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...     

一种基于负熵最大化的改进的独立分量分析快速算法

在深入分析FastICA算法的基础上，提出了一种基于牛顿迭代算法和最速下降法相结合的独立分量分析改进算法，仿真结果表明，改进的算法能有效提高收敛速度，避免原算法中收敛速度不均匀问题。     

采用DDS+PLL结构的分析接收机频率合成器的研究与实现

主要讨论了DDS+PLL结构频率合成器的组成,分析了该类频率合成器的输出特性。理论和实验表明:这类频率合成器输出噪声低、换频速度快、结构简单、便于实现。     

基于数据符号化表示和云模型的时序数据生成方法*

为得到可靠的仿真数据,提出一种基于数据符号化表示和云模型的时序数据生成方法。首先用SFVS算法将原数据或是数据的先验知识(很多时候仅能获得相关领域的一些知识而非数据)表达为一个符号矢量,然后用定性定量转换工具——云模型利用符号矢量产生相应的时序数据。仿真实验表明,该方法产生的数据具有与原数据一样的结构特征、知识蕴涵,并具有可控的随机性、复杂性。     

针对Link16消息粗同步段的认知干扰技术

针对Link16数据链的高速跳频技术高效干扰困难的问题,利用Link16数据链中消息粗同步段信号的频率分布较为集中的特性,提出一种认知干扰技术,干扰方在实施阻塞式干扰的同时监听未受干扰的信道,并根据监听到的通信信号动态调整干扰频点,以提高击中粗同步脉冲的概率.通过理论计算和MATLAB仿真,比较认知干扰方式与目前采用的多频点阻塞式干扰在覆盖粗同步频点数、击中同步脉冲数大于16的概率以及成功干扰粗同步的概率等方面的差异,结果表明认知干扰策略在最差情况下与阻塞式干扰的效果相同,且在干扰信号相对通信信号的延时小于416μs时优于阻塞式干扰.     

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。     

基于量子双缝干涉实验的神经网络模型

本文利用量子理论中的双缝干涉实验(Double-slit Interference Experiment)构造了一种全新的量子神经网络(Quantum Neural Network,QNN)模型.通过理论分析,推导出该模型的动力学表达式,并给出相应的训练算法.仿真实验表明,该模型具有学习布尔逻辑函数的功能,特别是两层网络结构能够实现类似异或(XOR)逻辑的学习,体现出了量子计算对传统神经网络的优越性.本文的研究为探索神经网络与量子计算的结合提供了一个新的途径.     

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.     

基于改进PIC参数的证据理论融合算法效能评估

基于PIC参数提出了TPIC参数,并提出用TPIC参数对证据理论融合系统性能进行评估的方法.融合的目的是为了得到对目标更准确、确定的认识,用TPIC参数给出了多证据融合系统融合输出对正确目标确定度的度量方法,通过度量融合后对正确目标的确定度来实现融合性能的定量评估,解决了以往熵方法评估仅以不确定性作为标准而不考虑融合结果正确性的问题,并由仿真实验验证了方法的有效性.     

基于梯度追踪的压缩感知超宽带通信信道估计

针对现有压缩感知超宽带信道估计方法运算复杂度较高的问题,提出了基于梯度追踪算法的压缩感知超宽带信道估计方法.将超宽带信道估计转化为压缩感知的重构问题,并使用梯度追踪算法进行重构得到信道估计值,最终实现信息解调.梯度追踪算法通过每步计算目标函数的负梯度方向和搜索步长,使目标函数沿负梯度方向以此步长搜索得到每步重构值的最优解,从而避免了正交匹配追踪算法中高维度最小二乘运算以及基追踪算法中求解凸优化问题所导致的运算复杂度高的缺点.仿真结果表明该方法相对于正交匹配追踪算法和基追踪算法能够降低运算复杂度,提高运算速度,同时依然能够保证估计效果.