谱聚类的扰动分析

以矩阵的扰动理论为工具对谱聚类（spectral clustering）进行了分析，通过引入图的权矩阵并对权矩阵的谱和特征向量进行分析，得到了权矩阵的谱与聚类的类数、权矩阵特征值的大小与每一类所含点的个数、以及权矩阵的特征向量与聚类之间的关系．据此，设计了一个基于权矩阵的无监督谱聚类算法（unsupervised spectral clustering algorithm based on weightmatrix，简记为USCAWM），并在模拟点集和实际的数据集上进行了实验，实验结果肯定了理论分析的正确性．     

人工蜂群优化算法在复数盲源分离中的应用

针对复值信号的源数估计和有序分离等关键技术,提出一种基于人工蜂群优化的源数未知的复值盲源分离方法,该方法首先利用交叉互验技术来估算复数源信号的个数,然后通过人工蜂群算法优化峰度的绝对值来获得最佳分离向量,并实现了逐次恢复源信号的目的.仿真实验结果表明,该方法不仅能依峰度绝对值的降序实现服从任何分布源信号的盲分离,同时比其他方法具有更优越的估计性能.另外,提出一种基于峰度的欠定复盲源分离算法,该算法根据信号的统计特性构造了用于欠定混合情况下盲抽取向量的代价函数,然后通过人工蜂群算法优化其函数来获得最佳分离向量,通过多次分离来实现欠定复盲源分离的目的.通过对混合分布类型的复值源信号欠定盲分离仿真实验验证了该算法的有效性.     

稀疏表示与病态混叠盲分离

Bofill（2001）等人首次针对两个传感器的稀疏信号盲分离问题进行了讨论. 但也正如Bofill自己所指出的那样, 此方法存在局限性, 特别是其中的势函数的参数选择缺乏理论指导, 而且此方法不宜推广到具有三个或更多的传感器的情形. 因此这里回避Bofill势函数方法, 建立了K-PCA方法（即K-聚类与主成分分析PCA相结合的方法）. 新方法克服了Bofill方法参数选择的困难, 可以方便地应用于三个及其以上传感器的情况, 而且具有实现简单、混叠矩阵估计精度高的特点. 另外, 为了检验混叠矩阵A的估计是否一定有效, 给出了相应的判别准则. 仿真结果表明了该方法的可行性和准确性.     

一种基于同步动力学模型的层次聚类方法

本文基于建模同步动力学行为的Kuramoto模型提出了一种新的有效层次聚类方法.本文提出的方法基于局部邻域的概念,能够实现稳定的局部同步聚类.通过不断扩大对象同步的邻域半径,所提出的方法能够实现层次化的同步聚类.此外,提出对象邻域闭包的概念,在对象间到达完全同步之前就能预测出聚类的形成,从而减少对象动态交互的时间.本文的方法不依赖于任何数据分布假设,无需任何手工参数设置,可以检测出任意数量、形状和大小的聚类.由于同步过程能够有效地规避离群点,该方法有较强的噪声数据抑制能力.在大量真实数据集和人工合成数据集上的实验结果表明本文的方法聚类准确率高,且运行时间较同类基准算法显著缩短.     

一类循环加权子空间拟合法的性能分析

基于加权子空间拟合（ＷＳＦ）的思想和循环相关矩阵估计量的渐近统计特性,分析了循环平稳信号波达方向估计的一类加权子空间拟合法的性能,导出了这一类算法渐近估计方差的解析表达式,并讨论了它们的性能。     

一种对程序故障行为和失效行为的聚类有效性验证方法

分析软件自身故障在软件运行过程中的行为规律是分析＂故障—错误—失效＂链式效应的基础.但在研究软件故障行为特征时面临的关键问题是故障行为集合的庞大与复杂.因此,如何约简故障行为集合是研究故障行为规律的基本前提.＂当两个程序具有相似的基本属性时,其故障行为和失效行为也具有相似性＂这一推断为约简故障集提供了良好的依据,但尚未得到验证.本文核心工作即验证该推断的正确性.为此,首先提出一种针对程序基准行为、故障行为和失效行为的表征方法;其次提出一种考虑最佳聚类数的程序行为聚类方法;最后设计一组基于故障注入的程序行为聚类实验,用以验证前述推断的正确性.其中,实验分别以计算密集型程序（SPEC CPU2000和SPEC CPU2006基准程序）和I/O密集型程序（IOZONE、DEBENCH等）作为目标程序集.实验结果表明,（1）程序行为的表征方法和聚类方法具有合理性和有效性;（2）以程序基准行为聚类结果为依据的故障行为和失效行为的聚类质量良好,以此验证了推断的正确性.     

