题具有较强的通用性。     

基于混合算法的点云配准方法研究

为解决ICP( Iterative Closest Point) 算法对初始点云位置要求高且易陷入局部最优的问题,提出一种新的配准方法。首先遵从优势互补基本思想,结合将人工萤火虫算法和粒子群算法生成自适应人工萤火虫-粒子群算法( AAGPSO: Adaptive Artificial Glowworm-Particle Swarm Optimization) ,以使算法的收敛速度变快,解的精度得到提高; 其次优化迭代最近点算法( ICP) ,将已改进的AAGPSO 算法引入ICP 配准算法中进行点云配准,解决ICP 算法因点云的初始位置相差较大而陷入局部最优问题,加快整体的配准效率。通过实验对比原始ICP 配准方法和改进的配准方法并对其进行误差分析,结果验证了AAGPSO 算法在传统ICP 算法的基础上提高了配准精度,并且加快了算法收敛速度,改进的配准方法具有明显优越性。     

基于VMD改进算法的气体管道泄漏检测

为提取气体管道声波信号中的泄漏成分并进行重构,提出一种结合VMD( VMD: Variational Mode Decomposition) 和误差能量算法的特征提取方法。该方法首先利用油气管道泄漏检测系统模拟气体管道的微小泄漏,并采集泄漏声波信号; 然后利用VMD 算法将采集到的泄漏声波信号分解为一系列带宽受限的固有模态;随后,使用误差能量算法选择有效模态; 最后,利用有效模态进行信号重构。通过仿真分析发现,该改进算法可以提取有效模态,利用该方法处理气体管道微小泄漏声波信号,能有效滤除噪声并重构原始信号。     

降低 OFDM 系统峰均功率比的改进算法

为降低正交频分复用(OFDM: Orthogonal Frequency Division Multiplexing)信号的峰均功率比(PAPＲ: Peak Average Power Ｒatio)过高对系统产生的危害,提出将最小二乘估计方法(LS: Least Square Estimation)融合到凸 集映射的星座图扩展技术中(ACE-POCS: Active Constellation Extension-Projected Onto Convex Sets),得到了一种 新算法(LS-ACE-POCS: Least Square Estimation of Active Constellation Extension-Projected Onto Convex Sets)。该算 法采用最小二乘估计算出一个最优因子,并将最优因子与消峰信号相乘,产生新的消峰信号,从而经过 1 次迭 代便可与传统 ACE-POCS 算法 10 次迭代相媲美。由 Matlab 仿真结果可知,在相同的仿真环境下,该算法经过 一次迭代比传统算法第 10 次迭代的 PAPＲ 低 0． 223 dB,并且其误码率性能稍微优异于传统算法,同时大大降 低了系统的复杂度。     

基于ZC序列的OFDM系统定时同步改进算法

为提高OFDM( Orthogonal Frequency Division Multiplexing) 系统的定时同步精确度,提出了一种改进的基于ZC( Zadoff-Chu) 序列的定时同步算法。该算法将经典的Minn 算法序列的取反方法与Park 算法的序列共轭方法结合,利用良好自相关性且低互相关性的ZC 序列,替代原有的PN( Pseudo-Noise Sequence) 序列,构成新序列结构。改进算法在定时位置发生错误时,仍能保证系统精确进行定时同步。在加性高斯白噪声( AWGN:Additive White Gaussian Noise) 信道,子载波的数量是256,16QAM( Quadrature Amplitude Modulation) 调制和解调下,Matlab 仿真表明改进算法消除了Minn 算法和Park 算法中副峰对定时同步的影响,定时偏差与均方误差( MSE: Mean Square Error) 在信噪比－ 15 ～ 15 dB 内,较于Minn 算法和Park 算法更低,提高了定时精度。信噪比是15 dB 时,改进算法定时均方误差为4． 2 × 10 － 6 ,是估计性能最优状态。     

