模糊集中的无限非概率测度熵

目的 为得到模糊信息论的一些重要性质和定理。方法 以模糊熵的数学性质为基础，以Shannon熵为工具进行研究。结果 给出了无限非概率测度熵的定义及性质，并对无限非概率测度条件熵及模糊互信息给出了定义，进而研究了其性质并给出了相关定理。结论 其结果深化和发展了模糊信息论的内容。     

互信息在时间序列分析中的应用

介绍了由信息理论定量计算两序列Ｓ、Ｑ之间的互信息Ｉ（Ｓ，Ｑ）＝ΣＰ（ｓｉ，ｑｉ）。ｌｏｇ〔Ｐ（ｓｉ，ｑｉ）／Ｐ（ｑｉ）〕的方法；并根据周期系统，混沌系统、随机系统的一维时间序列及其时间延迟序列间的互信息估算结果，分析数据的可预测性，得出序列预测准确性的最大极限；现根据以上三类系统的二维时间序列间的互信息估算结果，估价数据所提供的信息的新颖性，从而可以避免一些重复性的工作所造成的浪费，与互相关相比，     

基于Fisher判据时频分析的运动相关脑电特征选择及优化

提出了一种基于Fisher判据的运动相关脑电特征优化选择的时频分析方法,为优化选择与运动意识最相关的有效脑电频率成分提供了理论依据.在此基础上,利用具有高时频分辨率的Morlet小波方法,提取与脑电特征优化过程最为匹配的特征信息,对4个受试者运动相关脑电模式进行分类,平均最大分类正确率达到87.95%,通过最大分类正确率、最大互信息两项评价指标比较,验证了基于匹配追踪和Fisher判据时频分析的特征优化方法对改善大脑运动意识任务分类性能的有效性.实验结果表明,该文所提出的方法可望应用于脑机接口系统的运动相关脑电特征优化和选择中.     

基于差异进化算法的医学图像配准方法

基于互信息的医学图像配准是一种目标函数的优化问题,但传统优化方法往往由于目标函数收敛到局部极值而导致错误的结果.该文将差异进化算法引入到医学图像配准中,利用其收敛特性避免互信息测度优化陷入局部极值,实现了多模态医学图像的配准.实验数据表明,以互信息测度为目标函数的医学图像仿射配准中,差异进化算法优于Powell算法和模拟退火算法.     

基于混合互信息和改进粒子群优化算法的医学图像配准

为提高医学图像辅助诊断的配准精度和收敛速度,提出了一种基于混合互信息和改进粒子群优化算法的医学图像配准算法,在每步迭代中,先用基于Renyi熵的互信息结合改进粒子群优化算法对图像进行全局搜索,然后对当前得到的最优解使用基于Shannon熵的Powell算法进行局部寻优。实验结果表明,该算法在收敛速度和精度方面都优越于其他配准算法。     

带Turbo码的OFDM频域链路自适应方案

针对最优比特与功率加载算法需完全已知信道质量信息而在实际系统不可行的问题,提出基于资源块互信息的实用解决方案;针对频率选择性衰落和Turbo码交织深度要求较高的问题,提出根据互信息为不同资源块计算调制方式而对多个资源块内插计算相同码率的频域链路自适应解决方案。分析与仿真结果表明:基于资源块互信息的频域链路自适应解决方案能获得接近最优比特与功率加载算法的频谱效率。     

基于邻域互信息最大相关性最小冗余度的特征选择

特征选择是一种重要的数据预处理步骤,其中互信息是一类重要的信息度量方法。本文针对互信息不能很好地处理数值型的特征,介绍了邻域信息熵与邻域互信息。其次,设计了基于邻域互信息的最大相关性最小冗余度的特征排序算法。最后,用此算法选择前若干特征进行分类并与其它算法比较分类精度。实验结果表明本文提出算法在分类精度方面且优于或相当于其它流行特征选择算法。     

一种基于互信息量的自适应快速视频编解码方案

为了对不同运动剧烈程度的视频序列提出一种重构质量高并且快速的自适应编码算法,引入视频序列的互信息量(mutual information,MI)。利用视频序列帧间的互信息量自适应地调整运动向量估计和运动向量多重估计的门限值(absolute error,AE)。通过大量的统计得出了互信息量与高通帧方差之间的关系,利用方差作为反馈进一步调整AE,从而实现了一种自适应快速算法。利用此算法同时达到了控制编码复杂度和重构视频质量的目的。实验数据表明,此种算法编码时间比传统运动补偿时域滤波(motion compensated temporal filtering,MCTF)结构缩短约15%,而重构视频的质量几乎没有下降。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。