基于高阶统计量的盲源提取算法获取房颤信号

从房颤病人的体表12导联心电图中得到房颤波信号,是分析和描述房颤特征的重要环节.文中发展了一种基于高阶统计量的盲源提取算法用来获取房颤波信号,模拟数据和临床数据证明了这种算法的可行性和有效性.与盲源分离相关方法相比,盲源提取算法只提取一个所需信号,通过计算频谱集中度的大小,就可以判断它是否为房颤信号,而不必像盲源分离方法那样必须对分离后的12组信号进行复杂的判断才能决定房颤信号.因此,这种方法更适合于应用到临床监护中.     

用矢量天线阵列实现相干Chirp信号多参量联合估计

提出一种采用矢量传感器（天线）阵列联合估计相干Chirp信号初频,调频斜率,2维到达角和极化的算法.通过分数阶Fourier变换估计信号的初频和调频斜率,并用之构造了新的相关矩阵以抑制噪声.利用到达角和电磁极化矢量的特点,解决了由于信号相干带来的自相关矩阵奇异问题.为提高估计精度,采用了扩展阵列间距的L型均匀天线阵列,并提出了在信号相干情况下,解除角度估计模糊的算法.通过仿真,将此算法与常用的空间平滑算法进行了比较,证明了该算法的有效性.     

InSAR干涉相位图生成的图像配准自补偿方法

提出了一种基于局域斜平面地形模型的联合子空间投影方法来估计陡峭地形的InSAR干涉相位．该方法能够充分利用相应像素对及其相邻像素对的相干信息，并且利用包含干涉相位的信号子空间的所有基矢量向噪声子空间投影来估计干涉相位，该方法具有自适应图像配准和降低相位噪声功能，因而可以在SAR图像配准精度很差（可以允许达到一个分辨单元）的条件下准确地估计相应像素问的干涉相位．实测数据及仿真数据的处理结果证明了此方法的有效性．     

未知信源数的宽带信号源二维空间谱估计

目前存在的宽带信号波达方向估计方法仅限于估计已知信源数的信号方位角。Ｐａｄｍｉｎｉ等人最近指出，圆阵在估计宽带源的ＤＯＡ时具有和很多优良特性，采用具有延迟抽头的圆阵实现了宽带信号２－Ｄ空间谱估计，并将Ｃｈｏｉ等人针对未知信源数的窄带信号提出的扩展ＭＵＳＩＣ方法，扩展用于宽带源的ＤＯＡ估计，分析及仿真表明，该方法尤其适合宽阵列信息处理，且采用大孔径圆阵可显著提高估计的分辨性能和稳健性。     

信源数目未知和动态变化时的盲信号分离

研究源信号数目未知与／或动态变化情况下的盲信号分离问题．首先证明若混合矩阵满列秩（观测信号的数目m不小于源信号的数目n），则互信息是盲信号分离的对比函数；在互信息的全局极小值点即分离点处，盲信号分离系统的输出除了零分量外，其他非零分量；黾希望提取的源信号．其次，利用混合矩阵的转置和m个观测信号向量构成的矩阵以概率1具有相同的零空间这一性质，只需少量观测样本就可以估计源信号的数目n，进而检测其动态变化情况．源信号数目未知且动态变化的盲信号分离计算机仿真验证了所提出理论和算法的有效性。     

