接收空间调制信道容量计算及其鲁棒性设计

针对接收空间调制(RSM)系统中信道输入为有限码集导致香农容量公式不适用于RSM信道容量计算的问题,通过分析信道输入输出之间的互信息,推导了发射机拥有完美信道信息情况下的RSM系统的信道容量表达式,并进一步给出发射机的信道信息存在误差时具有鲁棒性的RSM预编码矩阵设计(RRSM)方法。该方法将二进制数据流映射成某根期望接收天线空间序号和传统调制符号,把它们作为RSM系统的信道输入,经发射预编码后得到信道输出;然后采用迫零算法使得信号功率在选定的期望接收天线处聚集而在其他接收天线处迫零,用所选定的期望接收天线的空间序号来传输额外信息比特;最后考虑RSM发射机的信道状态信息有误差,根据最小均方误差准则建立目标函数,求解得到RSM最优的鲁棒预编码矩阵。数值仿真实验表明:当发射机的信道状态信息误差的方差为0.3时,RRSM方法相比原始的RSM方法可使最优检测在误码率为10-4时获得1dB性能增益,次优检测在误码率为10-2时获得2dB增益。     

遥感影像信息量的计算方法研究

对遥感数据进行定量评价一直是遥感技术应用领域的一个难点.以信息论中的信息熵为理论基础,运用概率论的基本原理,建立了遥感影像信息量与灰度值、色彩、噪声之间的数学表达,提出了遥感影像信息熵、噪声疑义度、邻元相关性、互信息量及影像单像元的平均信息量、波段间的相关性、影像实际信息量的计算方法,并给出了多波段遥感影像信息量的计算流程,从信息量的角度提出了评价遥感数据质量的新方法.     

基于互信息的粗糙集信息检索模型

在信息检索过程中,由于文档中存在大量的多义和近义现象,导致不确定性出现,这将影响检索的性能.为此采用基于互信息的粗糙集理论来处理这类不确定性问题.首先计算训练文档集中的词之间的互信息,对互信息做模糊聚类来构造词之间的等价关系,然后借助于该等价关系提出并实现了一个以粗糙集上下近似为基础的信息检索模型,通过实验的测试,该模型能够提高信息检索的效率.     

基于信息论下阈值阵列模型中的阈上随机共振现象

研究了高斯混合噪声作用下阈值阵列模型中的阈上随机共振现象.通过建立阈值阵列模型,运用理论分析和数值仿真相结合的方法,分析了高斯混合噪声作用下高斯信号通过系统时的互信息.数值仿真表明,通过控制变量法,当阈值单元数目越多或者系统阈值越大时,阈上随机共振发生的现象更加明显.所得结论可以为进一步探索阈值阵列模型提供基础.     

基于信息典型相关分析的盲源分离算法

针对盲源分离问题,将互信息理论与典型相关分析理论相结合,提出了一种基于信息典型相关分析的盲源分离算法.该算法首先利用模式搜索法求解,得到混合信号向量的线性组合与混合信号向量延迟的线性组合之间互信息最大的信息典型向量,互信息计算中的概率密度函数由高斯核密度估计.然后,将信息典型向量依次与接收的混合信号数据阵相乘.完成对源信号的逐一抽取和分离.仿真实验结果表明,该算法不仅能有效分离包含超高斯信号成分的混合信号和包含亚高斯信号成分的混合信号,还能分离同时包含这2种成分的混合信号以及病态混合信号.     

基于信息熵的多维怪引子状态重构

针对多维怪引子状态重构的特性要求，提出了确定延迟时间变量的联合熵之第一极大准则，用于Ｒｏｓｓｌｅｒ吸引子的状态重构，分析讨论了该准则与互信息之第一极小准则的关系。     

基于互信息的热点词发现和突发性话题检测研究

针对舆情监测中现存的热点词提取方法精度不高、速度不快的问题,文章采用互信息作为热点词突发性的度量手段,并使用类间离散度作为调节因子来构建热点词的突发性度量公式.在此基础上,构造了改进后的动态突发性向量空间模型,并用于网络中突发性热点话题的发现与追踪.实例验证结果表明,文章提出的改进方法能够获得很好的准确度P、召回率R和F度量.     

基于互信息扩散蚁群算法的短波频率优化指配

为提高求解不对等短波网络频率指配问题的速度和效果,基于邻近短波通信频率区域覆盖近似的特点,采用互信息系数描述其近似程度,提出了互信息扩散蚁群算法.蚁群根据当前用频方案的覆盖效果对方案中台站频率组合释放信息素的同时,依据邻近频率的覆盖近似程度即互信息系数对未被选择的台站频率组合进行信息素扩散释放,其效果相当于增加蚂蚁数目以增大对最优解的搜索概率,从而用较短的时间获得更好的解.仿真实验表明:改进算法比常规ACS算法及GA算法在求解问题的效果和速度方面都有较大提高.     

一种基于相似融合的文本特征降维方法

提出一种基于相似融合的文本特征降维方法.首先求出不同聚类结果中每个簇的对应关系,然后计算这几个聚类结果对应簇的交集,对求交集后剩余的特征使用一种改进的互信息方法进行二次聚类,在最大限度减少信息损失的前提下实现了文本特征的有效降维.对文本的分类实验结果表明,该方法具有良好的降维效果,并且提高了聚类的效率.     

鉴别性最大后验概率线性回归说话人自适应研究

为增强自适应后的声学模型的鉴别能力,提出了一种基于最大互信息(MMI)的鉴别性最大后验概率线性回归(MMI-DMAPLR)说话人自适应方法. 将最大互信息准则和最大后验概率(MAP)准则相结合,设计了一个新的目标函数来估计基于线性变换的自适应方法中的变换参数,在最大后验概率估计中加入了鉴别性. 大词汇量连续语音识别的实验结果表明,新方法在增强声学模型与测试数据的匹配性的同时,可以有效提高声学模型的鉴别能力,在少量自适应数据的情况下,其性能比最大后验概率线性回归(MAPLR)相对提高4.8%.