基于主动进化的遗传算法

根据当前遗传学和生物进化论中对变异方式的研究成果．将定向变异的思想引入到标准遗传算法领域，提出了一种基于主动进化的遗传算法．这种改进的遗传算法，可以在很大程度上克服现有遗传算法执行效率低的问题．我们将这种方法应用到TSP问题中，取得满意的实验结果、     

基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.     

基于自适应投影矩阵的压缩感知超宽带信道估计

超宽带信号由于功率谱密度较低和传输多径复杂,准确的信道估计十分重要。考虑其过高带宽带来的采样难度较高的问题,压缩感知理论提供了一种可行的低速采样方法。而目前常用的随机投影矩阵与超宽带信道稀疏变换矩阵相关度较高,算法必须在降维比较高时才能达到重构要求,采样速率依然较高。针对上述问题,提出使用贝叶斯压缩感知理论中的自适应投影矩阵设计方法进行超宽带信道估计。贝叶斯压缩感知理论给信道向量中的每个值设置受超参数控制的后验概率密度,计算信道向量的统计特性,并根据协方差矩阵计算新的投影向量,该投影向量可以使重构解的微分熵下降最快。通过这种自适应的投影矩阵设计方法,可以利用较少的采样值进一步地提高重构解的可信度,达到进一步降低采样速率的目的。实验结果表明该方法相对于现有的压缩感知重构算法可以在较低的降维比条件下达到较好的重构效果,显著降低了采样速率。     

改进的基于点过程模型的连续语音关键词识别技术

本文建立了一种基于点过程模型的连续语音关键词识别系统,该模型不同于以往的经典模型,而是将连续语音信号处理成一系列稀疏的音素点集,通过对各音素点集进行建模得到关键词模型与背景模型,再采用滑动搜索的方式来检出关键词。实验结果表明该方法在保证90%以上识别率的同时大大降低了运算复杂度,并且在具有极少量训练样本的情况下依然具有较高的识别率,具有良好的鲁棒性。     

极值斜率经验模式分解结合独立分量分析的单通道盲分离

针对单通道盲分离领域先验信息不足的问题,提出了一种基于极值斜率经验模式分解和独立分量分析的单通道盲分离算法。首先通过极值斜率经验模式分解算法以不同尺度逐次分解混合信号的波动和趋势,得到一组固有模态函数。然后将其作为独立分量分析算法的输入信号,从得到的独立分量中萃取出与源信号相似的独立分量,通过重构算法恢复源信号,达到分离目的。实验信号采取仿真信号和实际信号,实验结果表明,该算法不需任何先验信息,鲁棒性强,能较快地得到良好的分离效果。     

基于去相关邻域保持判别投影的声目标特征提取

提出了一种基于去相关邻域保持判别投影的声目标特征提取算法（UNPDP）,在邻域保持投影（NPP）算法保持局部线性结构的基础上,通过引入类别信息,在增强局部类内几何关系的同时最大化类间距离,提高了其低维嵌入的区分性;通过加入去相关限制,使得其得到的特征向量具有统计不相关特性,去除了冗余信息。在SensIT实验数据和外场实际采集数据上的实验结果表明基于去相关邻域保持判别投影的特征提取方法可以更好的表征声目标信号,识别的准确性和鲁棒性得到较大的提高。     

模糊近邻密度聚类与重采样的迁移学习算法

传统机器学习要求训练样本和测试样本具有相同分布的假设在实际应用中难以满足,为解决这种问题,迁移学习的研究近年来逐渐兴起。其中,基于聚类分析与重采样的迁移学习框架不需要直接估计域分布,且能够修正不同类型的域间差异,但其所采用的聚类算法对参数选择的鲁棒性及不同分布数据的适应性较差,并不能很好地适用于挖掘数据结构信息。为此,该文提出一种基于模糊近邻密度聚类与重采样的迁移学习算法。该方法对不同分布形状和密度的数据具有较好的鲁棒性并能够发现更多的近邻结构信息,能够从源域中迁移更多的有用知识用于目标域的学习。在公共数据集上的实验结果表明所提出的迁移学习方法具有更好的性能。      

CDMA抗干扰微分相关时延估计算法研究

基于微分相关技术,提出了一种简单有效的DS-CDMA时延估计方法,在获取期望用户导频信道的前提下,通过选取适当的时间间隔,可以消除采样数据相关矩阵中与期望用户不相关的干扰和噪声。仿真结果表明,与常规实验估计算法相比,该方法具有更好的干扰抑制性能和更大的正确捕获概率。     

改进批处理RPEM算法用于说话人识别

针对传统EM算法训练GMM不能充分利用训练数据所属高斯分量信息, 从而在一定程度上影响说话人识别性能的缺陷, 采用RPEM (竞争惩罚EM)算法训练GMM, 并引入批处理RPEM算法解决RPEM算法运算量大、收敛速度慢的问题, 同时针对RPEM和批处理RPEM算法训练时方差优化存在的问题进行了改进, 提出了改进的批处理RPEM算法。在Chains 说话人识别数据库上的实验表明, 改进的批处理RPEM算法取得了相对于传统EM、RPEM以及批处理RPEM算法更好的性能, 还极大地提高了训练效率, 减小了运算量, 说明了提出的改进批处理RPEM算法用于说话人识别时的有效性。     

修正的最小重新计算标准的增量式学习算法

静态算法在面对变化决策信息系统的约简时,表现出所得的约简有效性不够,无法描述决策系统的变化规律,从粗集理论出发,研究一种动态决策规则的最小重新计算标准,并在此基础上,结合决策规则的确定性准则,提出一个修正的最小重新计算标准的增量式学习算法,理论分析和实例验证表明了算法的正确性和有效性.