基于PACGAN与差分星座轨迹图的辐射源个体识别

深度学习解决个体识别的一个突出问题是难以获得足够样本对网络进行训练,针对该问题,提出了一种基于PACGAN(Pooling Auxiliary Classifier Generative Adversarial Network)的辐射源个体识别算法。该算法针对输入信号的差分星座轨迹图进行处理,并对辅助分类生成式对抗网(ACGAN)进行了适应性改进。在判别器网络中引入池化操作,增强其在多分类任务中的特征提取能力;针对样本图像特征大量边缘分布的情况,添加零填充层并以增强其边缘特征提取能力,增大卷积层感受野以提取全局性特征。通过对五种ZigBee设备的实验,结果表明本文提出算法在小样本条件下相较于其他方法具有更高的准确性。      

基于自编码特征提取及弹性学习的手写数字识别

针对自编码算法提取输入特征能更好地发现样本间的相关性的优点,以自编码算法提取待识别样本特征作为多层前向网络的输入,以弹性BP算法训练网络,并用MNIST手写数字数据库样本测试。从正确率、拒识率、错误率和可靠率4项性能指标方面与逐像素方法进行了综合对比测试。研究表明,采用自编码特征提取、多层前向神经网络作为分类器以及弹性BP算法进行训练的手写数字识别,具有更快的收敛速度和更高的识别可靠率。     

三维周期结构弱无条件稳定FDTD算法研究

将单轴完全匹配层UPML引入于弱无条件稳定算法LOD-FDTD中用于解决周期结构的电磁散射问题。在求解过程中,引入Sherman-Morrison方程解决迭代过程中产生的非三对角矩阵,显著提高了计算效率。为了检验本文所提方法的吸波效能,将其用于计算将带有细缝的周期阵列的反射系数,结果显示:当将本文所提方法的UPML层数设置为16时,其反射误差同传统FDTD方法的反射误差相当,当将本文所提方法的UPML层设置为4时,其反射误差比传统FDTD要低50dB。     

微带线的神经网络模型

本文采用多层感知器神经网络对微带线进行建模。将微带线的结构尺寸和频率作为神经网络的输入样本。微带线的电特性参数(由电磁场数值方法获得)作为输出样本,采用BP算法对多层感知器进行训练。当对多层感知器训练结束后,在学习范围内将微带线的尺寸和频率输入到多层感知器,从输出端可以立即得到准确的电特性参数。     

一种拟合曲线的新拟合算法

非线性测量中对测量结果进行曲线拟合通常采用最小均方误差的标准进行系统参数的辨识,该方法未考虑输入样本的随机性。基于此,提出了一种新的拟合算法:考虑输入样本的随机性所采取的一种加权的最小均方误差拟合方法,利用已知的输入样本的统计特性对权值进行估计,对算法概率为1的任意逼近性给出证明,并对区间半长作出估计。实验表明,该算法有较理想的逼近效果。     

基于PSO-ELM特征映射的KNN分类算法

针对传统极端学习机算法(ELM)和K近邻分类算法(KNN)在处理分类问题中存在的问题,提出一种基于PSOELM特征映射的KNN分类算法。该算法利用ELM的输入层权值和隐层神经元对输入样本进行非线性映射,并利用粒子群算法(PSO)寻找一组最优的ELM映射参数,再将映射后的特征样本输入到KNN算法中,提高处理线性不可分问题的能力。在多个数据集上的实验结果表明,文中算法比KNN改进算法以及ELM改进算法有更高的分类正确率。     

基于凸组合算法优化的前向神经网络观测器设计

本文利用凸组合算法对单隐藏层前向神经网络进行了优化,通过迭代来更新权值以调整隐藏层的信息.同时引入了一个新的误差函数来评价误差性能,该函数通过对权值进行解耦来求解优化参数,提高了参数的计算速度.在此基础上,提出了一种非线性系统的自适应神经网络状态观测器设计方法.最后通过仿真验证了该神经网络观测器能准确并快速地观测出系统的状态值.     

动态系统多层网络模型的递推辨识算法研究

本文基于对多层前向神经网络学习训练获得最优权集合过程看成是非线性动态系统模型参数自组织、自学习的辨识过程，阐述了基于多层前向网络描述体系的定常和时变非线性动态系统的ＧＢＰ（广义反向传播算法）自适应递推辨识算法和模型的校验。ＧＢＰ递推算法包括在采样时间段上的纵向参数辨识过程和时序上的横向滑动辨识过程，它是现有多层网络学习算法的拓广，仿真研究表明该算法的有效性。     

基于FPGA的航拍图像实时增强

为了更好地增强图像的细节信息、提高图像的对比度,提出了基于子层分割对比度拉伸算法。根据直方图特征将其平均分为4个子层区域,在每个子层中根据其灰度值概率密度之和的大小对灰度区域进行拓展或压缩。为了防止灰度区域被过分压缩或拉伸,引入了约束因子α。以现场可编程门阵列为中央处理器,采用组合逻辑对本文算法进行建模。在得到直方图统计结果的基础上,算法可在一个时钟周期完成,相比于流水线操作时间减少了5×103 ns,可满足50frame/s的实时图像处理要求。该系统具有集成度高、图像处理速度快和实时性强等特点。     

基于弱监督学习的去噪受限玻尔兹曼机特征提取算法

针对现有特征提取方法难以实现从含有复杂背景的图像中提取有用目标特征的瓶颈问题,提出了基于弱监督学习的去噪受限玻尔兹曼机特征提取算法.首先,利用训练样本,通过无监督学习方式训练一个标准受限玻尔兹曼机模型,从而获得一个包含可视单元层和隐藏单元层的层次结构模型;然后,对可视层的每个单元引入二值转换单元,对隐藏层,根据各节点的激活值大小和激活频率将其分为两组:前景特征隐层单元和背景特征隐层单元,得到一个二元混合式去噪玻尔兹曼机的模型;最后,通过多模交互方式,利用有限数量的样本标签信息对输入样本逐像素地进行采样训练,以此来提取目标特征.实验表明,本文的特征提取算法能够有效地从复杂的干扰背景中提取目标特征,提高了目标识别精度.     