非圆信号的协方差匹配自校正算法及其性能分析

针对非圆信号测向中方位依赖幅相误差的校正问题,本文根据非圆信号的非圆特性和辅助阵元能够自校正的特点,对协方差匹配估计技术（covariancematchingestimationtechnique,COMET）进行改进,提出一种适用于信源时域统计特性未知和统计独立特性先验已知两种情况的改进算法：NC—COMET算法．该算法利用非圆信号扩展协方差数据,使其校正精度较常规的基于辅助阵元的最大似然类算法（未利用非圆特性）有明显提升,且降低了最小辅助阵元数要求．从理论上证明了参数估计的统计一致性,采用一阶误差分析方法推导了有限采样影响下参数估计的均方误差表达式,并提出算法的cc数据利用率”定义,定量比较获得了NC．COMET算法的数据利用率较常规的最大似然类算法的提升幅度．仿真结果亦表明NC—COMET算法性能较常规的最大似然类算法更优：低信噪比下具有更强的鲁棒性;信源时域统计独立特性先验已知或者大非圆率的情况下,该算法对校正精度的提升尤为明显．     

一种基于编码的双距离树高维索引

提出一种基于编码的双距离树（EDD-tree）高维索引结构.对于高维空间中的数据点,首先通过k平均聚类算法将其聚成若干类,然后分别计算每个点对应的始点和质心距离,并对其进行编码得到对应的统一化索引键值,最后用基于分片的B＋树建立索引.这样,高维空间的查询就转变成对一维空间的检索.实验证明该方法能更有效地缩小搜索空间,减少距离计算的代价.理论分析和实验都表明,EDD-tree索引在查询效率方面要明显优于其他的索引方法,尤其适合海量高维数据的查询.     

基于稀疏表示的小波去噪

小波阈值去噪是信号与图像去噪中的有效方法,然而,该方法采用逐点处理的方式,未用到小波系数的整体结构特性。文中提出一种新的小波去噪方法,采用了新近发展起来的稀疏表示工具,通过在一定条件下最小化非零小波系数的个数对原小波系数进行估计,从而将去噪转化为一个最优化问题.证明了该优化问题的解可以惟一获得,并且该解是干净小波系数的一个无偏估计值。文中提出了一种求解该问题的方法,该方法至少能求得一个局部最优解.实验结果表明此方法对多数实际信号尤其是低信噪比信号是有效的。     

多源异构感知数据融合方法及其在目标定位跟踪中的应用

物联网的全面感知产生了海量的感知数据,并且感知数据呈现为显著的多源异构性.因此,如何实现海量多源异构感知数据的智能处理是一个具有挑战性的课题.数据融合是处理多模态数据并挖掘提取有价值信息的有效手段,但针对多源异构数据,特别是非结构化的视频多媒体信息,如何实现高效的融合计算还面临许多问题需要解决.本文针对物联网多源异构感知信息的处理问题,提出多层次的多源异构数据融合方法,并以基于无线信号、视频和深度感知数据的目标定位跟踪应用为切入点,重点研究多源异构数据的处理、特征表示和数据融合方法.根据不同类型数据的特性采用不同的数据融合方法,通过挖掘无线信号、视频和深度等多源异构数据内在的关联性,实现多源异构数据有价值信息的有效利用.实际复杂场景的实验表明,本文提出的基于多源异构数据融合的目标跟踪和定位方法,能够解决传统依赖单源同质数据的目标跟踪方法所面临的光照变化和遮挡交错等难点问题,并且可以获得较为准确的运动目标三维位置,具有良好的跟踪定位效果.     

带信息反馈的凝聚层次聚类算法

本文针对传统的基于相似性的层次聚类算法存在的两个问题(相似性度量中方向信息的丢失和算法的适应能力弱)提出了一种带有信息反馈的凝聚层次聚类算法.首先将无法预知的复杂数据结构描述成3个基本的结构特征单元,并对其进行建模构建一种相似性度量定义的泛型和一种凝聚的层次聚类算法.在凝聚的层次聚类算法中加入类信息的反馈机制,并在不同阶段对相似性定义的泛型进行具体化,充分利用数据点对之间的方向信息和距离信息进行聚类.该聚类算法主要有两大优势:(i)算法的适应能力较强,不需要假设的前提下可以处理无法预知的复杂数据结构;(ii)算法对噪声具有较强的鲁棒性,在不需要对数据集进行预处理的情况下能够在聚类的过程中识别噪声点或者噪声类.从人工数据和真实数据的试验结果可以看出新算法的优越性能.     

