用感知机学习算法改善MUSIC测向算法的分辨率

文中指出了通过计算机仿真了解到的影响MUSIC测向算法分辨率的一些因素 ,分析了造成MU SIC测向算法计算机仿真的分辨率较低的原因 ,并提出了一种用人工神经网络中的感知机学习算法改善MU SIC测向算法计算机仿真分辨率的方法     

包含奇异类样本的感知机学习规则的单位圆算法

分析了传统的感知机学习方法的不足，通过对包含奇异类样本的分析，提出了基于矢量的零偏置的感知机学习规则：单位圆算法，并证明了该算法的收敛性。最后给出了实例样本的模式识别的实现及模式识别的结果。     

感知机的反向传播学习算法

本文讨论人工神经元网络的反向传播模型，用对称Ｓｉｇｍｏｉｄ非线性作用函数对感知机的反向传播学习算法进行了探讨。     

用神经网络算法进行纹理分割

本文使用神经网络多层感知机模型，利用误差逆传播学习算法，结合纹理分析的基本手段，通过对计算机模拟神经网络进行训练，使它掌握了多种纹理的纹理特征，有效地实现了对包含多种自然景物纹理及多种人工图案纹理的图象的分割。     

某测向系统中MUSIC算法的FPGA实现

针对多信号分类(MUSIC)算法计算复杂度高,难以实时实现的特点,给出了适用于均匀圆阵的实数化预处理算法和实用的空间谱定义,并选择了适合硬件实现的特征值分解算法和排序算法;另外,基于某测向系统给出了MUSIC算法FPGA实现的总体结构和执行流程,并重点讨论了大矩阵特征值分解和空间谱计算的硬件结构设计.验证结果表明,该FPGA实现能够完成MUSIC算法的准确、快速计算.     

一种用于模式分类的多层感知机模型和学习算法

将Kalman滤波算法与BP算法相结合，提出一种用于模式分类的多层感知机模型和学习算法，并对计算实例进行了计算机模拟实验．实验结果表明，这种算法适用于非线性模式分类，且具有较快的收敛速度.     

基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况...     

感知机样本线性不可分的判定定理的简明证法

针对感知机的训练算法在训练样本线性不可分的情况下,感知机的学习不会收敛,需要判断解是否存在的问题,给出了一种直观的方法证明线性不可分的判定定理。通过将样本集定义为n维欧氏空间中的凸包,找到线性不可分问题两个等价命题。该方法具有要求条件较弱且几何意义明显的优点。     

智能天线的MUSIC算法研究

智能天线系统是具有自适应信号处理能力的天线阵列,利用数字信号处理技术对多个不同的用户产生多个空间波束,每个波束各自自动地对准不同用户的来波方向,把零陷方向对准干扰方向,从而消除多址干扰,提高移动通信系统的性能。智能天线应用的一个关键问题是对用户的入射角度进行估计,即波达方向(DOA)估计问题,MUSIC算法是DOA估计的一种,是利用输入协方差矩阵的特征结构,具有高分辩能力的多重信号分类技术。通过对MUSIC算法的仿真,验证了MUSIC算法具有稳定、高分辨、高精度和计算量较小的优点。     

基于MUSIC算法的信号DOA估计

本文利用一种改进MUSIC算法——空间平滑法来估计相干信号的DOA,该算法将天线阵列划分为均匀子阵,通过求各个子阵的协方差矩阵的均值实现对相干信号解相干,并对此进行了计算机仿真。     

文化鱼群算法的广义MUSIC测向技术

针对现有的测向算法测相干信号源会损失天线阵列孔径的问题,在引入广义导向矢量和广义导向矩阵的基础上,建立了一种通用的阵列数据模型,提出了一种基于四阶累积量的广义MUSIC测向算法。为求解所提的广义MUSIC测向算法,在文化算法中使用人工鱼群进化机制,引入了一种多维搜索的文化鱼群算法。仿真结果证明了所设计的测向算法在不损失四阶累积量所扩展阵列孔径的情形下,可有效测相干信源与独立信源的方向,与现有一些经典算法相比,所提算法有较大的优势和较广的应用范围。     

