一种基于局部变换处理的干扰抵消后置处理方法

针对基于阻塞矩阵方式抵消干扰产生的探测影区问题,提出了一种基于局部变换处理的干扰抵消后置处理方法。首先根据干扰抵消方位对接收阵拾取数据进行线性变换处理,合成一组新数据;其次采用空间谱合成方法对新数据进行变换处理,得到空间各方位对应空间谱;然后采用局部变换处理方法,提取空间谱基底变化量;最后采用空间谱基底变化量对空间谱进行均衡处理,降低探测影区。数值仿真和数据处理均表明,该方法通过对干扰抵消后空间谱进行局部非线性均衡处理,减小了空间谱基底变化量,将探测影区缩小到了3°以内,改善了基于阻塞矩阵方式干扰抵消方法。     

水下航行器辐射噪声谱增强新方法

提出了基于四阶累积量对角切片的自适应动态谱线增强新方法，对其原理进行了剖析。用实测水下航行器辐射噪声数据，对动态谱线增强进行了仿真研究。结果表明：基于四阶累积量对角切片的自适应动态谱线增强方法（FOCDSBADLE）抑制高斯噪声的能力远强于传统的自适应谱线增强方法（ALE）。本文的新方法为弱信号检测、参数估计和目标识别等信号处理提供了一条新的技术途径。     

公平谱聚类方法用于提高簇的公平性

最近，算法的公平性问题引起了机器学习领域学者的广泛讨论。鉴于谱聚类在现代数据科学中的广泛流行，研究谱聚类的算法公平性是一个至关重要的话题。现有的公平谱聚类算法主要存在两个缺点：1)公平性能差；2)仅在单个敏感属性下工作。文中将公平问题视为一种约束谱聚类问题，通过求解约束谱聚类的可行解集，提出了一种非规范化公平谱聚类方法(Unnormalized Fair Spectral Clustering, UFSC),用于提升公平性能。此外，文中还提出了一种适用于多个敏感属性约束的公平聚类算法(Multi-sensitive Attributes Fair Spectral Clustering, MFSC)。在多个真实数据集上进行了实验，结果表明，UFSC和MFSC算法比现有的公平谱聚类算法生成的聚类结果更加公平。     

基于轮廓纹理分解的三维谱象数据压缩

本文介绍了一种基于轮廓纹理分解的三维谱象数据压缩方法。根据成象光谱仪三维谱象数据的特点，首先用轮廓纹理方法将其中二维单色图象分解成一系列轮廓及其包图的纹理。     

基于车辆行驶数据的驾驶人行为谱分析方法

针对我国驾驶人行为谱的研究尚不完善，专业领域内没有相应的行为谱分析工具的问题，提出了一套针对营运客车的完整的驾驶人驾驶行为谱体系并设计了一套分析工具。首先，设计并定义了驾驶人行为谱的特征指标和评价指标；其次，给出了驾驶人行为谱的特征指标分析、计算方法，采用基于马尔可夫链蒙特卡洛采样和离群点剔除的K-means算法对驾驶人的驾驶风格进行分析，采用回归学习对驾驶人的驾驶技能进行分析；然后，设计了基于车联网、大数据的驾驶人行为谱的基础数据采集和预处理方法；最后，采用Java语言、Spring MVC架构开发出驾驶人行为谱分析工具。将机器学习中的数据挖掘、数据分析算法与交通安全领域相结合，对完善我国驾驶人行为谱框架体系具有理论意义，为我国驾驶人行为谱的研究提供了一个科学、定量化分析的工具，对交管部门规范驾驶人驾驶行为、提高道路安全指数、制定合理的交通安全管理策略具有指导意义。     

肿瘤基因表达谱分类技术研究

基因芯片技术作为一门新兴技术,目前已经广泛应用于生物学和医学的各个领域。在技术迅速发展的同时,由基因芯片实验所产生的数据也呈指数级增加,如何有效处理和管理这些海量数据已越来越得到研究者的关注。肿瘤基因表达谱分类是基因芯片数据处理中的一项重要技术。文中对肿瘤基因表达谱分类方法进行了系统的介绍,并对当前肿瘤基因表达谱数据分类技术存在的一些问题以及下一步的研究思路做了分析。     

