基于自适应视野聚类匹配的多目标分离与提取

针对雷达多目标回波微多普勒信息复杂交叠、难以分离与提取的问题,提出了一种基于自适应视野聚类和Viterbi算法相结合的多目标信号分离与提取方法。该方法在时频分析的基础上,利用各旋转目标散射点不同的微多普勒变化特性,进行自适应视野处理,获取各时刻视点在不同视野范围内的食物浓度序列,通过聚类分析获得0-1编码序列,并结合Viterbi算法进行配准处理,得到最优匹配路径,从而实现多目标信号分离与提取。仿真结果表明,该方法能够有效地克服交叉区域干扰及背景噪声的影响,适用于复杂散射模型,较好地实现了微动多目标信号分离及提取。     

考虑消费者信息获取行为的众筹参数设计

如何通过众筹参数设计(包括众筹目标和众筹价格)向消费者传递产品质量的信号是众筹企业最为关心的问题.本文在考虑消费者具备质量信息获取能力的情况下,通过建立信息不对称条件下的信号博弈模型,刻画了众筹企业通过调整众筹参数设计进行信号传递的存在性条件;并在此基础上,将两种均衡(分离均衡和混同均衡)参数设计下的众筹企业利润进行比较,分析了消费者信息获取行为对均衡结果的影响.研究发现:1)当质量不确定性较低时,高质量众筹企业可以通过增加众筹目标和/或降低众筹价格实现分离均衡,且众筹目标相较于众筹价格而言是更加有效的信号;2)相较于无信息获取的情况,当存在消费者信息获取行为时,高质量众筹企业在混同均衡参数设计下的利润会更高.此外,我们还分析了市场参数对于均衡众筹参数设计的影响以验证结果的鲁棒性.     

连续汉语普通话中基于SVM的说话人情感互相关性算法

提出了一种新的基于情感特征提取和借助支持向量机(SVM)分类器(classifier)的情感互相关性算法,并应用于语音情感识别.SVM分类器是利用情感语音信号中互相关性的特征提取进行分类的.利用这种方法对4种情感(愤怒、高兴、悲伤和中立)语音信号进行情感分类.借助SVM分类器的情感互相关性算法,可以大幅提高情感识别率,并且在识别愤怒情感时准确率甚至可以达到95.04%.     

一种面向卫星频谱监测的复合式干扰自动识别算法

针对卫星通信中经常出现的干扰难以识别的问题,提出一种基于快速独立成份分析(FICA)和支持向量机(SVM)的复合式干扰识别方法.该方法先用SVM对单一类型干扰信号建立分类模型库,并采用FICA对接收到的复合式干扰进行成分分离,再将分离后的不同成分分别输入SVM进行干扰识别.试验结果表明:该算法可在低干信比情况下对干扰信号进行准确的识别.     

独立分量分析的一种剖析方法及其搜索算法

给出了独立分量分析(ICA)问题可解性的一种直观解释,并设计了直接的搜索算法.首先通过分析二维ICA问题,将输出信号分量的峰度作为ICA最优化问题的目标函数,分析了目标函数的波形随源信号之间耦合程度不同而变化的规律,以直观的图示解释了最大化输出信号非高斯性的ICA准则,且具有严格的数学意义.通过4点比较,将目标函数定位于某确定子区间,在读子区间上,目标函数是单峰函数,峰值点为全局极大值点,且为ICA问题的解.用快速搜索法进行了ICA求解,并将算法推广到多维ICA问题的求解.对算法进行了双通道图像分离、多通道语音分离的数值实验.     

基于DOA估计的前视多通道SAR成像方法

针对前视合成孔径雷达(synthetic aperture radar, SAR)方位分辨受限以及左右多普勒模糊问题,提出一种基于波达方向估计的前视多通道合成孔径雷达(forward-looking multi-channel SAR,FLMC-SAR)成像方法。算法综合利用系统空时资源,采用空时级联的处理流程。首先通过合成孔径对前视区域进行初步成像,在二维图像域实现逐个成像单元目标信号的分离。然后利用目标空域导向的差异,建立分离信号的空时模型,通过阵列多通道对每个成像单元内的信号进行波达方向估计,实现目标信号重定位,增强前视成像分辨率。同时,空时模型考虑了模糊目标具备不同的导向矢量,可在分辨增强的同时实现左右多普勒解模糊。最后通过仿真以及实测的FLMC-SAR数据验证了所提算法的有效性。     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

一种新的基于峰度的盲源分离开关算法

盲源分离(BSS)算法通常需预先假设源信号的概率密度函数(PDF)，并由此获得关键的激活函数(AF)，进而从混合信号中分离出源信号。但若假设的概率密度函数与真实概率密度函数差异较大，源信号将不能被正确分离。基于峰度的盲源分离开关算法无需假设源信号的概率密度函数，可直接对独立分量分析(ICA)中的激活函数进行自适应学习。计算机仿真证明，该算法可有效进行盲源分离。     

MPSK混合信号逐步消除前向干扰的单通道盲分离PSP算法

在日益复杂的电磁环境中,时常会遇到信号混叠的情况,如何把混叠信号成功高效地分离开来成为近年来研究的热点。就逐留存路径处理(per-survivor processing, PSP)算法分离两路同频相移键控混叠信号复杂度较高的问题进行了研究,在前人研究的基础上提出多进制相移键控(m-ary phase shift keying,MPSK)混合信号逐步消除前向干扰的单通道盲分离PSP算法。仿真结果表明,在大约0.5 dB的性能损失下,若以每分离一个混合信号所需遍历的状态数M^2(L-1)(其中,M是信号的调制阶数,L是两路混合信号的码间串扰长度),作为衡量PSP算法复杂度标准,所提算法分离两路二进制相移键控混合信号的复杂度较原有的算法降低了4倍,分离两路正交相移键控混合信号的复杂度较原有的算法降低了16倍,大幅度地降低了混叠信号分离的复杂度,提升了同频相移键控的混叠信号的分离效率。     