基于稀疏元分析的欠定混叠自适应盲分离方法

传统盲分离理论假设源信号相互独立，通常采用独立元分析方法等实现盲分离，无法解决实际应用中出现的欠定混叠、相关源信号混叠等挑战性盲分离问题．稀疏元分析是国际上最近出现的一个新的研究热点，稀疏元分析盲分离方法具有实现欠定混叠盲分离和相关源信号混叠盲分离的能力，因而为广大研究人员所关注．但到目前为止，对于稀疏元分析的研究还很不成熟，特别是非常欠缺有效的算法．仅有的少数几个算法仍然面临许多问题，比如：基于Lewicki和Sejnowski（2000）所给Lewicki—Sejnowski自然梯度的稀疏元分析方法，是目前讨论欠定混叠盲分离的一种有效自适应算法，它较通常的K-均值聚类法有更多的优势．但Lewicki—Sejnowski自然梯度只是一种近似表示，缺乏严格的理论依据．由稀疏元分析代价函数出发，基于矩阵理论以及文中所建立的一个新的数学公式，从理论上导出了一个新的且严格的自然梯度，从而为这类稀疏元分析方法提供了严格的理论基础．在此基础上，给出了稀疏信号欠定混叠的新自适应盲分离算法．该方法具有实现欠定混叠和相关源混叠盲分离的能力（见仿真1）．仿真结果表明，所给的新自然梯度比Lewicki—Sejnowski自然梯度更为稳定可靠，同时算法具有较好的抗噪性．     

基于混合非圆率信号的CESPRIT算法

根据信号常常为圆和非圆信号混合形成的这一情况,提出的做一种基于ESPRIT思想的CESPRIT算法。该算法对阵元接收数据取共轭,然后重组出新的接收数据矩阵,利用构造出的两个选择矩阵,将新接收数据矩阵在分割为两个特定子矩阵,并结合ESPRIT算法思想,对获取的两子阵间的旋转不变关系矩阵进行特征值分解。通过获得的特征值估计出信号DOA．仿真实验表明,与传统ESPRIT算法相比,该算法具有估计精度高,需要的快拍数少和处理的信号个数可大于阵元个数等优点。     

有限状态机的行为阶段聚类及其对测试的应用

提出了有限状态机的行为阶段和行为阶段聚类的新概念, 它是介于有限状态机的行为级描述和低层描述(状态表或状态图)之间的一种新的抽象级别. 给定一个有限状态机的低层描述, 可以对它的状态按某种规则进行聚类来简化对有限状态机的分析. 给定一个有限状态机的行为描述, 可以直接从中提取行为阶段, 并通过对行为阶段进行聚类来分析它的功能. 详细阐述了对状态或者行为阶段进行聚类的理论和方法. 行为阶段聚类描述可以应用于对有限状态机的功能分析、验证和测试中. 作为行为阶段聚类描述的一种应用, 建立了一种用于测试产生的新的故障模型——行为阶段转换故障模型, 并利用对行为阶段的聚类来加速基于此故障模型的测试产生, 实现了一个寄存器传输级的自动测试产生系统ATCLUB. 实验结果表明, ATCLUB与其他测试产生系统相比有很高的效率, 并且能够产生相当短的测试序列, 以达到对电路门级固定型故障的较高的覆盖率.     

十字型阵列的互耦自校正算法

针对十字型阵列的互耦校正问题,提出一种信号源的二维角信息与互耦系数联合估计的互耦自校正算法,该方法对线阵内和线阵间的互耦同时进行校正.利用线阵内互耦矩阵及线阵间互耦矩阵的特性,构造重构矩阵,将耦合的二维角与互耦系数联合估计问题转化为级联估计问题,不需要校正源,避免了高维参数的非线性搜索.理论分析和仿真结果均表明,提出的方法可以很好地解决十字型阵列的互耦校正问题,信号的二维角和互耦系数的估计精度高,且计算量小.