欠定条件下一种自适应信噪比的多跳频信号网台分选方法

针对欠定条件下多跳频信号的网台分选问题,该文利用跳频信号在时频域上的稀疏性,采用了跳频源信号的时频单源点的时频比来估计混合矩阵,在计算时频比矩阵时采用快速全局 均值聚类,进而利用子空间投影法与信源相对功率偏差相结合的方法进行欠定条件下的网台分选,同时为了提高在低信噪比条件下分选的效果,在寻找跳频源信号时频单源点时,采用了自适应信噪比的时频支撑点阈值设定方法。理论分析和仿真实验表明了该算法的有效性。     

多跳频信号参数单通道盲估计算法

为了支撑跳频(FH)网台分选、支援干扰及信息恢复等任务,在单通道条件下,提出一种基于起跳时刻(SHT)序列检测分选的多跳频信号参数盲估计算法,并实现了异步网台频率自动分选．首先总结了三类侦察场景截获样本起跳时刻序列的理论分布,推导了基于起跳时刻序列分选结果的跳频信号时域参数理论表达;然后通过一种改进的谱熵算法,结合设计的自适应门限,实现对起跳时刻序列的准确检测/提取,据此将截获样本划分为若干频率驻留期(FRT),通过快速傅里叶变换(FFT)结合魏格纳-威利分布(WVD)实现了频率驻留期内频率分量的准确估计;接着充分利用跳频信号频域跳变属性,通过对相邻频率驻留期内频率分量进行跳频检测,实现起跳时刻序列分选,为各跳频信号时域参数盲估计提供了数据支撑;最后总结了所提算法完整流程．理论分析结合蒙特卡罗仿真结果表明：所提算法对不同跳频组网方式均具适应性,估计精度高,计算简单．     

欠定条件下自适应信噪比的多跳频信号网台分选方法

针对欠定条件下多跳频信号的网台分选问题,利用跳频信号在时频域上的稀疏性,采用了跳频源信号的时频单源点的时频比来估计混合矩阵,在计算时频比矩阵时采用快速全局均值聚类,进而利用子空间投影法与信源相对功率偏差相结合的方法进行欠定条件下的网台分选,同时为了提高在低信噪比条件下分选的效果,在寻找跳频源信号时频单源点时,采用了自适应信噪比的时频支撑点阈值设定方法。理论分析和仿真实验表明了该算法的有效性。     

基于独立分量分析的混叠跳频信号分离算法

为解决混叠跳频信号的分离问题,在深入研究独立分量分析(ICA:Independent Component Analysis)理论基础上,结合跳频通信的特点,提出了基于独立分量分析的混叠跳频信号分离算法,实现了对混叠跳频信号的盲分离.该算法将基于负熵最大化的FastICA算法应用到混叠跳频信号分离中.通过仿真实验表明,该算法能成功地排除乘性噪声干扰,完成对混叠跳频信号的分离.虽然分离信号的幅度、相位等参数较源信号发生了变化,但并不影响后续工作.这一过程在未知任何先验参数的条件下完成,并取得了较好的分离效果,为跳频通信信号的分离工作提供了新思路.     

跳频通信的半盲提取抗干扰方法

针对跳频通信系统抗干扰问题,利用跳频信号和干扰信号的统计独立性,提出一种跳频信号的半盲提取抗干扰方法。该方法采用参考独立分量分析算法(independent component analysis with reference,ICA-R),利用协作通信双方已知的跳频图案的先验信息,约束算法收敛方向,提取出跳频信号。仿真结果表明,所提方法能够有效提取出跳频信号,提高通信系统的抗干扰能力。该算法合并了信号分离和提取过程,避免FastICA抗干扰方法所需的信号识别和提取的后续处理,降低了系统的复杂度。     

一种新的跳频信号盲检测算法研究

跳频通信技术具有较强的抗干扰能力和组网能力,因而得到广泛采用,尤其是在军事通信方面.因此,对跳频通信系统的盲检测也成为通信对抗中的一项重要内容.提出了一种基于频域相关的跳频信号盲检测算法.在不需要任何先验信息的条件下可以对跳频信号进行盲检测.仿真表明该算法在低信噪比条件下具有很好的检测效果.     