动力学-光谱二维数据在灰色体系定量分析中的应用

未知背景的灰色体系的定量分析通常需要二维数据。本文通过对化学反应过程进行在线多波长监测，从而获得了一种新的适用于灰色体系定量分析的数据源——动力学-光谱二维数据。基于该类数据的亏秩特性，约束背景双线性分解法(Constrained Background Bilinearization,CBBL)用于数据的解析。模拟灰色体系的二维数据被用来验证了该方法的可行性。以邻苯二甲酸二乙酯(DEP)为分析对象，苯甲酸乙酯(EB)为未知背景，通过在线测量酯的碱性水解过程获得动力学-紫外光谱数据矩阵，利用本文方法在背景与待测物的动力学谱和光谱严重重叠的情况下，仍然能准确地对DEP进行定量分析。     

实现谱峰自动识别的句法方法

本文描述一种用于自动识别数字谱数据序列中的谱峰的句法方法.为便于谱峰识别,先 将谱数据序列编码为谱峰描述语句,然后用一种谱峰识别自动机将其中的谱峰一一选出.文 中详细说明了产生谱峰描述语言的谱峰文法和识别谱峰的谱峰识别自动机,同时给出了实验 结果.     

图像数据库的保局聚类

面对日益增长的图像数据库，为用户提供一个简洁高效的搜索和浏览解决方案成为一个紧迫而且充满挑战的问题．图像聚类技术可以在许多方面为此提供帮助，例如图像数据预处理、用户界面设计．以及对搜索结果的聚类等．在众多聚类算法中，谱聚类（spectral clustering）方法由于能够解决复杂分布数据的聚类问题，以及接近全局最优的性能，成为近年来广受关注的一种方法．然而，目前存在的谱聚类方法，譬如normalized cut在处理新增数据点的聚类时，计算复杂度很高．提出了一种新的聚类算法——保局聚类．保局聚类在拥有许多非线性谱聚类方法优点的同时，又具有独特的数学特性——能提供显式的映射函数．这为在原数据集和新增数据集上进行高效的聚类提供了可能．实验结果显示，保局聚类比K均值聚类和主成分分析后的K均值聚类效果要好．实验同样显示，保局聚类与normalized cut效果可比，而前者更加高效．     

极化合成孔径雷达测量海浪的研究

描述了极化合成孔径雷达海浪成像过程。提出了一种极化雷达反演海浪方向谱的方法,该方法利用合成孔径雷达图像谱与海浪方向谱之间简单的线性关系和最优方法反演得到海浪方向谱,并将结果与现场资料进行了比较。经过对同一海区机载雷达P、L、C 3个波段的图像进行反演,其方向谱相当一致,而且有效波高和波向与实测数据吻合相当好。     

突发信号存在性自适应盲检测算法

提出了一种突发信号存在性自适应盲检测算法,采用谱方差作为检测函数,通过设置噪声函数集来跟踪背景噪声的变化,实时自适应调整门限值,然后采用长度控制与状态转换的判决机制改善检测函数的抖动对判决结果的影响,提高了突发信号的正确检测概率。仿真结果表明,所提算法与短时能量法和谱熵法相比,具有较好的稳健性,尤其在低信噪比条件下具有更好的检测性能。     

无需特征分解的快速谱聚类算法

为了解决样本数较大时,传统谱聚类算法执行特征分解消耗时间过大的问题,提出了一种无需特征分解的快速谱聚类算法,通过乘法更新迭代来降低时间开销。首先,利用Nyström方法进行随机采样,建立了采样矩阵和原始矩阵之间的关系;其次,基于乘法更新原理实现矩阵指示器矩阵的迭代更新;最后,在理论上对所设计算法进行了正确性和收敛性分析。在广泛使用的五个真实数据集和三个人工合成数据集上进行测试。实验结果表明,在真实数据集上,所提算法的标准互信息（NMI）平均值为0.45,与k-means聚类算法相比提高了12.50%;运行时间为61.73 s,与传统谱聚类算法相比减少了61.13%;而且表现性能优于层次聚类算法,验证了该算法的有效性。     

无需特征分解的快速谱聚类算法

为了解决样本数较大时，传统谱聚类算法执行特征分解消耗时间过大的问题，提出了一种无需特征分解的快速谱聚类算法，通过乘法更新迭代来降低时间开销。首先，利用Nyström方法进行随机采样，建立了采样矩阵和原始矩阵之间的关系；其次，基于乘法更新原理实现矩阵指示器矩阵的迭代更新；最后，在理论上对所设计算法进行了正确性和收敛性分析。在广泛使用的五个真实数据集和三个人工合成数据集上进行测试。实验结果表明，在真实数据集上，所提算法的标准互信息（NMI）平均值为0.45，与k-means聚类算法相比提高了12.50%；运行时间为61.73 s，与传统谱聚类算法相比减少了61.13%；而且表现性能优于层次聚类算法，验证了该算法的有效性。     