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法.量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成.首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来.采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练.仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络.     

基于半监督生成对抗网络的乳腺癌图像分类

本文针对仅有少量带标签样本时如何提高大量未标 注样本分类的的鲁棒性和准确性问题,提出一种 基于改进的半监督生成对抗网络(semi-supvised generative adversarial networks,SGAN) 的乳腺癌图像分类方法。该方法在输出层使用Softmax 函数 替代 Sigmoid 函数实现多分类。首先将随机向量输入到生成网络中,生成伪样本并标记为伪样本 类进行训 练。接着将真实标签样本、真实无标签样本和伪样本输入到判别网络中,输出为不同类概率 值;然后采 用半监督训练方法反向传播更新参数;最后实现对乳腺癌病理图像的分类,标注样本数量分 别为25、 50和200,最终准 确率达到95.5%。实验结果表明,当标注 样本有限时,本文算法的准确 率具有良好 的鲁棒性。本文算法相比于使用卷积神经网络和迁移学习(tranfer learning,TL)等分类方法准确率有了显著提高。     

复数前馈神经网络的全局最优和快速学习算法

提出了一种新型复数前馈神经网络的学习算法。当输入层和隐层之间的权值计算出来后，就可以通过求解线性方程组得到隐层和输出层之间的权值。这些权值是全局最小点。另一方面，本文算法很容易确定全局最小点时隐层神经元的个数。本文算法具有很高的训练精度和学习速度。     

GPRS网络中综合业务漏桶算法的研究

GPRS是新一代传输综合业务的网络.本文提出了适用于GPRS网络的一种综合业务漏桶算法.通过对这种算法的分析,得出了实时业务和非实时业务的漏捅性能与输入业务统计参数及漏捅参数之间的关系.并用数值计算结果表明选用合适的漏桶参数可以对GPRS网络进行有效的流量控制.     

Utility‐optimal cross‐layer resource allocation in distributed wireless cooperative networks

In this paper, we propose a distributed cross‐layer resource allocation algorithm for wireless cooperative networks based on a network utility maximization framework. The algorithm provides solutions to relay selections, flow pass probabilities, transmit rate, and power levels jointly with optimal congestion control and power control through balancing link and physical layers such that the network‐wide utility is optimized. Via dual decomposition and subgradient method, we solve the utility‐optimal resource allocation problem by subproblems in different layers of the protocol stack. Furthermore, by introducing a concept of pseudochannel gain, we model both the primal direct logical link and its corresponding cooperative transmission link as a single virtual direct logical link to simplify our network utility framework. Eventually, the algorithm determines its primal resource allocation levels by employing reverse‐engineering of the pseudochannel gain model. Numerical experiments show that the convergence of the proposed algorithm can be obtained and the performance of the optimized network can be improved significantly. Copyright © 2012 John Wiley & Sons, Ltd.     

基于覆盖网络的多路径流量均衡研究

现有网络发送数据都集中在一条最优路径上,使得网络流量不均衡,拥塞不可避免.传统的IP网络难以拓展,文章在应用层上对覆盖网络进行流量均衡,利用覆盖网络之间的互动性给出了覆盖网络的多路径流量均衡模型,在该模型上研究了输入流量和输出流量的分配算法,并通过仿真实验说明了可以有效地减小网络的端到端延迟.     

一种计算缩减级型广义洗牌网络平均跳距的算法

简单介绍了广义洗牌网络（ＧＳＮ）的结构和分类,着重分析缩减级型ＧＳＮ的平均跳距性能,并提出一种计算平均跳距的算法     

基于深度谱卷积神经网络的高效视觉目标跟踪算法

提出了一种基于深度频谱卷积神经网络的视觉目标跟踪算法。该算法在深度模型训练阶段采用谱池化替代深度卷积神经网络中的最大池化过程,用贝叶斯分类器替代softmax损失层计算最大分类值,并将其整合到深度神经网络跟踪框架中,通过新网络计算输入正负样本的概率分布预测目标位置。该算法充分利用谱池化在频域下降维到任意维度且计算高效的优点,克服了最大池化采样造成大量空间信息丢失的不足,提升了计算速度。在权威多场景视频标准测试库上对所提算法进行验证,结果验证了该算法兼顾了效率和跟踪精度,有效提高跟踪器的性能,在相同测试条件下,文中算法性能优于同类对比算法。     

多值逻辑基本运算的神经网络实现

多层感知器神经网络是典型的人工神经网络模型。算后，将其推广到多值逻辑。根据感知器神经元的分类特点，系统中的基本运算，从而也实现了任意三值逻辑函数。本文在分析二值感知器神经网络实现二值数字逻辑运采用三层前向稳健感知器神经网络实现了三值格代数。