半监督条件下的贝叶斯估计辐射源指纹特征识别

针对传统辐射源指纹识别过程中测试数据间的相关性往往被忽略,同时非合作条件下辐射源信号的识别训练标签数据不足的问题,提出了一种半监督条件下的贝叶斯估计辐射源指纹特征识别算法.首先,针对训练数据集不足的问题,在训练特征集提取阶段,利用半监督条件下的贝叶斯估计算法将有标签训练数据和无标签测试数据同时用于特征学习,以获取更为鲁棒的训练特征集.其次,为了有效利用测试数据之间的相关性,在测试特征集识别阶段,利用测试特征集与训练特征集的联合表征模型,将测试数据之间的相关性考虑在内,以提高识别算法的鲁棒性.实验结果表明:该算法在训练样本较少的情况下,依然可以获得较为鲁棒的分类识别效果.     

基于矩形积分双谱和核主分量分析的电台指纹识别

目的 解决传统的积分双谱特征维数比较大而导致分类器的稳健性和电台的正确识别率下降的问题.方法 首先选择矩形积分双谱作为识别的特征参数,然后采用了核主分量分析方法进行降维,最后采用基于核函数的支持向量机分类器(SVM)实现对电台指纹的识别.结果 给出一种方法,实现了同种型号相同调制方式的3部不同电台的识别.结论 该算法有效地降低了特征维数.较大地提高了电台的正确识别率.     

雷达辐射源信号双谱估计的物理意义及其辐射源个体识别

针对目前研究中雷达辐射源信号双谱物理意义不明确的问题,给出偏态这一物理概念,并给出雷达辐射源信号偏态的具体表现形式.针对雷达辐射源个体识别,提出应用围线积分双谱估计波形熵和围线积分双谱估计能量熵组成的二维特征向量用于后续的分类识别.在分类识别中,应用分析性能良好的模糊C-均值(FCM)聚类方法,对提取出的二维特征向量加以聚类分析,从而完成在一定信噪比下对雷达辐射源个体的识别.最后,通过仿真实验和实测实验验证本文所述方法的正确性和可行性.     

基于SIB/PCA的通信辐射源个体识别

提出了一种新的同类通信辐射源个体识别方法.该方法选择矩形积分双谱(SIB)作为个体识别的主体特征参数.然后采用主元分析(PCA)方法从大量训练样本特征参数集中挑选低维、低复杂度的特征矢量,并在识别特征矢量中融合对分类具有显著贡献的辐射源调制特征参量,最后采用基于核函数的支撑矢量机(SVM)实现对辐射源个体识别.实验表明该方法在较低信噪比条件下具有较高的正确识别率(90%),并能够较好地解决同型号、同批次通信辐射源的个体识别问题.     

半双解析函数的积分定理

给出了半双解析函数的定义,讨论了半双解析函数的积分理论及两类半双解析函数的关系。     

基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

基于核密度估计密度峰聚类的通信辐射源个体识别

通信辐射源个体识别是通过发射机反映在信号上的差异来判别信号与辐射源个体之间的关联。传统的通信辐射源个体识别方法以及新兴的利用神经网络进行辐射源个体识别的方法都依赖带类别信息的信号样本,然而在实际中带类别信息的信号样本获取难度很大。为了解决这个问题,引入了无监督学习中的密度峰值聚类算法,在无类别信息信号样本的前提下进行通信辐射源个体识别。由于密度峰值聚类算法的性能受人工输入参数dc的影响较大,文中利用核密度估计(KDE)及热扩散方程改进算法,在不需要人工输入参数的条件下实现对数据的分类。文中所提算法在实际电台信号数据集上进行了实验,具有较好的效果,验证了该算法的可靠性和有效性。     

基于协同表示标签传播的半监督正交鉴别分析算法

近年来由于其表示的有效性,基于表示的分类方法,例如稀疏表示分类器(SRC)或者协同表示分类器(CRC)被广泛的应用于各种各样的识别任务.但是,SRC或者CRC的性能严重依赖于每类带标签训练样本的个数,当每类带标签的训练样本不够充分,SRC或者CRC的识别性能将会显著地下降.为了解决这个问题,文章[34]把协同表示技术引入到半监督学习方法中,提出了一种基于协同表示的标签传播算法,有效的利用了大量未标记样本的信息来进行标签传播.受此启发,把这种标签传播算法与正交鉴别分析算法相结合,提出了一种基于协同表示标签传播的半监督正交鉴别分析算法,目的是为了学习一个更好的鉴别子空间.不同于传统的半监督降维方法,所提算法首先利用这种标签传播算法将部分有标签数据的标签信息传递给不带标签的数据,之后利用传播后获得的全体软标签信息构造离散度矩阵实现鉴别分析,其次对鉴别投影施加正交约束,采用一种更加有效快速的迹比优化算法进行鉴别分析.大量的实验结果验证了所提算法的有效性.尤其在只存有少量标签样本的情况下,算法仍能保持良好的分类性能.     

基于半监督学习的人体异常行为识别

需要进行人体异常行为识别的视频一般都是未标记的序列图像,传统的有监督的识别方法往往不能较好地反映其行为的特征,识别率不高.提出了一种基于半监督学习的人体异常行为识别方法,首先使用基于DTW距离的self-training进行标记数据扩充,然后用此扩充的序列图像样本集合训练对应的HMM,最终进行异常行为识别.实验结果证明该方法有效且识别率较高.     