采用BP算法的多层感知机模型的蛋白识别

采用误差反传(BP)算法的多层感知机模型,对嗜热蛋白和常温蛋白进行模式识别.通过增加训练数据及多种检验方法检验模型稳定性及泛化能力,探讨蛋白分子大小对识别效果影响.结果表明,当动态参数为0.2,学习速率为0.5,隐含层节点数为11时,该模型在自一致性检验、交叉验证和独立样本测试3种检验方法中的识别精度分别为91.5%,88.2%和92.1%,其表现优于一些常见的模式识别算法,且具有良好的稳定性及泛化能力.此外,对于较大的或者中等大小蛋白质分子,其识别的精度都较高;而对于较小的蛋白分子,其识别效果较差.     

室内无线高精度定位的改进MUSIC算法

室内定位在一些特定场合的实用性和必要性已经日趋显著,其应用前景广阔,研究意义非常大。但是目前基于传统RSSI的定位算法不能满足室内定位的要求。针对RSSI测量方法误差较大的问题,提出用MUSIC算法估计信号的波达方向。传统的MUSIC算法只能对非相干信号进行DOA估计,但在室内环境中,存在严重的多径效应,MUSIC算法将会失效。通过构建Toeplitz矩阵,达到去相关的目的,从而对多信号的波达方向做出正确的估计。     

基于MUSIC算法的天线系数测量信号分析方法

基于自由空间场地衰减数学模型,提出多重信号分类(MUSIC)算法的信号分析方法,从在固定天线高度测量的场地衰减信号中,提取直射波场地衰减量,推算远场天线系数.取谐振频率为500,MHz的半波偶极子天线为研究对象,在300,MHz~1,GHz频率范围内进行实验验证.结果表明,此分析方法提取的直射波场地衰减与采用矩量法的仿真值吻合较好,利用此场地衰减推算的远场天线系数与CISPR16-1-6的标准场地法测量的天线系数一致性较好,此算法可以用于天线系数测量的信号提取.     

基于代数神经网络的多元多项式不可约判定及学习算法

把感知器作为数学模型,充分利用神经元的运算特性,以二元多项式近似求根神经网络模型为基础,设计一类多元多项式不可约判定的神经网络模型,它是单输入多输出三层前向神经网络,给出神经网络学习算法,这种学习算法在ｐ－ａｄｉｃ意义下,通过调整隐层与输出层的权值Ｃｉ,ｊ完成学习,可确定出多元多项式不可约,通过算例表明,该算法有效,相比传统的判定算法,可操作性强。     

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程）,对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率,而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验,结果证明这种基于聚类算法的原型向量选择方法很有效,使识别率有了较大的提高．     

神经网络学习算法中的奇点及振荡算法

以前向神经网络为基础，基于梯度下降规则，推导了ＯＩＮＮ的学习算法，说明由梯度下降规则推导出的学习算法中存在奇点。奇点经常导致学习陷入“伪局部极小”，大大影响了学习进程，奇点产生的原因是对节点特性函数的求导，对节点特性函数的修改可使算法避免奇点，提出了一种振荡算法可有效地克服局部极小。     

基于MUSIC算法的圆柱共形阵DOA估计

柱面共形阵由于其载体曲率的影响,导致在利用经典MUSIC(Multiple Signal Classification)算法进行DOA(Direction-of-Arrival)估计时,导向矢量与噪声子空间不正交,算法性能严重下降甚至失效。在考虑载体遮挡效应的同时,结合阵元的方向性,通过对导向矢量进行重构,解决了导向矢量与噪声子空间不正交这一问题。对比子阵分割MUSIC算法,进行了Monte Carlo仿真验证,分析了有向阵元MUSIC算法的估计性能。最后以多层圆柱阵为例对4个从不同方向入射的信源进行了DOA估计仿真验证。仿真结果表明：该方法具有分辨力高,估计精度高的优点,证明了该方法的有效性和高估计性能。     

双向虚拟平滑阵列解相干信号的MUSIC算法的研究

本文首先对经典MUSIC算法的基本原理进行介绍,然后提出了基于这种算法的双向虚拟平滑阵列方法,计算机模拟结果证明了本文提出的方法能够克服经典MUSIC算法的缺点,对相干信号源的DOA能够进行准确的估计。