基于特征融合的多节点调制识别方法

针对传感器网络节点的分布式结构,给出了基于特征融合的多节点联合调制识别方法。首先利用似然比推导了特征融合的联合识别准则;然后依据准则给出了多节点调制识别的仿真性能;最后和基于决策融合的多节点调制识别方法进行了比较。仿真结果表明,在没有过多增加网络通信负载的情况下,特征融合相比决策融合提高了识别性能。     

基于无线传感网的分布式协作调制识别算法

针对低信噪比时单接收节点调制识别率低的问题,提出了基于无线传感网的分布式协作调制识别方法,在低信噪比下实现对四种典型调制方式的正确识别。首先利用网络中相互协作的多个传感器节点,从提高性能出发,在节点能耗最小的前提下,根据特征的识别能力与信噪比的关系以及特征计算量来设计协作方案,每节点只提取部分特征。中心节点处将汇聚来的特征组合成特征向量,并利用支持向量机分类器对其进行分类。仿真表明,该方法的识别性能优于单节点和已有的多节点方法,传感器节点能耗降低,并且对信噪比环境具有更好的自适应性。     

用决策树方法优化表决器

通过分析多数表决器的决策树,并根据决策树的分裂规则,对多数表决器的决策树进行扩展。扩展方法是在决策树的一个叶子节点上进行分裂,该叶子节点为多数表决器处于无法表决的环节。分裂属性是针对是否使用加权表决提出的阈值,该阈值用于选择性地使用加权表决算法进行表决。实际测试表明所改进的多数加权混合表决器在三模冗余系统中发生二模块错误或三模块错误时,能够提高表决正确率,降低无法表决情况的概率。     

基于谱相关特性和组合神经网络的数字调制信号识别*

针对通信信号非稳定、信噪比（SNR）变化范围大的特性,利用调制信号的循环平稳特性,提取出五种对SNR和信号调制参数不敏感但对调制类型敏感的特征参量。为提高分类性能,设计了一种采用多个不同神经网络的组合分类器结构,采用输出向量加权表决的融合规则。仿真表明,低信噪比下组合神经网络分类器比单个神经网络分类器有更高的识别率。     

基于多节点信息融合和协作的信号调制方式识别

针对单节点在低信噪比环境下调制识别率低的难题,提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案,并提取每节点特征,然后中心节点将各节点特征进行融合,最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明,相比于其他信号调制识别方法,该方法提高了信号调制识别精度,对信噪比环境具有更好的自适应性。     

无线传感器网络TPSN-RBS联合时间同步算法

针对大规模多跳传感器网络节点间所存在的同步误差及其累积误差问题,提出了一种基于加权最小二乘法的TPSN-RBS联合时间同步算法.该算法充分利用可监听到的消息,通过加权最小二乘法估计得到节点逻辑时钟的时间偏移和频率偏移的最优解.用Cramér-Rao下界对本算法进行性能分析,同时与TPSN算法进行仿真对比,结果表明:该算法提高了节点间的同步精度,且在节点密集的大规模无线传感器网络中,在保证较低通信量的同时降低了累积误差.     

协同调制识别算法在电力线通信网络中的设计与实现

电力线通信(PLC)是物联网、智能电网中重要的通信方式。然而,当有新节点接入PLC网络时,无法正确识别PLC网络中具体的调制方式,从而导致接入失败。为此,通过构建多输入多输出(MIMO)的PLC系统模型,提出一种基于PLC-MIMO结构的协同调制识别方法,以实现新节点自动接入PLC网络。采用多节点的发送信号四阶累积量作为识别器的特征参数,结合极大似然的判决规则进行协同识别,同时引入权重因子,设计一种改进协同调制识别算法来提高正确识别率。仿真结果表明,与一般协同识别算法相比,该算法正确识别率提高6%,具有更好的识别性能,可适用于PLC传感网络系统。     

