多元LDPC随机译码的似然概率快速生成算法

多元随机译码算法能有效解决译码复杂度高的问题,但似然概率生成的计算仍有较高的计算复杂度. 为解决这一问题,文中提出一种针对M阶正交振幅调制下的多元低密度奇偶校验码的随机译码算法. 通过计算星座图中部分星座点和接收信号点之间的欧几里德距离来确定随机译码的似然概率,而不必计算所有星座点的似然概率,省去了复杂的幂次运算. 仿真结果表明,该算法能有效降低多元LDPC码随机译码的计算复杂度,性能损失较小,是一种适合多元LDPC译码器前端实现的译码算法.     

基于星座图和相似性度量的调制方式识别

讨论了存在相位误差情况下的调制识别问题,改进了以星座图形状为特征的识别算法.首先利用基于样本与核的相似性度量,对接收信号观测点动态聚类,得到重构星座图.然后,将重构星座图和预期星座图进行匹配,利用所提出的最大似然准则,完成星座图分类.该准则等效于最小距离分类准则,匹配方法简单,避免了以往基于星座图形状识别算法中,为得到重构星座图顶点统计特性所需的训练阶段.考虑到噪声对相位估计的影响,仿真表明,在已知和未知信号调制状态数情况下,SNR分别为10 dB和15 dB时,对所涉及的调制集可获得90%以上的识别率.     

基于迭代结构和MS估计的信源信道联合解码

利用信源参数的非等概分布和时间相关性,以及软输入软输出信道解码提供的接收参数似然信息,提出了基于递归结构的联合信源信道解码算法.该算法由基于MS估计的软输入信源解码和基于迭代结构的维特比信道解码两部分组成.仿真实验表明对于具有时间相关性的高斯信源和加性高斯白噪声信道,与信源信道独立解码相比,联合算法得到的参数信噪比提高了近10 dB,有效提高了接收系统性能.     

一类均匀分布参数的极大似然估计及优良性

该文讨论了U[-θ，0]上参数θ的极大似然估计及修正后的极大似然估计的均方误差和相合性，并进一步证明了修正后的极大似然估计还是参数θ的UMVUE．     

一类均匀分布参数极大似然估计及优良性的讨论

该文讨论了U[θ,θ＋1]上参数θ常用的三个极大似然估计及修正后的极大似然估计的均方误差和相合性,并进一步给出了参数θ的UMVUE．     

对数正态分布序列单均值变点的识别和估计

针对数据呈现偏态分布且存在变点的情况,构建对数正态分布的单均值变点模型,给出分布的均值单变点模型的似然函数,并采用极大似然方法和贝叶斯方法对变点位置进行识别和估计．通过模拟比较研究,这两种方法都能有效地估计变点位置,在标准差和相对误差准则下,贝叶斯方法比极大似然方法效果更理想．其中共轭先验分布下的贝叶斯方法较无信息先验下的贝叶斯方法识别和估计变点位置表现更优．     

半参数ARCH模型的bootstrap估计

给出了一类半参数自回归条件异方差（ARCH）模型：Yt=m（Yt）＋εt√β0＋β1Yt2其中最εt～iid·N（O，1），m（·）函数的形式不确定，为非参部分；肺，卢。是待估参数，历再万爵为参数部分．结合非参数估计的局部线性拟合方法和参数估计的极大拟似然方法，我们给出估计这类模型的方法．进一步，把该这种方法与bootstrap方法结合起来，同参数方法和半参数方法相比较得出，用半参数的bootstrap方法得出的残差平方和最小，拟合的效果最好．     

Ⅱ型双截尾下逆威布尔分布尺度参数的估计

基于Ⅱ型双截尾样本,通过极大似然法得到了尺度参数极大似然估计的迭代公式.选取尺度参数的先验分布为无信息分布和伽玛分布,分别在平方损失和熵损失下,给出尺度参数的贝叶斯估计.利用Monte-Carlo模拟比较了各种估计的均方误差,结果表明,当选取伽玛先验和熵损失时,参数的贝叶斯估计最优.     

基于股票财务数据的贝叶斯网络的参数学习

研究了基于最大似然估计、贝叶斯估计与EM算法的贝叶斯网的参数学习.选取上市公司的10个股票财务变量构建贝叶斯网络,利用创建好的贝叶斯网络进行统计推断.对比最大似然估计和贝叶斯估计得到的参数值并展示EM算法不同迭代次数时的指数似然值,把EM算法得到的CPT表和最大似然估计的值相比较,对比较得到的结果进行归纳与分析.为基于不同算法的贝叶斯网络的参数学习提供了实证分析.     

一种基于网络安全控制的蜂群算法应用研究

本文基于网络安全控制的蜂群算法（BCA），针对该算法中的不足之处基于Boltzmann选择机制提出了一种改进的基于网络安全控制的蜂群算法（BBCA）用来优化多变量函数．研究证明该算法能够在充分保证群体多样化的同时加速整个算法的收敛速度，从而提高算法的全局收敛率．     

用随机决策树群算法进行高光谱遥感影像分类

摘要： 高光谱影像具有丰富的光谱信息,与全色、多光谱影像相比能更好地进行地面目标的分类识别. 该文对决策树分类算法的优劣进行分析,引入随机决策树群算法,对青海省祁连县Hyperion高光谱影像和IRS-P6影像数据进行实验,使用子空间划分和光谱距离进行降维后,分别采用支持向量机、神经网络、最大似然法进行分类,并与随机决策树群算法分类结果进行比较. 结果表明,该算法表现最优且无需降维预处理,可广泛应用于高光谱遥感领域.     