基于半监督聚类的真核启动子识别

首先将待测试的DNA序列片段利用词项-序列矩阵进行表示,然后通过奇异值分解进行降维,最后采用全局一致性和局部一致性兼顾的半监督聚类算法对长的DNA序列片段进行测试,并与现有的几种启动子识别算法的结果进行对比。     

基于时频分析的自适应PCA辐射源调制识别

针对复杂环境非合作通信模式下,识别调制方式运算复杂度高、识别率低的问题,提出一种基于时频分析的自适应特征提取识别算法。该算法结合二阶四阶矩估计法,利用信噪比自适应选取主成分分析特征,通过支持向量机分类器对辐射源调制方式进行识别。仿真结果表明,所提算法识别效果优于其他特征提取识别算法。在信噪比为0 dB时,识别率达到98%以上,较Hu矩和伪Zernike矩有12 dB左右的提升。该算法识别率高、运算量低,有较好的工程应用价值。     

基于半监督学习的即时语音通信隐藏检测

传统即时通信隐藏检测方法主要采用基于监督学习的检测方式,导致部署前需大量复杂的人工预处理,同时训练数据集与测试数据集分布的差异会影响检测的准确率。针对以上问题,该文首先重点针对即时语音通信隐蔽信道提出了一种全新的半监督混合式检测模型,该模型不存在人工挑选与标注训练数据集的过程,解决检测操作人工预处理复杂和适用性差的问题;然后设计了基于自学习的多准则融合模块,用于自行生成伪标注数据集,其可信度和代表度共同决定了即时语音通信隐藏检测系统的性能,且不存在语音通信隐藏检测中训练与测试集分布失配的情况;最后针对即时语音通信中常见的低码率语音流载体进行实验分析,在失配状况下基于有监督的检测方法以及无监督检测方法相比,其准确率具有明显优势;当训练样本与测试样本的分布不匹配时,该方法相比有监督的检测方法所受的影响更小。同时,实验显示该方法可以适用于多种编码检测过程。     

基于EMD和SVD特征提取的通信辐射源个体识别方法

为改善通信辐射源指纹特征提取算法抗噪声及干扰能力差导致的对通信辐射源个体分类识别率低和稳定性差的问题,提出了一种基于经验模态分解和奇异值分解特征提取的方法.通过对信号进行经验模态分解,来克服噪声对指纹特征提取的影响,经希尔伯特-黄变换和奇异值分解实现对通信辐射源信号的指纹特征提取,结合支持向量机算法完成对通信辐射源的个...     

双连续n次积分C-半群的谱映照定理

以C0半群的谱映照定理为基础,在船次积分C-半群及积分C-半群谱映照定理的引导下得到双连续聆次积分C-半群的谱映照定理．     

基于模糊度的半监督自步协同下的微信流业务识别

网络数据流的精准业务识别是实现差异化服务的先决条件,常用的监督学习在构建训练数据集时因需要大量人力标注因而难以实施,基于少量标注数据的半监督学习成为研究的热点之一.自步协同训练(self-paced co-training)的半监督框架在处理未标记数据时采用了从易到难、多视角协同的方法,但该方法仅以置信度为选取依据给样本标记伪标签,容易导致多视角的差异性在训练过程中逐步下降,从而引起协同增益下降、模型性能受限等问题.为此面向微信数据流识别问题,提出了一种基于模糊度的自步协同训练模型(fuzziness based self-paced co-training, FBSpaCo),在标注伪标签时进一步引入模糊度评估机制.实验表明,该模型在保证置信度的前提下有效地避免了训练过程中两视角差异性下降,较已有方法较大地提升了识别准确度.     

轴向载荷作用下双矩形橡胶圈结构的有限变形分析

研究了具有双矩形橡胶圈结构的装置在端部轴向载荷压缩作用下的有限变形问题。首先针对由不可压缩neo-Hookean材料组成的该类结构的有限变形问题,建立了相应的数学模型,利用材料的不可压缩条件和逆解法等求出了问题的隐式解。进而讨论了轴向载荷和结构参数对橡胶圈变形的影响,并分析了轴向压缩率的变化。最后给出了数值模拟,得到了系列有意义的结果:轴向载荷越大、橡胶圈径向越薄或轴向越宽,其径向外表面的膨胀率越大;轴向压缩率在橡胶圈的中间位置最小而在两端最大,轴向压缩率同样受轴向载荷及结构参数的影响。     

基于L2,1范数和流形正则项的半监督谱聚类算法

谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性.针对这一问题,提出了一种基于L2,1范数和流形正则项的半监督谱聚类算法.一方面借助L2,1范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,不仅指导了初始相似矩阵的构造,而且引入流形正则项去调整模型,从而改善聚类效果.实验结果表明,...     

粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

基于语义模式的半监督中文观点句识别研究

大规模和高质量的标注语料是进行监督算法分类器训练的重要前提,而进行大规模的语料标注是一项费时费力的工作,并且针对特定的领域还需要该领域专家的介入.提出一种基于语义模式的半监督中文观点句识别方法,可以通过小规模语料的训练识别出中文观点句.首先,通过语义模型提取算法从训练集当中识别出观点句语义模型和非观点句语义模型;然后,将两种模型转化为语义特征,并且加入词汇特征和词性特征两方面特征,通过BootStrapping对小规模标注语料进行训练,得到朴素贝叶斯分类器;接着,使用朴素贝叶斯分类器对大规模未标注的语料进行分类,将可信度高的样本加入训练模型迭代进行训练,直到无样本加入;最后经过多轮迭代得到最终的分类器.实验表明,该方法在只具备少量样本的情况下就可达到83.7%的准确性,证明了该方法的有效性.