A new hybrid approach based on SARIMA and partial high order bivariate fuzzy time series forecasting model

In the literature, there have been many studies using fuzzy time series for the purpose of forecasting. The most studied model is the first order fuzzy time series model. In this model, an observation of fuzzy time series is obtained by using the previous observation. In other words, only the first lagged variable is used when constructing the first order fuzzy time series model. Therefore, this model can not be sufficient for some time series such as seasonal time series which is an important class in time series models. Besides, the time series encountered in real life have not only autoregressive (AR) structure but also moving average (MA) structure. The fuzzy time series models available in the literature are AR structured and are not appropriate for MA structured time series. In this paper, a hybrid approach is proposed in order to analyze seasonal fuzzy time series. The proposed hybrid approach is based on partial high order bivariate fuzzy time series forecasting model which is first introduced in this paper. The order of this model is determined by utilizing Box-Jenkins method. In order to show the efficiency of the proposed hybrid method, real time series are analyzed with this method. The results obtained from the proposed method are compared with the other methods. As a result, it is observed that more accurate results are obtained from the proposed hybrid method.     

基于列并行采样CIS的片上ISP颜色插补算法

对单片CMOS图像传感器中的数字图像处理系统(ISP)开展研究,提出一种基于列并行采样模式的实时颜色插补方法和ISP系统架构,以减小片上数据缓冲区,同时保证插补模块的实时性.结合列并行采样的特点对基于光谱相关和空间相关的方法进行修正,保证图像获取部分和处理处理部分紧密结合;使用G通道进行场景光强评价,将自动积分时间调整和插补模块组合实现,有效降低面积和功耗.仿真结果证明该方法的有效性和实时性.     

Fuzzy lagged variable selection in fuzzy time series with genetic algorithms

Fuzzy time series forecasting models can be divided into two subclasses which are first order and high order. In high order models, all lagged variables exist in the model according to the model order. Thus, some of these can exist in the model although these lagged variables are not significant in explaining fuzzy relationships. If such lagged variables can be removed from the model, fuzzy relationships will be defined better and it will cause more accurate forecasting results. In this study, a new fuzzy time series forecasting model has been proposed by defining a partial high order fuzzy time series forecasting model in which the selection of fuzzy lagged variables is done by using genetic algorithms. The proposed method is applied to some real life time series and obtained results are compared with those obtained from other methods available in the literature. It is shown that the proposed method has high forecasting accuracy.     

一种基于误差传递的图像噪声去除方法

为了滤除图像在彩集过程中受到干扰引起的噪声和增强图像的有用信息,提出了一种基于误差传递原理的图像噪声去除方法。该方法在计算复杂度、执行时间、二值化效果等方面均有较好表现,对于图像特征主要包含在图像的几何特征中的实时图像处理系统,取得了很好的实际效果。     

基于时频结合的背景噪声下语音增强方法

本文在研究基于改进谱减法的基础之上,提出了在频域利用谱减法去除宽带加性噪声,在时域利用短时过零率和短时能量组合而成的加权函数去除谱减法后产生的“音乐噪声”的方法．实验表明：这种时频结合的语音增强方法对背景噪声下的语音质量的增强效果明显。     

一种基于Normal矩阵的时间序列聚类方法*

提出了一种基于Normal矩阵的时间序列聚类方法。该算法首先对时间序列数据进行向量形式转换,计算出各个时间序列间的相似度并构建复杂网络,然后利用基于Normal矩阵的方法进行复杂网络社团划分,同一类的时间序列被划分到一个社团,即实现对时间序列数据的聚类。为了验证该方法的可行性和有效性,将其应用于股票时间序列数据聚类分析中,并在两个实际的数据集上与其他方法相比较,取得了较好的实验结果。     

基于时间感知排序的云服务QoS预测方法研究

随着云计算理论和技术的成熟,越来越多的云服务得到了蓬勃发展,如何建立高质量的云服务成为了云计算研究领域的一个关键难题。服务质量QoS排序为用户从一系列功能相似的云服务候选者中挑选最优云服务提供了非常有价值的信息。为了获得云服务的QoS值,就需要调用真实的候选云服务。为了避免时间消耗和昂贵的资源浪费,提出了一种基于时间感知排序的云服务QoS预测方法。不同于传统的QoS值预测,基于QoS排序相似度的预测考虑为特定用户检测服务的排序。分时段按权计算出排序相似度,结合时间偏好合成相似度的前k位用户,用来提供信息支持QoS的缺失预测。在WS Dream真实数据集进行的实验研究表明,基于时间感知排序的云服务QoS预测方法有更好的预测精度。