基于复杂度特征的数字调制模式识别

为了提高数字信号调制模式识别在低信噪比下的正确率,在对复杂度理论加以分析的基础上,提出了一种新的特征提取方法。该方法首先引入希尔伯特-黄变换求得样本的边际谱,然后利用分形和Lempel-Ziv复杂度的方法提取用于调制识别的特征参数,最后利用RBF神经网络分类器进行数字信号调制模式的分类识别。仿真结果表明该算法具有较好性能。     

一种改进的基于加权网络的蛋白质复合物识别算法

不断增长的蛋白质相互作用数据使我们能够采用计算方法预测蛋白质复合物。然而,由于实验条件和技术的限制,现有的PPI网络中包含噪声。为了降低噪声对复合物识别所产生的负面影响,提出了一种改进的名为WPC的算法,用于从加权网络中识别蛋白质复合物。给定一个选定节点,所有邻居节点组成候选集,候选集中节点的邻居节点组成邻居集。对于候选集中的节点,若该节点在候选集与邻居集间的加权比低于设定阈值,则将该点剔除。处理后的候选集被标记为复合物。对于没有包含在任何复合物中的节点,如果节点在某一复合物内的平均加权度超过一个自适应的阈值,则将其补充到该复合物中。对WPC算法和现有的几种经典蛋白质复合物识别算法的性能进行了综合比较。实验结果表明,WPC算法的性能优于几种对比的复合物识别算法。     

基于Gabor滤波的改进虹膜识别算法

为提高虹膜识别系统的性能,提出了基于Gabor滤波的改进虹膜识别方法。首先根据虹膜图像的灰度特性进行虹膜定位与归一化,然后利用多尺度Gabor滤波器进行特征提取,然后通过主成分分析法降维,并进行识别,根据识别能力的差异,计算滤波器的输出权值,最后利用加权后的距离进行虹膜识别。利用该方法对CASIA虹膜库进行识别,得到系统识别率为99.78%,等错率为0.19%。结果表明,利用改进的方法能充分发挥滤波器的识别性能,并增强系统的鲁棒性。     

Analysis of a Plurality Voting-based Combination of Classifiers

In various studies, it has been demonstrated that combining the decisions of multiple classifiers can lead to better recognition result. Plurality voting is one of the most widely used combination strategies. In this paper, we both theoretically and experimentally analyze the performance of a plurality voting based ensemble classifier. Theoretical expressions for system performance are derived as a function of the model parameters: N (number of classifiers), m (number of classes), and p (probability that a single classifier is correct). Experimental results on the human face recognition problem show that the voting strategy can successfully achieve high detection and identification rates, and, simultaneously, low false acceptance rates.     

Attribute bagging: improving accuracy of classifier ensembles by using random feature subsets

We present attribute bagging (AB), a technique for improving the accuracy and stability of classifier ensembles induced using random subsets of features. AB is a wrapper method that can be used with any learning algorithm. It establishes an appropriate attribute subset size and then randomly selects subsets of features, creating projections of the training set on which the ensemble classifiers are built. The induced classifiers are then used for voting. This article compares the performance of our AB method with bagging and other algorithms on a hand-pose recognition dataset. It is shown that AB gives consistently better results than bagging, both in accuracy and stability. The performance of ensemble voting in bagging and the AB method as a function of the attribute subset size and the number of voters for both weighted and unweighted voting is tested and discussed. We also demonstrate that ranking the attribute subsets by their classification accuracy and voting using only the best subsets further improves the resulting performance of the ensemble.     

