多宇宙并行量子衍生遗传算法研究

将量子的多宇宙特性和遗传算法相结合,提出了多宇宙并行量子衍生遗传算法。算法中将种群分成若干个独立的子群体,称为宇宙。给出了不同宇宙数量下的并行拓朴结构,提出了宇宙内采用量子旋转门演化和量子变异,宇宙间采用移民和量子交叉的两种信息交互方式,能有效克服早熟收敛现象,使得搜索效率和搜索能力得到更进一步提高。典型函数优化实验验证了该文所提算法的有效性。     

基于Donoho模型和高阶统计理论的小波消噪算法研究及其应用

本文结合经典Donoho小波消噪模型,提出了基于高阶统计理论的小波消噪算法.算法在小波分解各尺度引入了高阶统计理论中的四阶累积量方法,从信号和噪声的统计特性出发进行信噪分离.仿真结果验证了本文算法的性能.算法能满足无线电监测系统中对信号进行后续处理的需求.     

混叠通信信号的盲分离处理

同频混叠信号的处理一直是通信信号处理中的难点,常规的信号处理方法难以对其进行有效分析。本文运用最新的盲源分离理论,实现了混叠通信信号的盲分离。仿真结果表明,本文采用的算法分离效果好,运算速度快,可移植性强,基本实现了对混叠通信信号的实时盲分离。     

融合多特征BERT模型的中文实体关系抽取

关系抽取是构建知识图谱的一项核心技术.由于中文具有复杂的语法和句式,同时现有的神经网络模型提取特征有限以及语义表征能力较差,从而影响中文实体关系抽取的性能.文章提出了一种融合多特征的BERT预训练模型的实体关系抽取算法.首先对语料进行预处理,提取关键词、实体对信息和实体类型特征并进行融合,以此来强化BERT模型的语义学习能力,极大限度地减少了语义信息特征的丢失,最后通过Softmax分类器进行关系分类.实验结果表明,文章模型优于现有的神经网络模型.在人工标注的中文数据集上本文模型取得了97.50％的F1值.     

一种改进的隐马尔可夫模型训练方法及其在声目标识别中的应用

提出了一种基于最大相对界的改进隐马尔可夫模型训练方法.为解决隐马尔可夫模型的传统Baum_Welch训练算法在识别声目标时的局限以及现存区分训练算法泛化能力不足的问题,在经典隐马尔可夫模型为初始模型的基础上,定义了相对界,并通过最大化最小相对界建立一个最优化问题,用梯度下降法进行迭代求解,得到基于相对界的隐马尔可夫模型...     

一种基于内壳向量的SVM增量式学习算法

本文针对支持向量机难以快速有效地进行增量式学习的问题,提出了一种基于内壳向量的支持向量机增量式学习算法.算法通过线性规划运算求得最可能包含支持向量的壳向量和内壳向量集合,在保证分类精度的前提下最大程度地缩小训练集规模,进而在新的训练集中快速训练支持向量机.将该算法应用于公开数据及低空飞行声目标分类识别,结果表明,新算法...     

优化回声状态网络混沌跳频码预测方法研究

以混沌跳频码预测为背景,针对现有预测方法中存在的缺乏记忆能力导致识别准确率不高以及运算量大等问题,论文提出了基于优化回声状态网络的混沌跳频码预测方法。该方法在继承回声状态网络优良性能的同时,利用改进遗传算法优化网络储备池参数,较好地解决了参数选择问题,使其具有更强的针对性和更好的预测效果。论文以logistic-kent映射、Lorenz系统和Mackey-Glass系统跳频码为样本数据,通过改进遗传算法确定最优储备池参数并进行仿真实验,将仿真结果与其他文献结果作了比较,证明了该预测方法的优越性。      

并行多信道判决引导CDL盲均衡算法

针对传统算法抽头系数较长和难以处理深衰落信道的问题,提出适用于通用数据链信号的并行多信道判决引导盲均衡算法。新算法借助判决反馈结构中前馈、反馈滤波器的独立优化特性,将加权后的判决值代入下一次的迭代过程,有利于消除拖尾效应;综合运用采样率高的分数间隔结构与稳态误差小的判决引导算法,对接收信号采用并行处理的方式,大大缩短了抽头系数长度。实验结果表明,针对CDL信号,新算法能够有效提升收敛速度、降低误码率。      

基于条件熵的直觉模糊条件推理

该文在利用隶属度和犹豫度计算直觉模糊逻辑命题真值的对称合成方法的基础上,提出了一种基于条件熵的直觉模糊条件推理新算法。将直觉模糊条件推理规则的前件和后件与决策信息系统的条件属性和决策属性等价起来,条件属性、决策属性和推理规则均视为直觉模糊命题,直觉模糊命题的真实程度转化成一种决策规则前件对后件的条件熵的度量,并给出了条件熵的范围,从而确定直觉模糊命题的真实程度的范围。     

一种基于遗传算法的SVM决策树多分类方法

在当前的机器学习领域,如何利用支持向量机（SVM）对多类目标进行分类,同时提高分类器的分类效率已经成为研究的热点之一,有效地解决此问题对于提高目标的识别概率具有较大意义。本文针对SVM多分类问题提出了一种基于遗传算法的SVM最优决策树生成算法。算法以随机生成的决策树构建的SVM分类器对同一测试样本的分类正确率作为遗传算法的适应度函数,通过遗传算法寻找到最优决策树,再以最优决策树构建SVM分类器,最终实现SVM的多分类。将该算法应用于低空飞行声目标识别问题,实验结果表明,新方法比传统的1-a-1、1-a-r、SVM-DL和GADT-SVM方法有更高的分类精度和更短的分类时间。