Face Recognition Based on Support Vector Machine and Nearest Neighbor Classifier

Support vector machine (SVM), as a novel approach in pattern recognition, has demonstrated a success in face detection and face recognition. In this paper, a face recognition approach based on the SVM classifier with the nearest neighbor classifier (NNC) is proposed. The principal component analysis (PCA) is used to reduce the dimension and extract features. Then one-against-all stratedy is used to train the SVM classifiers. At the testing stage, we propose an al-     

基于CCF的单传感器辐射源识别方法

在论述了D-S证据理论在单传感器辐射源识别应用的基础上,提出了一种基于组合分类器信息融合(combining classifier fusion, CCF)的单传感器辐射源识别方法。该方法利用了两方面的知识,一是由组合分类器对样本数据分类能力表征的先验知识,二是由组合分类器对未知模式目标的分类能力表征的当前知识。基于先验知识对当前知识进行必要的实时性修正,在分类器融合输入级提高了当前知识的正确性。利用合适的组合算法,对分类器的输出级进行正确信息的有效提取,提高了单传感器辐射源识别的准确性。仿真结果表明了该方法的可行性及有效性。     

基于卷积稀疏编码与多分类器融合的雷达HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别问题,提出基于卷积稀疏编码与多分类融合(convolutional sparse coding and multi-classifier fusion,CSCMF)的识别方法。首先,该方法利用CSC方法对目标HRRP进行特征提取,同时实现数据压缩;然后,将测试样本的特征分别输入随机森林分类器、朴素贝叶斯分类器和最小值分类器进行预分类,得到3个预测标签。采用多数投票法对3个预测标签进行分类器融合,得到最终的识别决策。实验中研究了分类器融合方法。基于5种飞机目标的HRRP仿真数据进行了实验验证,实验结果表明该方法的分类准确率较高,而且对噪声有较强的鲁棒性。     

Digital modulation classification using multi-layer perceptron and time-frequency features

Considering that real communication signals corrupted by noise are generally nonstationary, and time-frequency distributions are especially suitable for the analysis of nonstationary signals, time-frequency distributions are introduced for the modulation classification of communication signals. The extracted time-frequency features have good classification information, and they are insensitive to signal to noise ratio (SNR) variation. According to good classification by the correct rate of a neural network classifier, a multilayer perceptron (MLP) classifier with better generalization, as well as, addition of time-frequency features set for classifying six different modulation types has been proposed. Computer simulations show that the MLP classifier outperforms the decision-theoretic classifier at low SNRs, and the classification experiments for real MPSK signals verify engineering significance of the MLP classifier.     

基于KPCA和LDA的信号调制识别

对信号的特征选择与分类问题进行研究,提出了一种基于核主分量分析(kernel principle component analysis, KPCA)和线性判别(linear discriminant analysis, LDA)分类器的信号调制识别算法。针对通信信号的特点,首先利用KPCA的方法对特征参数进行主分量组合,以消除信号特征间的相关性和压缩特征向量的维数,然后利用LDA分类器进行信号调制方式的自动识别。仿真表明,在一个较大的信噪比范围内当特征非线性可分时,KPCA在特征选择方面性能更优,且基于KPCA+LDA的识别方法精度高于主分量分析(principle component analysis, PCA)+模板匹配算法。通过分析还可得出,KPCA+LDA等价于基于核的Fisher判别分析(kernel Fisher discriminant analysis, KFDA)方法。     

加权KNN分类器在HRRP库外目标拒判中的应用

针对雷达自动目标识别中的库外目标拒判问题,提出了一种人工生成库外样本的方法和一种加权k最邻近(k nearest neighbors, KNN)分类器。通过人工生成库外高分辨距离像样本,解决了在训练阶段无法获取库外样本的难题。加权KNN分类器同时满足了基于问题和基于数据两大设计要求,能够很好地处理拒判问题。通过基于接收机工作特性(receiver operating characteristic,ROC)准则和基于损失函数准则的仿真实验,证明了加权KNN分类器具备优良的拒判性能。     

基于模糊C均值的支持向量机数据分类识别

提出一种基于模糊C均值的支持向量机分类算法，通过模糊C均值算法对未知类别数据进行划分，然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端，提高了数据分类的效率。     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

基于新型集成分类器的非平衡数据分类关键问题研究

针对非平衡数据分类问题,提出了一种基于差异采样率的重采样算法（differentiated sampling rate algorithm, DSRA）,基于DSRA设计了一种新的集成分类器(SVM-Ripper ensemble classifier, SREC）。SREC采用独特的分类器选择策略、分类器集成策略、分类决策方案,可获得较高的分类精度。同时,利用SREC对影响非平衡数据分类的关键问题进行了研究。结果表明,非平衡数据分类问题本质上是由正负样本类间非平衡、类内非平衡、样本规模以及样本非平衡度等诸多因素引起的,只有综合考虑这些因素才能更好地解决非平衡数据分类问题。     

Dynamic weighted voting for multiple classifier fusion:a generalized rough set method

1 .INTRODUCTIONMultiple classifier fusion or combination has prov-enitself a powerful tool for achieving high classifi-cation accuracy with moderately discri minatingclassifiers .If only output class labels are availablethe voting fusion[1]is often used as a decisionlevelfusion. However ,the main drawback of the votingfusion is that all classifiers are considered equallyreliable and this maylead to a confident decisiontobe changed by a less reliable classifier . A possibleway of overcomin…