利用联合特征参数的卫星单混信号调制识别

针对卫星通信中常见的单-混二进制相移键控(binary phase shift keying, BPSK)、正交相移键控(quadrature phase shift keying, QPSK)、8进制相移键控(8 phase shift keying, 8PSK)、16进制正交幅度调制(16 quadrature amplitude modulation, 16QAM)信号调制识别问题,本文基于不同信号的累积量差异和方谱特性,充分利用累积量和谱线特征并构造合理的特征参数,最终构建决策树分类器,实现了这些信号的调制识别,并有效实现了混合QPSK和混合8PSK信号的识别。实验表明,该算法能够实现高斯白噪声条件下的单-混BPSK、QPSK、8PSK、16QAM信号的分类。当信噪比大于6 dB时,除混合QPSK和混合8PSK信号外,其他信号的调制识别率能达到98%,当信噪比大于10 dB时,混合QPSK和混合8PSK信号的调制识别率能达到92%。与现有算法相比,识别率更高,由此证明所提算法的有效性。     

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.     

基于模糊积分的纠错输出解码研究

针对基于纠错输出编码的多类分类中解码策略的选择问题,提出一种基于模糊积分的解码方法.将每个基分类器看作一个证据源,其概率输出提供了测试样本所属类别的可能性;同时基于基分类器信任度和混淆矩阵对模糊密度的赋值进行了改进;最后求取最大的模糊积分值所对应的类别为分类输出.基于UCI数据集和经典解码方法的比较实验验证了本文所提方法作为二符号解码策略的可行性和有效性.     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.     

基于图像感知哈希技术的钓鱼网页检测

文中提出一种基于图像感知哈希技术的钓鱼检测方法,简称Phash———将网页以图像格式保存,提取图像的主要可视信息的像素点,由这些像素点组成感知哈希序列,再进行哈希序列的相似度匹配。该方法既克服了钓鱼网页存活时间短的问题,又能快速地与特征库进行匹配。实验表明,该方法是有效的,在保证一定误判率和召回率的情况下大大提高了匹配速度。     

Linex损失下Poisson分布参数的Bayes估计

记X1,X2,…,Xn为来自Poisson总体容量为n的样本,在Linex损失函数下,给出了Pois-son分布参数θ的Bayes估计并证明其可容许性,同时也得到了该参数的多层Bayes估计的表达式。     

贝叶斯方法在金融保证保险模型中的应用

主要介绍了Hamilton模型和转换函数模型,说明了贝叶斯方法在金融保证保险模型中的应用,将模型中的参数作为具有先验分布的随机变量,然后根据贝叶斯定理,得出后验分布,以此为基础利用WinBUGS软件对模型参数进行估计,最后对纯保费和所需的风险资本总量进行预测。     

基于Fisher的手写体数字识别研究与实现

在手写体字符识别研究中,由于书写风格的不同造成了字体变化大,导致识别难度很大,采用面积滤波对数字图像预处理消除离散点,使用Fisher分类器对样本进行分类识别,进行了手写体数字识别研究与实现,分类器识别正确率为96%.     

多维正态分布参数估计的损失函数和风险函数的Bayes估计

在N P（θ,Σ）和方差Σ已知情况下,给出了多维正态分布多维参数均值θ=（θ1,θ2,…,θΡ）估计的损失函数和风险函数的Bayes估计。     

基于SVM预测的金融主题爬虫

随着Internet上信息的爆炸,利用通用搜索引擎检索用户相关的信息变得越来越困难,而主题爬虫成为WEB上检索主题相关信息的重要工具。目前大部分基于分类器预测的主题爬虫的训练数据是不同类别网页的内容,但是在实际预测过程只能根据父网页中的一些链接信息进行预测,所以造成主题爬虫的预测的准确率较低。本文使用SVM分类器对标注了类别的URL以及上下文和锚文本进行训练,并分别使用了DF和信息增益两种不同的特征选择方法进行特征筛选,对影响分类器的各种因素进行了实验对比,并对分类器进行了在线的实验.实验证明这种方法在实际预测过程中效率很高。