协方差矩阵结构的广义近似最大似然估计

针对相关复合高斯杂波背景下相邻杂波纹理分量可能相同的情况,将杂波均匀分组进行推广,结合归一化采样协方差矩阵估计,提出了广义杂波分组的归一化采样协方差矩阵估计方法(generalized normalized sample covariance matrix, GNSCM). 利用最大似然估计方法,进一步推导了广义杂波分组背景下协方差矩阵结构最大似然估计的迭代过程,以GNSCM 为初始化矩阵进行迭代,得到协方差矩阵结构的广义近似最大似然(generalized approximate maximum likelihood, GAML) 估计. GAML 是对现有方法近似最大似然(approximate maximum likelihood, AML) 估计和约束迭代杂波分组估计(constrained recursive clutter-clustered estimator, CRCCE) 的推广,具有更强的杂波适应能力. 仿真结果表明,针对非均匀分组杂波环境,与AML 估计和CRCCE 相比,GAML 具有更高的估计精度,且相应的自适应检测器具有更好的恒虚警率特性和检测性能.     

MIMO MC-CDMA的简化CMOE递归自适应多用户检测

将约束最小输出能量（CMOE）准则应用于空时编码多输入多输出多载波码分多址（STBC MIMO MC—CDMA）系统,提出一种基于简化CMOE的联合信道估计与信号检测的递归自适应算法,解决了可变对角因子的自适应取值问题,所给出的最优步长半盲自适应信道估计可以提高信道估计的准确性和收敛速度．比较了不同环境下信道估计的误差和各种算法的误码率性能．     

基于RSSI技术的DV-Hop算法优化

<正>一、DV-Hop算法DV-Hop算法是APS分布式定位系统中的一种。该算法的基本思想是将未知节点到信标节点之间的距离用网络中节点平均每跳距离和到信标节点间的跳数乘积来标识,再使用极大似然估计法来获得节点的位置信息。DV-Hop算法的定位过程可以分为以下3个阶段:计算未知节点与每个信标节点的最小跳数;计算未知节点与信标节     

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认. 该方法利用神经网络 和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的 空间信息. 嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性. 在背景模型和目标模型的训 练中交替更新高斯混合模型和神经网络的参数. 实验表明,采用本文提出的模型并结合TNorm方法,比基线系统 的确认率提高26%.     

改进EM算法的CDMA盲多用户检测

对基于期望值最大化的统计盲多用户检测方法进行改进.针对期望值最大化(expectation maximization,EM)算法的高复杂度及性能欠佳的缺点,在进行最大似然估计时先考虑用户所受的多址干扰及噪声,修改最大似然估计函数,并加以分解简化,提出一种改进的EM算法实现CDMA盲多用户检测,并进行了实验仿真.实验结果表明,改进方法提高了系统的抗干扰性能,且降低了算法复杂度.     

混合双参数指数分布的贝叶斯估计

混合指数分布是寿命数据分析中一个重要分布,其极大似然估计由于似然函数的复杂性而变得很困难.文献[9]应用EM算法研究了混合指数算法讨论了完全数据和截尾数据情形下有限混合双参数指数分布参数分布的参数估计问题,模拟研究表明贝叶斯方法对该模型的参数估计是有效的.     

基于高斯相似度分析的最大后验非线性变换HMM自适应算法

由于训练环境和识别环境的失配,识别系统的性能会严重下降,为此提出了基于高斯相似度分析的最大后验概率非线性变换的环境自适应算法,它可以减小由于环境的失配所引起的系统性能的下降.在该算法中,首先将HMM模型中的高斯分量进行相似度分析并建立二叉树,然后根据数据自适应调整变换类数,在每一类内利用分段线性回归近似非线性变换将训练环境下的HMM变换到识别环境,减小环境的失配,变换参数的估计采用了最大后验概率估计(MAP).数字语音识别实验证明:该环境自适应算法的识别性能优于带有高斯相似度分析的MLST、MAPLR和MLLR等算法.     

基于OSPA距离和特征点采样的路标识别算法

提出了一种基于最优次模式(OSPA)距离的路标识别算法.算法引入Markov随机场建立噪声的待检图像,然后采用条件迭代算法(ICM)恢复图像,进一步提取路标边缘点.这些边缘点作为特征点;该特征点看作为待检特征点集,计算其和标准路标库图像之间的OSPA的距离,以此来识别待检路标.分析表明,该算法对于路标的形态识别具有明显的优势,最后分析了图像尺寸大小、特征点数量对OSPA距离的影响.     

单通道双MFSK信号调制识别方法

针对单通道双MFSK信号的调制识别问题,提出了一种基于经验模态分解(EMD)和分形盒维数的调制识别算法。该算法利用EMD将混有高斯噪声的双MFSK混合信号分解成多个分量,提取每个分量的分形盒维数作为特征参数,使用BP神经网络作为分类器对其进行识别。仿真结果表明,该算法对频谱不混叠的双MFSK信号有较好的识别效果。