基于动态延迟策略更新的TD3 算法

在深度强化学习领域中，为进一步减少双延迟深度确定性策略梯度TD3( Twin Delayed Deep Deterministic Policy Gradients) 中价值过估计对策略估计的影响，加快模型学习的效率，提出一种基于动态延迟策略更新的双 延迟深度确定性策略梯度( DD-TD3: Twin Delayed Deep Deterministic Policy Gradients with Dynamic Delayed Policy Update) 。在DD-TD3 方法中，通过Critic 网络的最新Loss 值与其指数加权移动平均值的动态差异指导Actor 网 络的延迟更新步长。实验结果表明，与原始TD3 算法在2 000 步获得较高的奖励值相比，DD-TD3 方法可在约 1 000步内学习到最优控制策略，并且获得更高的奖励值，从而提高寻找最优策略的效率。     

基于互信息的变模态分解算法及应用

为解决传统变模态分解( VMD: Variable Mode Decomposition) 结合算法中,K 值选择没有标准,从而导致信号提取存在一定程度误差的问题,提出一种基于互信息的变模态分解有效本征模态函数( IMFs: Intrinsic Mode Function) 的判断方法。该算法通过原始信号与VMD 所获得的IMFs 的和之间的差值,实现预置标度K 值的模糊优选提取信号的主要特征。仿真信号实验表明,所提方法具有最大的输出信噪比和最小均方误差( MSE: Mean Square Error) ,实现了K 的模糊优选,并通过实验验证了该方法对管道泄漏信号滤波的有效性。     

α噪声背景下谐波恢复方法研究

为解决α 噪声背景下的谐波恢复问题,提出了归一化循环相关结合多重信号分类算法。该算法包含两种 多重信号分类算法( MUSIC: Multiple Signal Classification) : 样本空间MUSIC 算法和特征空间MUSIC 算法。 这两种MUSIC 算法充分利用信号子空间和噪声子空间,在空域内做谱峰搜索以求取谐波频率。该算法不仅能 估算谐波信号频率,同时也能提高谐波估计的精度。计算机仿真结果表明,使用这两种算法可完成谐波信号频 率有效估算,而且效果比原有分数低阶矩及其派生的分数低阶统计量更优,且有效地解决了非整数算子造成的 相位扭曲问题,应用前景广泛。     

基于量表大数据的深度神经网络抑郁分类模型

针对抑郁相关量表大数据所面临的特征冗余、特征维度单一、特征子集难以确定等问题,提出了一种基于深度神经网络（deep nural network,DNN）的抑郁分类模型．通过结合主成分投影k-means（principal component, PC k-means）,在不破坏原有特征空间的条件下对量表大数据进行特征选择,并对原始算法的随机性与聚类个数不确定的问题进行了优化;在此基础上,为了增强抑郁识别维度的多样性,构建了引入因子分解机（factorization machines,FM）的DNN抑郁分类模型．分析和对比结果表明:PC k-means不仅可以有效地选择特征,而且与传统分类器和FM-DNN结合,更能提高抑郁分类的准确率,为深度学习引入量表大数据分析提供了新的研究思路与方向．      

基于改进型蚁狮算法的PID控制器参数优化

由于被控对象往往具有高阶非线性等特点,传统PID( Proportion Integration Differentiation) 控制器参数整定方法容易使控制器出现超调、震荡、性能变差等缺陷。为此,提出运用将蚂蚁和蚁狮的移动步长进行改进的蚁狮算法对参数进行优化,通过其互动关系,选择最佳蚁狮位置确定控制器参数,并与改进前蚁狮算法及其他优化算法进行了对比。仿真结果表明,基于改进型蚁狮算法的PID 控制器具有较好的性能指标,相比于改进前蚁狮算法、遗传算法和粒子群算法,该算法具有较高的系统控制精度,以及较短的响应时间等优点,且算法实现更加简单,证明了该方法对于优化PID 参数具有优越性和有效性,为PID 控制器的参数优化提供了参考。