引导函数支配的进化模糊聚类算法

建立了多维属性样本的模糊聚类目标函数.构建了引导进化算法收敛的指数函数曲线模型,给出了模型的参数计算方法.设计了一种具有全局变异和局部变异算子的进化模糊聚类算法,根据全局变异前后个体适应度值和分量值的变化趋势,实现定向变异,并给出了算法的种群进化策略.选择文本分类和点聚类计算实例,实验表明,设计的引导函数是有效的.进化模糊聚类算法具有较强的局部寻优能力,在收敛速度和聚类精度方面优于比较的遗传模糊C-均值聚类等算法.     

基于高斯噪声模型的马尔可夫网络构建算法

针对小样本集构建稀疏马尔可夫网络计算量大和求解精度不高的问题，提出一种基于高斯噪声模型的迭代噪声消减（iterative noise reduction，INR）算法。该算法首先利用回归误差的高斯特性筛选相关变量，然后通过boosting方法的自回归更新策略逐步改进学习能力，最后采用赤池信息准则（Akaike information criterion，AIC）避免出现过拟合。此外，给出了自回归更新公式，实现了可控的学习错误率并分析了计算复杂度。实验结果表明，INR能有效构建高维稀疏网络，在学习效率和精度方面具有明显优势。     

随机样本选择的合成孔径雷达距离空变相位梯度自聚焦算法

针对距离依赖的相位梯度自聚焦(phase gradient autofocus, PGA)算法中样本选择的问题，本文提出了一种新的基于随机样本选择的距离依赖PGA(range-dependent PGA, RDPGA)算法。不同于传统算法利用固定门限对特显点样本进行硬剔除的选择方式，该算法利用样本的信杂比(signal to clutter ratio, SCR)构造了样本选择概率密度函数，在每次PGA迭代估计过程中，利用该概率密度函数对样本进行随机选择。随机样本选择方法不仅通过增加距离依赖样本的丰富性保证了RDPGA的估计精度，同时还保证了高质量样本在模型参数估计中提供较高贡献，在保持高效性的同时进一步提升了算法的稳健性。实测数据处理结果表明所提算法具有较高的估计精度和稳健性。     

基于预测风险最小化的模型选择理论与方法研究

阐述基于预测风险最小化的模型选择问题，提出基于经验风险最小化原则的模型选择一致收敛性定理，解决有限样本下利用经验风险来最小化预测风险的问题，并分析模型选择欠学习或过学习问题的根源，给出一种模型选择的次优迭代算法。最后通过具体实例验证上述理论和方法的可行性和优越性。     

基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法

针对雷达实际侦察过程中会侦收到大量样本库中所没有的未知雷达信号,设计了一种基于粒子群优化的具有噪声的密度聚类算法和半监督条件生成对抗网络的单脉冲未知雷达信号处理方法.通过粒子群优化算法得到具有噪声的密度聚类算法的最优输入参数后,对未知雷达信号进行聚类,在聚类算法输出的簇中采用距离筛选算法筛选出更为可信的样本将其扩展到雷...     

基于自适应预白化的水下动目标LFM回波联合检测

有色混响噪声背景以及水下动目标径向速度造成的回波和样本失配导致匹配滤波器对于线性调频LFM(linear frequency modulation)回波检测性能下降。基于自适应预白化处理的广义似然比GLRT(generalized likelihood ratio test)方法利用混响噪声背景的自回归AR(autoregressive)模型构建白化滤波器来抑制混响噪声,但回波和混响噪声的混叠会造成AR模型偏差。结合匹配滤波的回波定位特性和基于自适应预白化处理GLRT方法的混响噪声背景抑制特性,提出结合这两种方法的联合检测算法。仿真和实验数据测试表明联合检测算法对于水下动目标LFM回波检测性能优于单纯的零速样本匹配滤波和GLRT方法。     

局部投影降噪算法邻域半径参数的选择研究

基于动力系统模型的局部投影非线性降噪算法，对混沌信号和一大类非平稳信号具有明显的降噪效果。利用局部投影算法对信号进行降噪处理，邻域半径的选择对降噪结果有很大的影响。我们研究了基于递归分析的邻域半径参数的估计和基于噪声强度的邻域半径参数估计。通过对Logistic映射和Lorenz模型叠加不同大小的高斯白噪声，对两种邻域半径估计方法进行分析比较，得到了基于噪声强度的邻域半径参数估计方法具有更好的降噪效果，为局部投影降噪算法的应用奠定了基础。     

闪烁噪声机动目标跟踪的模型集交互跟踪算法

给出了一种量测噪声为闪烁噪声情况下的模型集交互机动目标跟踪算法。在雷达目标跟踪系统中由于目标位置的随机摆动,使得对其位置的量测伴随着闪烁噪声的出现,这种闪烁噪声会对目标跟踪的性能产生很大的影响。本文通过对闪烁噪声的QQplots-分析,利用高斯分布和拉普拉斯分布的合成对其进行建模,在机动目标跟踪中采用两个模型集来处理闪烁噪声的情况,并详细推导了模型集交互时机动目标跟踪算法。最后,通过Monte Carlo的仿真结果表明了该算法的有效性。     

基于分数低阶统计量的水下目标定向新方法

针对传统方法对阵列信号处理所研究的噪声采用高斯分布的模型来进行描述,当噪声存在显著的尖峰时,不能得到满意结果的问题。利用稳定分布对实际中所遇到的具有较大脉冲特性的随机噪声进行建模,分析了共变在阵列信号处理中的不足,利用已有的矢量水听器模型建立一种水下目标定向系统,提出了一种基于分数阶相关的水下目标定向算法。仿真表明这种算法是一种在高斯和分数低阶α-稳定分布噪声条件下具有良好韧性的水下目标定向算法,相对共变而言,分数阶相关具有更宽的噪声特征指数范围,更适用于实际应用。     