LBP特征和改进Fisher准则的人脸识别

为了进一步提高人脸识别系统的性能,在LDRC算法的基础上进行改进,并将改进LDRC算法的准则函数应用到Fisher分类器中,提出了一种新的基于LBP特征和改进Fisher准则的人脸识别算法。该算法提取每幅人脸图像的标准LBP直方图特征：把提取到的LBP特征输入到改进后的Fisher分类器中,得到最佳投影矩阵和投票结果矩阵;求解出投票结果矩阵的最大值所对应的类别号,将其作为最终的识别结果;分别在FERET和AR人脸库中进行实验检测,结果表明与传统的特征提取方法相比,给出的方案可以使人脸识别率得到显著提高。     

典型相关分析融合全局和局部特征的人脸识别

为了提高人脸的识别率,提出一种典型相关分析融合全局和局部特征的人脸识别算法（SUB-CCA）。通过划分子模式方式避免人脸识别存在小样本、非线性问题,并提取局部特征,采用主成分分析提取人脸图像的全局特征,并采用相关分析算法对全局、局总特征进行融合,消除特征间冗余信息,降低特征维数,采用投票法得到人脸识别结果,并采用3个人脸数据集对算法性能进行测试。仿真结果表明,相对于参比算法,SUB-CCA提高了人脸识别的识别精度。     

一种优化的RBF神经网络在调制识别中的应用

提出了一种基于径向基函数 (RBF) 神经网络的通信信号调制识别方法, 该方法采用模糊 C-均值 (FCM) 聚类算法对数据进行聚类, 并获取基函数的参数, 采用梯度下降法训练网络权值. 利用最优停止法对网络进行了优化, 避免了过学习现象, 提高了 RBF 网络的训练速度和泛化能力, 以实际信号数据对该网络进行性能检验, 实验结果表明了该 RBF 网络具有较高的识别精度.     

基于MOFTLBTV的WSNs定位算法

传感节点感测数据易受到干扰,导致传感节点获取的数据出错。为此,提出基于二值数据的多目标容错定位算法(BMSFTL)。该算法研究传感节点的差错概率的情况,利用传感节点的二值数据对目标源进行识别及定位。在识别过程中利用分布式竞争领导者(DCL)算法产生领导者(leader)节点。通过估计Leader节点数实现对目标源的识别。随后定位阶段采用基于网格投票(GBV)机制对目标源进行定位。在条件下将BMSFTL与DNLEP算法在对两个或多个目标源的识别,定位性能进行了三方面进行了对比,BMSFTL算法在噪声和差错情况下,保持高的定位性能,在差错概率为0.25的环境,均方根误差小于8m,其性能远优于DNLEP算法。     

基于改进随机森林算法的文本分类研究与应用

传统随机森林分类算法采用平均多数投票规则不能区分强弱分类器,而且算法中超参数的取值需要调节优化.在研究了随机森林算法在文本分类中的应用技术及其优缺点的基础上对其进行改进,一方面对投票方法进行优化,结合决策树的分类效果和预测概率进行加权投票,另一方面提出一种结合随机搜索和网格搜索的算法对超参数调节优化.Python环境下的实验结果表明本文方法在文本分类上具有良好的性能.     

基于节点识别的协作频谱检测算法

在认知无线网络协作频谱感知过程中,感知节点所处的恶劣信道环境会导致本地频谱检测结果发生偏差,有时一些故障节点或恶意节点发送的误导信息来干扰认证网络融合中心的全局判决.根据认知网络感知节点的历史感知信息,将感知节点分为可信节点、不可信节点和故障或恶意节点,提出了一种基于节点识别的协作频谱检测算法.在该算法中,融合中心舍弃故障或恶意节点,使其不得参与数据融合,同时也不考虑不可信节点当前发送的本地检测结果.这样,一方面消除了故障或恶意节点对全局频谱判决的影响,另一方面降低了融合中心计算复杂度.仿真结果表明,该算法能有效克服故障或恶意节点的干扰,提高认证网络协作频谱检测性能.     

基于网格的自适应弹性图人脸匹配方法

采用基于脸部结构的区域分割方法将人脸分成多个子区域;用不同密集度的弹性图划分和不同的变形粒度实现弹性变形,采用确定性退火算法找到弹性变形的最佳匹配;在网格平台上通过基于时间约束的最小花费调度策略并行实现文中方法.在较大的人脸库规模和非约束环境下,该方法在识别速度和识别率上有所提高.