基于相关熵的快速聚类算法

针对目前大规模真实数据聚类中存在的效率低和鲁棒性差的问题,提出了一种基于相关熵的快速聚类算法(FCC)。该算法主要分为以下两步:首先对原始数据进行k均值操作,得到粗略的样本类别,作为第二步的标签矩阵;其次利用原始数据与其锚点构建的锚点图对应的拉普拉斯矩阵作为图约束来探寻数据间的内在结构,从而得到样本的最终类别。整个聚类过程在相关熵准则而不是传统的欧氏距离框架下进行,可有效抑制真实数据中大量存在的非线性和非高斯分布的噪声对聚类鲁棒性的影响。为了验证提出算法的性能,使用5种典型的算法作为对比算法与提出的算法一起在4个大规模真实数据集上运行,结果表明,提出的算法可在大部分情况下提高聚类精度,在WebKB、TDT2和Cora数据集上分别提高8.58%,6.86%和1.86%,同时提高聚类效率几倍甚至几十倍;为了验证本算法的鲁棒性,分别加入不同程度的随机噪声和泊松噪声到WebKB和Cora上,得到8个含噪数据集,所有算法均在相同条件下运行于这些噪声数据集上,结果表明,相对于其他对比算法,提出的算法能够保持最优的聚类鲁棒性。     

认知无线网络频谱协作感知能耗与吞吐量的凸优化研究

针对认知无线电(cognitive radio,CR)双门限频谱协作感知能量效率与吞吐量优化的问题,提出了利用凸优化理论使能量效率与网络吞吐量达到最优平衡.在能耗一定条件下推导吞吐量关于虚警率与检测率等参数的目标方程;然后,对虚警率和检测率作合理约束,利用凸优化理论对吞吐量方程分析,推导出最优化目标函数的服从条件在一定范围内,关于感知时间与较大门限值满足联合凸或分别凸,吞吐量目标函数的变形在一定范围内,关于感知时间与较大门限值满足联合凸或分别凸;最后,利用凸优化工具获得感知时间与感知门限的最优值.理论分析和仿真结果表明,在能耗一定条件下,对于较为广泛的信噪比区间,该优化方案均可明显提高网络吞吐量及双门限认知无线电频谱协作感知的能量效率.     

铁氧体片加载波导中TEM场型及工作特性

本文分析了铁氧体片非对称加载矩形波导中出现的ＴＥＭ场的工作特性及场型，并得出了一些重要结论。