一般多值双向联想记忆模型及其在IP地址识别中的应用

通过引入模式相似度的概念,给出了一个一般的多值双向联想记忆模型.该模型囊括了Wang的指数式多值双向联想记忆(Mv-eBAM)以及多项式多值双向联想记忆(PBHC),并衍生出几种新的多值双向联想记忆模型,即正切联想记忆(HTBAM)和柯西联想记忆等.其中侧重对比讨论了HTBAM和Wang的PBHC模型,模拟结果显示HTBAM具有和PBHC相当的存储容量,且纠错性能显著提高.最后利用此性能,将HTBAM用于IP地址识别中,给出了一种新颖的联想IP路由查找方法.     

联想记忆混沌神经元网络

在对当前混沌神经元网络在信息处理中的应用研究的基础上,提出了对混沌神经元组成的人工神经网络模型建立一种新的自联想矩阵的方法,由此建立了经沌神经元组成的改进的联想记忆网络。通过仿真实验证实了与现有方法相比,其联想的成功率和加快速度方面都有较大的提高。并从理论上详细地介绍了网络的联想记忆过程和性质提高的原因。     

热流密码体制中伪抛物型方程的再生核解法

讨论热流密码体制的一类非线性伪抛物型模型,运用线性变换使伪抛物型方程(3)的初边值条件齐次化,在再生核空间(3,2)(D)中,利用再生核的方法,构造(3,2)(D)空间上的近似再生核un(M),证明了此算法的收敛性并给出了误差估计式.     

基于混合进化计算的GMM优化方法及其在说话人辨认中的应用

提出了基于进化高斯混合模型(EGMM)的说话人辨认系统建模方法.EGMM在进化算法的框架下,为改善模型的泛化性能对GMM模型的结构与参数共同进行了优化.同时,系统的优化目标中引入了其他用户的区分性信息以提高其分类精度.根据GMM的特点设计了专门的遗传算子并结合GA与EP提出了一种新的混合进化算法.初步实验结果表明,EGMM方法建立的说话人模型具有更强的泛化能力.在说话人辨认实验中,较之传统的GMM方法,基于EGMM的系统的正识率提高了近3%,并且模型具有更小的平均尺寸.     

UGES反向传导算法:一种新的小样本深度机器学习模型

针对传统深度学习算法在样本不足时易出现过拟合的问题,提出了一类新的小样本深度学习模型:UGES反向传导模型。其基本思路是:在保留深层结构的同时,压缩需要学习参数的数量。作为一种与误差反向传导算法相容的间接编码模型,该算法对权值的随机分布特性进行重新编码,打破了不同隐含层之间的隔阂,并使用变分贝叶斯学习对网络进行全局训练。新模型的参数数目不再与输入变量维数及网络结构大小相关,同时强迫权值对于一定程度的扰动具有鲁棒性。最后,将所提出的算法用于外包软件项目风险识别这一典型的多维小样本问题中。对比实验表明,该模型达到了93.3%的样本外准确率,不仅保留了深度模型非线性表达能力,亦具备了小样本下优秀的泛化能力。     

一种基于RCAM结构的联想记忆器

递归相关联想记忆（ＲＣＡＭ）的回已规则不同于Ｈｏｐｆｉｅｌｄ网络之处在于前者在输入与记忆模式的相关值上作用一非线性函数,在文献（７）的基础上,文中对所涉及的非线性函数进行了进一步的研究,提出了利用截断较小相关值来提高记忆性能的方法,得到了一种新的具有ＲＣＡＭ结构的联想记忆器（ＴＲＣＡＭ）,理论分析表明该方法可大大地提高记忆器对任意输入的信噪比,仿真实验也显示此方法可显著增大记忆模型在保证一定纠错能     

一类未知非线性系统中有限域最优跟踪控制的迭代DHP算法

针对一类未知非线性离散时间系统,提出了一种无模型时域有限差分最优跟踪控制方案.在有限时域最优控制理论的框架下,将跟踪控制问题转化为误差动态调节器,引入迭代自适应动态规划(ADP)算法,通过双启发式动态规划(DHP)技术,分别用三个神经网络逼近误差动力学、成本函数和控制率,结合成本函数和控制率的收敛性分析,得到有限时域最优控制器.通过仿真实例验证了跟踪控制方案的有效性.     

开关电流联想记忆

“开关电流”是一种新的模拟采样数据信号处理技术,它不需要线性浮地电容,这一性能使得信号处理器件能够用标准的数字VLSI工艺集成.本文探讨了开关电流技术在神经网络方面的应用,提出了一种新的联想记忆模型,并从它的开关电路实现和它的算法两个方面进行了讨论.     