基于酉ESPRIT的跳频信号DOA估计

为了利用跳频信号的空域信息辅助同步跳频信号的网台分选,提出了一种基于STFD酉ESPRIT的跳频信号DOA估计算法。首先用WVDSPWVD组合时频分析方法对接收数据进行时频变换,然后提取出跳频信号的有效跳(hop),并对其建立空时频矩阵(STFD),最后利用酉ESPRIT算法进行跳频信号DOA估计。该方法通过酉变换将ESPRIT算法的协方差矩阵从复数域转化到实数域,降低了计算量,而且酉ESPRIT算法利用了数据的共轭信息使数据长度等价增加了一倍,提高了估计精度。仿真结果表明文中算法在信噪比大于2dB时,DOA估计性能优于ESPRIT算法。     

用于跳频分量搜索的环形拓扑粒子群算法

在分析粒子群局域最优模型和拓扑结构影响的基础上,提出采用环形拓扑的粒子群算法对跳频信号分量进行搜索.通过粒子之间的信息交互程度控制,实现了粒子在分量时频中心的自动聚集,克服了应用匹配追踪和传统多峰粒子群优化算法对跳频信号自适应分解时存在终止条件难以确定和需要先验知识的问题.     

用于跳频分量选取的修正适应度距离比粒子群算法

跳频信号参数估计是跳频信号截获、干扰的前提,而传统Cohen类时频分析方法存在核函数选择的瓶颈.结合匹配追踪和智能计算的思想,将多峰函数粒子群优化算法引入跳频信号时频分析领域.在分析粒子适应度和粒子间距2个影响粒子搜索行为的关键因素的基础上,提出了基于改进的适应度-距离比测度的多峰函数粒子群优化算法,并应用于跳频分量自适应选取.该方法不需要跳频信号的任何先验知识和粒子群小生境参数的人为设置.理论分析和仿真结果表明,与基于环形拓扑结构、单一共享适应度信息的粒子群优化算法相比,算法成功率和参数估计精度进一步改善,该方法的邻域搜索机制和跳频分量选取具有可行性和有效性.     

基于非正交联合对角化的跳频信号盲分离算法

针对组网跳频信号网台分选需求研究跳频信号的有效盲分离问题,现有基于联合对角化的跳频信号盲分离算法要求严格正交对角化,而实际中往往难以满足,为了放宽正交性条件,提出基于非正交联合对角化的多个跳频信号盲分离算法。该算法先把整个时频域划分成多个时隙后逐一处理,采用基于降噪处理的梯度范数法对观测信号进行处理,从而能精确提取具有特征矩阵结构的自项时频点,在计算其对应空间时频分布矩阵基础上,通过非正交联合对角化估计分离矩阵,能分离多个混叠跳频信号。仿真结果表明:该算法能有效实现跳频信号盲分离,与其它跳频信号盲分离算法相比具有更好的鲁棒性。     

基于语料库的语言建模

语料库语言学的发展的核心问题是语言模型的建立问题。常用的语言模型可以概括为三类：（１）ｎ元模型（及隐马尔可夫模型）；（２）基于分布理论的模型；（３）基于规则的模型。基于语料库的建模过程就是对语言模型的参数进行求解的过程，也可以认为是一个机器学习的过程。它可分为两大类别：（１）有指导学习；（２）无指导学习。本文着重论述了近年发展的热点——无指导学习的各种技术和影响参数可信度的数据稀疏问题及其解决办法。     

非监督特征学习方法在脑电身份识别中的应用

设计并实现了采用非监督特征学习方法对模拟阅读事件相关电位实验中多名受试者脑电信号的特征提取,并对提取的特征向量进行了模式分类.实验中共采集5名受试者脑电信号,每名受试者的特征样本集由其接受模拟阅读靶视觉刺激后100⁴00ms在通道PO3、O1、Oz、O2、PO4、P4、P8、CP6的脑电信号样本组成,各受试者样本集均含400个试次样本.非监督特征学习过程由含6个神经节的BP神经网络完成,后选用支持向量机作为分类器.对比了1试次,2试次、5试次、10试次样本叠加等几种不同情况下采用非监督特征学习方法提取特征的分类正确率.实验结果表明:采用多神经节人工神经网络对5名使用者5试次叠加信号样本提取的特征向量的分类正确率高于90%,显著优于对各单通道时域特征向量的分类正确率,该方法可为以脑电信号为特征的身份识别系统提供一种可行的特征提取方式.     