一种鲁棒的被动声目标识别方法

针对噪声环境下一些声目标识别技术性能严重下降的问题,提出了一种基于一阶补偿的径向基函数网络模型,并给出了该网络参数选择方法。实际应用表明,这种神经网络对噪声具有较强的鲁棒性,与传统的径向基函数网络相比,其识别性能等同于信噪比提高大约１０～１５ｄＢ。     

基于加权最小二乘的字典学习算法

冗余字典学习是信号稀疏表示理论中的一个重要研究方面。首先,针对各训练样本稀疏表示误差各不相同的现象,建立了误差加权的信号稀疏表示数学模型,根据该模型提出一种基于加权最小二乘的字典学习算法,推导了算法闭式解和讨论了最优加权矩阵的选取。其次,为避免闭式解中矩阵求逆运算,进一步推导了算法的在线计算形式,对训练样本依次学习,每学习一个样本,字典进行一次更新,直至样本结束。此外,对算法收敛性进行了理论分析。最后,分别从信号稀疏表示和已知字典恢复两个方面仿真验证了理论分析的正确性和算法的可行性和优越性。     

基于迁移学习的雷达杂波幅度统计模型选择

在对目标进行探测和识别的过程中, 雷达杂波幅度统计模型选择是重要步骤。为了提升杂波幅度统计模型选择的准确率, 基于样本分布适配, 提出了一种加权再均衡分布适配的迁移学习方法, 实现了仿真数据的信息向实测海杂波IPIX数据的迁移。通过与已有算法进行比较, 实验结果表明改进后的算法在IPIX数据集上能取得更好的分类准确率, 在迁移学习公共数据集Office-Caltech10上的验证结果也表明了算法的普适性。     

Highly accurate SVM model with automatic feature selection for word sense disambiguation

A novel algorithm for word sense disambiguation(WSD) that is based on SVM model improved with automatic feature selection is introduced. This learning method employs rich contextual features to predict the proper senses for specific words. Experimental results show that this algorithm can achieve an execellent performance on the set of data released during the SENSEEVAL-2 competition. We present the results obtained and discuss the transplantation of this algorithm to other languages such as Chinese. Experimental results on Chinese corpus show that our algorithm achieves an accuracy of 70.0 % even with small training data.     

基于特征子空间与流形正则化的高效增量半监督特征选择方法

基于Fisher Score的前向序列选择法是目前性能良好并广泛使用的一种有监督特征选择方法.然而，该方法只能对有标签样本进行分析，无法利用大量"廉价"的无标签样本信息；并且随着已选特征的个数的增加，对候选特征进行评分的计算复杂度呈三次方形式增加.针对这两个问题，提出基于特征子空间与流形正则化的高效增量半监督特征选择方法.一方面，该方法通过提取有标签与无标签数据的局部线性表示来进行半监督特征选择，使得所选特征能够保持数据的局部流形结构信息；另一方面，该方法基于特征子空间理论进行特征评分，时间复杂度取决于特征空间的维数而非已选特征的个数，如果特征空间的维数是固定的，该方法将花费几乎恒定的时间来评价每一个候选特征.相比于基于Fisher Score的前向序列选择法选择特征的三次方复杂度，所提方法在时间效率方面得到很大提升.在五个标准数据集上进行了实验，所得结果验证了该方法的有效性.     

销售量预测的支持向量机建模及参数选择研究

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法，针对企业销售量预测问题，利用支持向量机构建其预测模型，对预测模型进行了仿真及对比实验，证实了模型的有效性。并介绍了SVR理论，同时对于SVR模型参数的选择问题进行了研究。     

基于蚁群算法和禁忌搜索的部队机动路径选择

新形势下的部队作战规划对机动路径选择这个问题提出了新要求,需要同时达到机动时效和机动分散的双重指标.针对问题建立了数学模型,引入信息熵理论作为目标评价准则,借助改进的蚁群算法和禁忌搜索算法相结合的启发式方法对问题进行求解,给出了该方法的具体计算步骤.对仿真结果的分析表明,算法是切实有效的.     

示例学习与特征选择的规划模型方法

以扩张矩阵理论为基础，应用数学规划理论提出了一种规划模型求解方法，可以更好地实现概念学习和特征提取。与传统的启发式算法相比，采用遗传算法求解的规划模型可以找到多个全局最优解以及可行解。实例计算表明了该方法的有效性。     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

不确定环境下的跳扩散连续时间资产配置策略

金融市场是一个复杂的非线性系统,在不确定环境下,如何在有限时域内最优配置资源,是金融理论研究的核心问题之一.面对现实生活中的大量不确定性因素以及多期投资问题,Markowitz的投资组合理论以及在其基础上发展起来的资本资产定价理论和套利定价理论则显得无能为力.本文研究了不确定环境下极大极小风险控制的连续时间投资组合优化问题,运用Bellman最优性原理和HJB方程构造了典型的资产组合优化模型,借助随机控制和多重网格数值逼近方法得到相应优化问题的最优投资策略,通过实证方法验证了过程风险控制下资产配置策略的有效性.     

Novel Newton''s learning algorithm of neural networks

Newton's learning algorithm of NN is presented and realized. In theory, the convergence rate of learning algorithm of NN based on Newton's method must be faster than BP's and other learning algorithms, because the gradient method is linearly convergent while Newton's method has second order convergence rate. The fast computing algorithm of Hesse matrix of the cost function of NN is proposed and it is the theory basis of the improvement of Newton's learning algorithm. Simulation results show that the convergence rate of Newton's learning algorithm is high and apparently faster than the traditional BP method's, and the robustness of Newton's learning algorithm is also better than BP method's.