面向数据流挖掘过程的算法管理框架

结合数据流的特点,提出了一种面向数据流挖掘的过程模型PM-DSM。针对目前数据流挖掘过程中存在算法众多但利用率低的问题,提出了一种基于Web服务的数据流挖掘过程模型算法管理框架PMAMF-DSM,描述了该框架的体系结构和运行机制,并用UML活动图给出了框架的实现语义。在Eclipse上基于该框架实现了一个数据流挖掘算法管理系统,实验结果表明了该框架的灵活性与自适应性。     

基于UML Statecharts面向对象软件的测试框架

直接从含有层次和并发结构的UML statecharts图产生面向对象软件类的测试用例是比较困难的,文中提出了基于UML statecharts图的测试框架:先利用现有的UML工具画出UML statecharts图,并产生XMI(XML metadatainterchange)格式的规格说明文件;然后根据UML statecharts的形式化语义,层次和并发结构被展平,将UML statecharts图的规格说明XML文件转换成FREE(flattened regular expression)模型的规格说明信息;最后根据FREE模型的规格说明信息,按照不同的充分性测试准则,分别产生测试用例集.同时提出了由FREE模型根据全ZOT路径覆盖准则产生有限迁移序列的算法,并且还实现了这个测试框架.     

一种低复杂度的数字调幅广播调制方式

提出一种低复杂度的数字调幅广播调制方式——32DAPSK+OFDM.该方式能有效地降低数字广播接收机复杂度.首先给出30MHz以下频段(调幅广播波段)信道模型和基于OFDM数字调幅广播系统的等效基带模型,然后讨论32DAPSK+OFDM的调制、解调以及在白高斯信道的误比特性能。最后仿真32DAPSK+OFDM在调幅广播信道的误比特性能。     

信道压缩表示的OFDM快衰落信道估计

针对正交频分复用系统提出基于信道压缩表示的快衰落信道估计算法. 该方法采用一种紧凑型信道冲激响应(channel impulse response, CIR)矩阵及信道核向量的信道压缩表示方法,减少了CIR矩阵中的未知元素数目. 推导了等效信道模型以及CIR矩阵与信道核向量之间的闭式表达式,利用最小二乘和线性最小均方差估计器估计出信道核向量,并由其重构出CIR矩阵,从而实现了信道压缩表示的OFDM快衰落信道估计. 仿真结果表明,该算法能对快衰落信道进行有效估计,并降低系统传输BER.     

基于CNN和Bi-LSTM的脑电波情感分析

针对目前大多数脑电波情感识别方法存在的依赖手动特征提取等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络的混合模型.首先将一维数据转换为二维数据,采用CNN提...     

热流密码体制中伪抛物型方程的再生核解法

讨论热流密码体制的一类非线性伪抛物型模型，运用线性变换使伪抛物型方程（3）的初边值条件齐次化，在再生核空间W（3．2）（D）中，利用再生核的方法，构造形W（3,2）（D）空间上的近似再生核un（M），证明了此算法的收敛性并给出了误差估计式．     

变窗宽下回归函数导数核估计的相合性

设(Xj,Y j),j=1,2,…,n是取值于R×R上的一列i.i.d的样本,Y=m(x)+ε是回归模型,其中m(x)=E(YX=x)是未知的回归函数.给出变窗宽下m′(x)的核估计方法,并建立估计量大样本的相合性.     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）和长短时记忆（long short-term memory,LSTM）神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计（rectified adaptive moment estimation,RAdam）优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明：在工作日与周末分时段,所提出的模型相比堆栈自编码（stacked auto-encoders,SAEs）网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归（long-short term memory-support vector regression,LSTM-SVR）预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。     

采用复合调制的AM广播功率谱分析

分析采用EBPSK/DSB-AM复合调制的AM广播发射信号功率谱,给出复合传输系统的结构和发射信号的波形表达式。以美国FCC规定的功率谱发射掩模和我国关于AM发射机基本参数的国家标准为具体指标,对比了通过几种不同的发射滤波器后复合调制信号的功率谱结构,以及相应的数据传输性能。系统仿真表明,在满足给定发射信号功率谱衰减和一定的信噪比条件下,模拟AM广播和EBPSK数据传输都能获得良好的性能。     

基于LSTM和特征生成的网络流量分类

本文提出了一种将特征生成和长短期记忆（long short term memory,LSTM）模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络（convolutional neural network,CNN）和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。