多智能体系统中具有先验知识的Q学习算法

为了提高多智能体系统中的典型的强化学习——Q学习的学习效率和收敛速度,充分利用环境信息和相关的专家经验,提出了具有先验知识的Q学习算法。利用模糊综合决策方法处理专家经验和环境信息得到Q学习的先验知识,对Q学习的初始状态进行优化。典型的足球机器人系统中的仿真实验结果表明:该算法使学习过程建立在较好的学习基础上,从而更快地趋近于最优状态,其学习效率和收敛速度明显优于普通的Q学习。     

基于Relief算法的特征学习聚类

聚类作为数据挖掘常用工具之一,是按照事物间的相似性进行的一种无监督分类．然而传统的聚类方法较少考虑特征权值．为此,通过研究、分析Relief算法及其在聚类应用中存在的问题,提出了一种基于Relief算法的特征评价函数,并将此函数运用到特征学习聚类中,以解决特征权值取值不当对聚类产生的负面影响．     

基于S方法熵测度优化的跳频信号参数估计

提出一种S方法结合熵测度优化进行跳频信号参数估计的新方法.该方法在获取信号优化时频分布的基础上,基于时频平面设计参数估计算法,可以在不需要任何先验知识的情况下,估计出跳频周期、跳变时刻和跳频频率等参数.另外,在高斯噪声环境下对分析结果进行了仿真.结果表明,该方法对跳频信号的参数估计优于其他时频分析方法,减小了参数估计的偏差和估计方差,而且优化过程的复杂性也有所降低.     

胡锦涛关于建设马克思主义学习型政党的理论探索与实践研究

胡锦涛非常重视马克思主义学习型政党的建设。理论方面,要求全党学习中国特色社会主义理论体系,学习历史尤其是中国革命史和党史,学习经济、政治、科技、文化等知识;实践方面,要求学以致用,健全集体学习机制,加强党员干部的培训。在新的形势下,应该充分发挥党员领导干部和党员自身的主体作用,健全学习机制,坚持理论创新,以进一步推动学习型政党的建设。     

基于人工神经网络的编组站分类研究

针对目前编组站分类以定性分析为主、客观性较弱的情况,提出利用人工神经网络通过无导师学习,对编组站进行分类。实例表明,该方法客观,分类结果符合现实,为科学定量地对编组站分类提供了一种新方法。     

高职院校创建学习型党组织的思考

新时期建设高职院校学习型党组织,是建设马克思主义学习型政党的重要组成部分,是建设中国特色高等职业教育的必然要求。在高职院校创建学习型党组织是一项复杂的系统工程,以领导率先垂范和提出共同愿景推动高职院校学习型党组织建设,以树立系统生态观念促进高职院校学习型党组织健康发展,以加强内部机制建设确保高职院校学习型党组织持续发展,是高职院校创建学习型党组织的有效途径。     

支持向量机算法用于癌症数据建模

支持向量机算法(Support Vector Machine)是基于统计学习理论(SLT)发展起来的新一代机器学习方法,并被成功地应用到很多模式识别问题中。文中支持向量机分类算法用于卵巢癌病变与非卵巢癌病变质谱数据建模。对卵巢癌数据进行判别预测,预报正确率达到98%。通过与KNN、神经网络等算法的预报结果相比较,其预报能力强于KNN、神经网络算法在这个问题中的应用,为支持向量机算法可以应用于癌症疾病辅助检测提供一例证。     

基于知识增强的ERBERT-GRU中文图书分类方法研究

图书的自动分类是图书管理和图书推荐算法中的基础工作,也是难点之一,而且目前针对中文分类算法主要集中在短文本领域中,鲜有对图书等长文本分类的研究.该文对深度学习分类算法进行了深入细致的研究,并对BERT预训练模型及其变体进行相应的改进.利用复杂层级网络叠加双向Transformer编码器来提取隐藏在文本中的细粒度信息.在...