现代网络流量的混沌奇异吸引子

网络流量的预测和控制是现代网络中的一个重要方面,但是它所呈现出来的长相关、分形等特征已经无法用传统的流量模型来描述.利用相空间重构方法,通过计算两组典型网络流量的Lyapunov指数、关联维来找出具有共性的现代网络流量的特征量,从而刻画网络流量的混沌奇异吸引子.仿真结果表明,现代通信网流量存在有共性的奇异吸引子.从而为网络的混沌建模及分析给出了理论上的支持.     

基于半监督聚类理论的MQAM信号的盲识别

在MQAM信号的调制识别中,传统聚类算法聚类效果差,误差平方和函数出现起伏且收敛慢.对此问题,提出由标记的样本点来指导隶属度及聚类中心的更新的半监督聚类理论重构MQAM信号星座图的方法.通过分析星座图,提出了基于星座图圆半径的识别方法,完成了对不同阶数MQAM信号调制方式的识别.仿真结果表明该方法提高了聚类准确度,误差平方和函数曲线平滑,且MQAM信号的识别率在90％以上.     

基于半监督聚类的MQAM信号盲识别算法研究

传统的聚类算法用在MQAM(multilevel quadrature amplitude modulation,多进制正交幅度调制)信号的调制识别中,算法的迭代次数多,特别对高阶调制信号运算时间长。针对此问题,提出了一种半监督聚类重构星座图的方法,由自适应减法聚类确定初始聚类中心,在其周围标记部分样本点并赋予初始隶属度值fik,根据标记的样本点数目确定可信度参数α的值。用fik和α来监督隶属度和聚类中心的更新,误差平方和函数迭代次数减少1/2。接收端识别时,提出基于星座图圆半径的调制识别方式,该方法能很好应对初始聚类中心数目不准确的情况,不需要进行聚类中心的合并与分裂。通过提取接收端星座图的特征参数R并与标准参数Rs进行比较,实现对MQAM信号调制方式的识别。仿真结果表明运算时间是传统聚类算法的1/3,对4~256QAM信号的调制方式识别率在93%以上。     

光学相关不变性模式识别的局限性及其出路

本文运用神经网络理论分析了光学相关不变性模式识别的局限性,在保持光学相关模式识别方法的合理内涵的基础上,提出了基于两层神经网络的不变性模式识别方法,分析了这种方法的普适性、适应性、最优并行性及其在硬件实现上的优点,并给出该方法用于多个飞行目标多畸变不变性识别的实验结果．