K-Hough欠定盲信道估计算法

欠定盲信道估计是欠定盲源分离的关键组成部分,其估计精度直接影响到源信号的估计精度.本文基于稀疏假设,提出了一种新的欠定盲信道估计算法--K-Hough算法.该算法首先对观测数据进行K-means聚类,然后对每一类数据应用Hough变换,修正其聚类中心,从而提高了混合矩阵的估计精度,同时避免了Hough变换在进行峰值提取时经常遇到的峰值簇拥等问题.采用语音信号进行的仿真实验表明,K-Hough算法简单有效,并且估计精度大大优于经典的欠定盲信道估计算法.     

基于遗传算法和支持向量机的特征子集选择方法

在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现“过拟和”,把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中SONAR和LED数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。